人工智能

人工智能(artificial intelligence，AI) 是基于計(jì)算機(jī)科學(xué)來(lái)模擬人腦學(xué)習(xí)知識(shí)、儲(chǔ)存知識(shí)、思考規(guī)劃的思維過(guò)程的一種技術(shù)，人工智能包括一系列操作：機(jī)器學(xué)習(xí)(ML)，深度學(xué)習(xí)(DL)，自然語(yǔ)言處理(NLP)，認(rèn)知計(jì)算，計(jì)算機(jī)視覺和機(jī)器人等。近年來(lái)，人工智能技術(shù)發(fā)展突飛猛進(jìn)，自動(dòng)駕駛、人臉識(shí)別、文本處理等已經(jīng)出現(xiàn)在我們的生活領(lǐng)域。然而，與金融技術(shù)、信息技術(shù)和航空航天等其他行業(yè)相比，人工智能在醫(yī)療領(lǐng)域的應(yīng)用速度相對(duì)緩慢。目前，人工智能在心臟病學(xué)中的應(yīng)用主要包括兩個(gè)方面，一是基于電子健康記錄和醫(yī)學(xué)圖像等來(lái)源的ML/DL、NLP和認(rèn)知計(jì)算等，另一個(gè)代表是介入機(jī)器人。

AI是可執(zhí)行一般性人類智能任務(wù)的計(jì)算機(jī)程序。它也可視為機(jī)器或者儀器基于所收集數(shù)據(jù)自動(dòng)做出決策的能力。而機(jī)器學(xué)習(xí)（machine learning，ML）是目前AI的主要亞類，它包括了監(jiān)督學(xué)習(xí)，非監(jiān)督學(xué)習(xí)及深入學(xué)習(xí)（deep learning，DL）等。監(jiān)督學(xué)習(xí)中目前最常用的算法是人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）和支持向量機(jī)。非監(jiān)督學(xué)習(xí)包括了聚類算法和關(guān)聯(lián)規(guī)則算法等。而DL包括了循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）以及深度神經(jīng)網(wǎng)絡(luò)（deep neural networks，DNN）

機(jī)器學(xué)習(xí)在心血管精準(zhǔn)醫(yī)療中的應(yīng)用機(jī)器學(xué)習(xí)是AI技術(shù)分支之一，可分為3種類型：監(jiān)督、非監(jiān)督和增強(qiáng)學(xué)習(xí)，其中增強(qiáng)學(xué)習(xí)被視為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)二者的結(jié)合體，目的在于最大化運(yùn)算的準(zhǔn)確性。

（一）監(jiān)督學(xué)習(xí)：監(jiān)督學(xué)習(xí)是利用人工標(biāo)記的數(shù)據(jù)集預(yù)測(cè)臨床轉(zhuǎn)歸，適用于解決分類性及回歸性問(wèn)題，但所需數(shù)據(jù)量大，人工標(biāo)記耗時(shí)多。監(jiān)督學(xué)習(xí)算法主要包括：人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機(jī)（SVM）、決策樹、隨機(jī)森林、樸素貝葉斯分類器、模糊邏輯以及K?最近鄰算法（KNN）。在心血管領(lǐng)域，應(yīng)用于處理電子病歷文本分類、心電圖的結(jié)果判讀、檢測(cè)心律失常、心肌梗死心電信號(hào)分類、超聲心動(dòng)圖的圖像識(shí)別、缺血性心肌病影像數(shù)據(jù)分析、冠狀動(dòng)脈CT圖像數(shù)據(jù)處理、藥物治療劑量、心血管疾病風(fēng)險(xiǎn)分層、疾病生存預(yù)測(cè)、臨床決策系統(tǒng)等。監(jiān)督學(xué)習(xí)的局限性：需要較大數(shù)據(jù)集訓(xùn)練模型，并且通過(guò)其他數(shù)據(jù)集進(jìn)行驗(yàn)證；如果訓(xùn)練集存在偏倚，將會(huì)影響測(cè)試集的準(zhǔn)確性。另外，監(jiān)督學(xué)習(xí)需要手動(dòng)標(biāo)記訓(xùn)練集，預(yù)測(cè)已知的輸出結(jié)果。盡管監(jiān)督學(xué)習(xí)能夠通過(guò)多種方式與給定的訓(xùn)練集匹配，自動(dòng)選擇“最好”的假設(shè)來(lái)匹配數(shù)據(jù)，但可能導(dǎo)致因?qū)W習(xí)算法更傾向于某種假設(shè)而帶來(lái)偏倚。

（二）非監(jiān)督學(xué)習(xí)：非監(jiān)督學(xué)習(xí)是識(shí)別隱藏在數(shù)據(jù)中新的疾病機(jī)制、基因型或者表型。與監(jiān)督學(xué)習(xí)側(cè)重依據(jù)標(biāo)記病例預(yù)測(cè)臨床轉(zhuǎn)歸不同，非監(jiān)督學(xué)習(xí)是尋找未被標(biāo)記的、隱藏在數(shù)據(jù)中的模式。非監(jiān)督學(xué)習(xí)常常用于深度學(xué)習(xí)。可用于心電圖和心臟影像的自動(dòng)分類、構(gòu)建左心室腔自動(dòng)分割參數(shù)，尋找心力衰竭、冠心病疾病亞型，指導(dǎo)臨床對(duì)不同亞型采取個(gè)體化治療。非監(jiān)督學(xué)習(xí)的局限性：主要在于對(duì)初始聚類模式的識(shí)別存在困難，因此，非監(jiān)督學(xué)習(xí)模型需要在多個(gè)隊(duì)列中進(jìn)行驗(yàn)證。除此之外，其需要手工去除噪音數(shù)據(jù)，并且需要人工標(biāo)記數(shù)據(jù)選擇合適的算法。因此，為了獲得最佳效果，往往需要非監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)的聯(lián)合應(yīng)用。

（三）深度學(xué)習(xí)：深度學(xué)習(xí)是使用多層ANN模擬人腦的運(yùn)行，根據(jù)輸入的數(shù)據(jù)自動(dòng)做出預(yù)測(cè)。應(yīng)用ANN的深度學(xué)習(xí)包括：循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）以及深度神經(jīng)網(wǎng)絡(luò)（DNN）。深度學(xué)習(xí)具有強(qiáng)大的圖像識(shí)別和處理噪聲能力，以更高時(shí)空分辨率處理人工實(shí)時(shí)心血管圖像，通過(guò)整合斑點(diǎn)追蹤超聲心動(dòng)圖數(shù)據(jù)，有研究證實(shí)機(jī)器學(xué)習(xí)算法能夠幫助識(shí)別運(yùn)動(dòng)員的生理性和病理性心肌肥厚、提高單光子發(fā)射計(jì)算機(jī)斷層成像術(shù)心肌灌注成像預(yù)測(cè)阻塞性心臟病發(fā)生的能力，自動(dòng)分析靜息狀態(tài)下冠狀動(dòng)脈CT血管造影下的左心室心肌圖像，避免患者經(jīng)歷有創(chuàng)心臟血流儲(chǔ)備分?jǐn)?shù)的檢測(cè)，對(duì)川崎病的冠狀動(dòng)脈光學(xué)相干斷層成像圖像的自動(dòng)分類，心電圖異常的檢測(cè)等。2.深度學(xué)習(xí)的局限性：其過(guò)度擬合可能導(dǎo)致預(yù)測(cè)效果欠佳。深度學(xué)習(xí)需要大量的訓(xùn)練數(shù)據(jù)集，需要各科室與電子病歷系統(tǒng)鏈接之間的緊密聯(lián)系。此外，深度學(xué)習(xí)需要具有深度學(xué)習(xí)能力的設(shè)備。另外，多層面深度學(xué)習(xí)可能增加訓(xùn)練時(shí)間，而且建立神經(jīng)網(wǎng)絡(luò)同樣費(fèi)時(shí)。

人工智能在心血管特定領(lǐng)域的

當(dāng)前和未來(lái)應(yīng)用

超聲心動(dòng)圖

超聲心動(dòng)圖可以便捷、及時(shí)、經(jīng)濟(jì)的評(píng)估心臟結(jié)構(gòu)和功能，在診斷和評(píng)價(jià)心血管疾病方面有重要價(jià)值。然而，超聲心動(dòng)圖在圖像質(zhì)量和診斷效用方面仍存在相當(dāng)大的變異性。超聲心動(dòng)圖仍然高度依賴于操作者的經(jīng)驗(yàn)，因此，通過(guò)人工智能，可以進(jìn)行增強(qiáng)和標(biāo)準(zhǔn)化超聲心動(dòng)圖評(píng)價(jià)。

隨著ML方法的成熟，包括卷積神經(jīng)網(wǎng)絡(luò)用于圖像分類，臨床超聲心動(dòng)圖數(shù)據(jù)的累積量增加，給超聲心動(dòng)圖人工智能平臺(tái)的研發(fā)提供了充足的機(jī)會(huì)。在這方面的創(chuàng)新可以通過(guò)自動(dòng)測(cè)量、病理特征(瓣膜疾病、局部室壁運(yùn)動(dòng)異常、心肌病)的識(shí)別在治療中快速應(yīng)用，可以改進(jìn)和標(biāo)準(zhǔn)化目前流程。超聲心動(dòng)圖人工智能研究的優(yōu)勢(shì)和前景在于識(shí)別可能提示亞臨床疾病或預(yù)后的細(xì)微或未被識(shí)別的影像學(xué)特征。

盡管人工智能模型的性能持續(xù)改善，但重要的是要承認(rèn)，人工智能必須克服一些重要的挑戰(zhàn)，才能安全地應(yīng)用于臨床實(shí)踐。與任何模型一樣，研發(fā)數(shù)據(jù)的質(zhì)量和臨床特征是必須的參考因素。超聲心動(dòng)圖相關(guān)的數(shù)據(jù)數(shù)量大且復(fù)雜，一個(gè)強(qiáng)大的超聲心動(dòng)圖人工智能平臺(tái)將需要對(duì)大量研究進(jìn)行培訓(xùn)和驗(yàn)證，這些研究包括廣泛的臨床特征、病理特征、超聲機(jī)器供應(yīng)商和圖像質(zhì)量等。目前關(guān)于超聲心動(dòng)圖人工智能的研究通常存在樣本規(guī)模小、受機(jī)構(gòu)、地理因素、超聲心動(dòng)圖機(jī)器品牌限制，這就可能存在過(guò)度融合和限制平臺(tái)通用性的風(fēng)險(xiǎn)。此外，目前超聲心動(dòng)圖研究很大程度上依賴于人的解釋，人在解釋和測(cè)量方面存在內(nèi)在的差異性。

超聲心動(dòng)圖人工智能代表了一個(gè)激動(dòng)人心的機(jī)會(huì)，它將徹底改變臨床實(shí)踐。經(jīng)過(guò)驗(yàn)證的超聲心動(dòng)人工智能模型將有能力提高質(zhì)量，進(jìn)行即時(shí)醫(yī)療決策，并促進(jìn)公平獲得診斷評(píng)價(jià)。預(yù)計(jì)超聲心動(dòng)圖人工智能將影響患者診治，期待相關(guān)改善臨床結(jié)果和成本效益的臨床研究。

心臟核醫(yī)學(xué)

與心臟病學(xué)的其他學(xué)科不同，人工智能技術(shù)已經(jīng)被納入心臟核醫(yī)學(xué)的一些常規(guī)操作。人工智能算法已被應(yīng)用于圖像處理，允許進(jìn)行完全自動(dòng)的單光子發(fā)射計(jì)算機(jī)斷層掃描(SPECT)、心肌灌注成像(MPI)運(yùn)動(dòng)校正、重建、量化和高水平分析。

商業(yè)化和美國(guó)食品藥物管理局批準(zhǔn)的圖像軟件已經(jīng)納入正常心肌灌注分布的數(shù)據(jù)庫(kù)，為專家讀者提供計(jì)算機(jī)輔助診斷工具，用于識(shí)別低灌注心肌。這些類型的自動(dòng)化，以及機(jī)器學(xué)習(xí)的數(shù)字圖像數(shù)據(jù)，以及人工智能算法的SPECT MPI數(shù)據(jù)，單獨(dú)使用或者結(jié)合臨床特點(diǎn)，進(jìn)一步提高了冠心病診斷的預(yù)后判斷價(jià)值，為是否血運(yùn)重建提供合理的臨床決策依據(jù)。

提高診斷性能  

在一項(xiàng)單中心研究中，ML算法包含成像變量(通過(guò)定量軟件進(jìn)行的靜息和壓力SPECT的灌注缺失、缺血變化和射血分?jǐn)?shù)變化)在總體患者診斷準(zhǔn)確性方面優(yōu)于單個(gè)定量成像參數(shù)(86% vs 81%;P＜0.01)。ML算法檢測(cè)阻塞性CAD的曲線下總面積(AUC) ( 0.92 ± 0.01)也顯著高于兩個(gè)人工讀片者(0.87±0.01和0.88 ±0.01; P＜0. 05)。使用不同的數(shù)據(jù)集，同一組人創(chuàng)建了集成臨床和成像變量(由自動(dòng)化軟件生成的總灌注不足[TPD])的人工智能算法。研究證明ML(87.3%±2.1%)的準(zhǔn)確性高于一個(gè)或者兩個(gè)專家讀片者 (82.1% ±2.2%)或自動(dòng)TPD (82.8% ±2.2%)。在檢測(cè)檢測(cè)阻塞性CAD方面有更高的敏感性。一項(xiàng)1638名參與多中心研究顯示：無(wú)已知CAD的患者使用SPECT掃描儀也發(fā)現(xiàn)與傳統(tǒng)相比，深度學(xué)習(xí)(DL)利用原始和定量的MPI極地圖的AUC值均更高?；谶@些研究，人工智能算法在預(yù)測(cè)梗阻性CAD方面比目前的臨床方法提高了大約2.5%。其他研究發(fā)現(xiàn)一致，與專家醫(yī)師視覺分析相比，訓(xùn)練有素的神經(jīng)網(wǎng)絡(luò)在識(shí)別特定冠狀動(dòng)脈狹窄病變引起的低灌注分布方面具有類似的良好性能。

治療和預(yù)后預(yù)測(cè)

在首次MPI掃描后90天內(nèi)進(jìn)行相關(guān)侵入性血管造影的713例SPECT MPI研究中，人工智能方法也被用于預(yù)測(cè)疑似CAD患者的早期血運(yùn)重建。通過(guò)ML算法對(duì)幾個(gè)自動(dòng)衍生的影像學(xué)變量和臨床參數(shù)進(jìn)行整合，包括性別、高血壓和糖尿病史、基線心電圖ST段壓低、運(yùn)動(dòng)心電圖和臨床變化 (總共33個(gè)變量)，以預(yù)測(cè)血運(yùn)重建事件。ML預(yù)測(cè)血流量重建的AUC(0.81±0.02)與單個(gè)醫(yī)生的AUC(0.81±0.02)相近，優(yōu)于另一個(gè)醫(yī)生的AUC (0.72+0.02; P＜0. 05)。因此，在本研究中，ML在預(yù)測(cè)MPI后早期血運(yùn)重建方面與有經(jīng)驗(yàn)的醫(yī)生相當(dāng)或更好。在預(yù)后方面，Betancur等人研究了2619例SPECT MPI患者，并將28個(gè)臨床、17個(gè)壓力測(cè)試和25個(gè)成像變量(包括TPD)整合到人工智能算法中來(lái)預(yù)測(cè)主要心臟事件。在超過(guò)3.2+0.6年的隨訪中，他們比較了AUC對(duì)以下結(jié)果的預(yù)測(cè):(1)ML與所有可用數(shù)據(jù)(ML combined)， (2) ML與僅影像學(xué)數(shù)據(jù)(ML-imaging)，(3) 5分制診斷(內(nèi)科診斷)，(4)自動(dòng)化定量成像分析(負(fù)荷TPD和缺血性TPD)。他們發(fā)現(xiàn)，ML聯(lián)合組的MACE預(yù)測(cè)顯著高于ML成像組(AUC, 0.81 vs 0.78; P＜0.01)。ML組合模型的預(yù)測(cè)精度也高于內(nèi)科診斷、自動(dòng)壓力TPD和自動(dòng)缺血TPD (AUC，分別為0.81 vs 0.65、0.73和0.71; P＜0.01)。與醫(yī)生的診斷相比，聯(lián)合治療的風(fēng)險(xiǎn)重分類為26% (P＜0.01)?；谒麄兊难芯拷Y(jié)果，建議人工智能可以整合臨床和影像數(shù)據(jù)，對(duì)接受SPECT MPI的患者進(jìn)行個(gè)性化MACE風(fēng)險(xiǎn)計(jì)算。

人工智能驅(qū)動(dòng)的結(jié)構(gòu)化報(bào)告CDS。人工智能驅(qū)動(dòng)的算法也被納入了第一個(gè)也是唯一一個(gè)獲得美國(guó)食品和藥物管理局批準(zhǔn)的核成像軟件，使用CDS工具和自然語(yǔ)言自動(dòng)生成報(bào)告。該系統(tǒng)集成了超過(guò)230條規(guī)則、可逆性、功能和患者人口學(xué)特征，包括俯臥位與仰臥位、衰減校正與未衰減校正的圖像結(jié)果以及質(zhì)量控制數(shù)據(jù)等額外信息。一項(xiàng)對(duì)1000名患者的研究驗(yàn)證了這種人工智能驅(qū)動(dòng)的報(bào)告系統(tǒng)檢測(cè)CAD，結(jié)果顯示人工智能驅(qū)動(dòng)的結(jié)構(gòu)化報(bào)告與9名專家對(duì)CAD缺血印象之間一致性沒有顯著差異。

定量工具已經(jīng)在核心臟病學(xué)的實(shí)踐中常規(guī)使用，但結(jié)合多種特征和臨床數(shù)據(jù)的更高水平的工具還不普遍。最近的研究表明，在臨床實(shí)踐中有很高的應(yīng)用潛力。除了精煉和構(gòu)建研究以提高診斷和預(yù)后，即將到來(lái)的人工智能在核心臟病學(xué)的重點(diǎn)應(yīng)該包括開發(fā)人工智能驅(qū)動(dòng)算法，以幫助臨床決策的適宜性測(cè)試、選擇測(cè)試、調(diào)度、工作流優(yōu)先級(jí)、協(xié)議、報(bào)告、和患者管理。這些發(fā)展不會(huì)取代醫(yī)生和其他衛(wèi)生保健專業(yè)人員的角色，但將為他們提供高度精確的工具，以更一致的方式檢測(cè)疾病，風(fēng)險(xiǎn)分層，并優(yōu)化針對(duì)患者的管理。

電生理學(xué)

在電生理學(xué)中集成AI的幾個(gè)重要機(jī)會(huì)包括數(shù)據(jù)管理(即，如何允許管理大量患者數(shù)據(jù))、數(shù)據(jù)解釋(即，如何復(fù)雜數(shù)據(jù)專家解釋的大眾化)，以及多種模式獲取的數(shù)據(jù)的實(shí)時(shí)集成。此外，使用人工智能增強(qiáng)的、經(jīng)濟(jì)效益獲得的電生理學(xué)數(shù)據(jù)(如ECG)的不斷發(fā)展的發(fā)現(xiàn)表明，篩查通常與心電圖無(wú)關(guān)的疾病的能力可能為改善人口健康提供可擴(kuò)展的機(jī)會(huì)。

目前電生理學(xué)的主要爭(zhēng)論之一是如何將動(dòng)態(tài)獲得的心電圖納入臨床實(shí)踐。一些工具，包括可植入記錄儀和面向消費(fèi)者的智能手機(jī)或支持智能手表的心電圖設(shè)備，在許多情況下，在他們被確定為已知的心血管疾病患者之前，允許對(duì)人群進(jìn)行更具成本效益的篩查。例如，個(gè)人可以通過(guò)互聯(lián)網(wǎng)購(gòu)買自己的心電圖設(shè)備，記錄自己的心電圖，然后需要對(duì)這些數(shù)據(jù)進(jìn)行準(zhǔn)確的解釋。盡管能夠準(zhǔn)確和自動(dòng)解釋這些心電圖的系統(tǒng)已經(jīng)得到了改進(jìn)，但仍然存在假陽(yáng)性或假陰性的風(fēng)險(xiǎn)。閱讀心電圖的專業(yè)知識(shí)被下放到基層醫(yī)療機(jī)構(gòu)，使得ECG在獲得變得更加方便，初步數(shù)據(jù)表明，人工智能技術(shù)可能進(jìn)一步改善這些心電圖的解讀，并為那些需要看醫(yī)生(包括心臟病專家或電生理學(xué)家)的人提供合適的分流。然而，目前還無(wú)法在人口水平上評(píng)價(jià)計(jì)算的需要和效力。

電生理學(xué)的另一個(gè)當(dāng)前問(wèn)題是如何更好地促進(jìn)復(fù)雜的電生理學(xué)數(shù)據(jù)的解釋。例如，QT間期的測(cè)量對(duì)于識(shí)別那些有猝死風(fēng)險(xiǎn)或抗心律失常藥物毒性風(fēng)險(xiǎn)的人很重要，但已經(jīng)發(fā)現(xiàn)其變異性大，即使在心臟病學(xué)專家和一些電生理專家中評(píng)價(jià)一致性也存在。初步數(shù)據(jù)表明，DL人工智能技術(shù)可能有助于僅從心電圖圖像識(shí)別特定QT間期帶來(lái)的風(fēng)險(xiǎn)。此外，利用專家級(jí)QT解釋來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)可能有潛力提高非電生理學(xué)家和非心臟病學(xué)家的解釋準(zhǔn)確性。這些原則適用于其他電生理數(shù)據(jù)，如心律失常心腔圖的解釋。

當(dāng)前電生理學(xué)的另一個(gè)主要機(jī)遇是如何整合通常多種不同的互補(bǔ)但單獨(dú)獲得的數(shù)據(jù)，以促進(jìn)對(duì)特定患者的治療的正確解釋和優(yōu)化。在心律失常患者接受侵入性電生理檢查和消融術(shù),術(shù)前影像的組合(例如,磁共振成像評(píng)估疤痕分布、心電圖評(píng)估心律失常的起源)和術(shù)中成像(如心臟內(nèi)的超聲心動(dòng)圖、透視)可用來(lái)優(yōu)化治療。然而，由于這些數(shù)據(jù)都是在通過(guò)不同技術(shù)不同時(shí)間點(diǎn)獲得的。最近的數(shù)據(jù)表明，人工智能技術(shù)可以促進(jìn)數(shù)據(jù)集成，這反過(guò)來(lái)可以幫助醫(yī)生更有效率，或者更有效地識(shí)別和定位與患者病情有關(guān)的部位。

最后，將人工智能技術(shù)應(yīng)用于電生理數(shù)據(jù)的一個(gè)主要機(jī)會(huì)不僅是大眾化、規(guī)?；痛龠M(jìn)數(shù)據(jù)的準(zhǔn)確解釋和合成的能力，而且是通過(guò)非人類可解釋的見解來(lái)改善人口健康的能力。這一原則的關(guān)鍵在于心電圖可能包含一些人類無(wú)法輕易理解的微妙之處。舉個(gè)例子，有研究顯示，僅使用心電圖來(lái)識(shí)別低EF的可能，并且有高精確度。又有幾個(gè)其他條件可能同樣從心電圖識(shí)別，從而提高風(fēng)險(xiǎn)分層人口水平可伸縮的、低成本的方式。因此，從心電圖中識(shí)別診斷不足、有可能治療的疾病的能力具有成本效益的改善人口健康問(wèn)題。

冠心病檢測(cè)與預(yù)后

急性冠脈綜合征(ACS)是冠心病最危急的類型，通常根據(jù)心電圖和生物標(biāo)志物分為ST段抬高型心肌梗死(STEMI)、非ST段抬高型心肌梗死(NSTEMI)和不穩(wěn)定型心絞痛(UA)?？焖傩碾妶D評(píng)估進(jìn)行診斷對(duì)STEMI的及時(shí)治療至關(guān)重要。通過(guò)單導(dǎo)智能手機(jī)平臺(tái)，快速診斷現(xiàn)已被證明是可行的。這項(xiàng)技術(shù)可以廣泛傳播，并與ML相結(jié)合，對(duì)STEMI患者進(jìn)行快速分診。加速轉(zhuǎn)運(yùn)到經(jīng)皮冠狀動(dòng)脈介入治療機(jī)構(gòu)可以更及時(shí)改善治療結(jié)果。醫(yī)院外心臟驟停的研究也在進(jìn)行中，其中大部分是由ACS引起的。機(jī)器學(xué)習(xí)算法已被用于分析通過(guò)智能家庭揚(yáng)聲器和電話的家庭錄音，以識(shí)別窒息樣呼吸，這是心臟驟停的典型跡象。對(duì)這類記錄的準(zhǔn)確檢測(cè)可使人們發(fā)現(xiàn)心臟驟停，并對(duì)家中發(fā)生的大量未被目擊的心臟驟?；颊邌?dòng)緊急措施。

在STEMI以外的ACS (即NSTEMI和UA)中，管理可能不那么明確。在這個(gè)方面早期診治嘗試用ML進(jìn)行12導(dǎo)聯(lián)心電圖解釋是有意義的。UA/NSTEMI的治療主要基于風(fēng)險(xiǎn)分層，據(jù)研究ML改善了先前驗(yàn)證過(guò)的模型，如TIMI或GRACE風(fēng)險(xiǎn)評(píng)分。同樣，對(duì)死亡率和/或治療并發(fā)癥的長(zhǎng)期預(yù)測(cè)可以提高。對(duì)高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)患者的識(shí)別的改進(jìn)將有助于提高資源的利用率和更個(gè)體化的治療。目前研究正在努力綜合多種非心臟數(shù)據(jù)，以進(jìn)一步完善ACS的診斷、治療和預(yù)后。病情穩(wěn)定的CAD患者也可能通過(guò)人工智能得到改善，例如，識(shí)別可能受益于血運(yùn)重建的患者，或平衡抗栓益處和出血風(fēng)險(xiǎn)，選擇最合適的抗血小板策略。

上述的工作代表了人工智能在冠心病從預(yù)防到治療廣泛應(yīng)用的可能性。很明顯，在目前的許多情況下，通過(guò)隨機(jī)對(duì)照試驗(yàn)進(jìn)行臨床驗(yàn)證仍需要繼續(xù)進(jìn)行。然而，令人鼓舞的是，即使是在ML對(duì)CAD影響的初期階段，它也有望提供更好的預(yù)后和挖掘新的危險(xiǎn)因素，這將進(jìn)一步幫助CAD患者的治療。

冠狀動(dòng)脈造影和介入

介入心臟病學(xué)傳統(tǒng)上一直處于心血管創(chuàng)新的前沿。在過(guò)去的十年里，侵入性血管內(nèi)成像、生理學(xué)、血流動(dòng)力學(xué)、機(jī)器人技術(shù)、和雜交心血管外科手術(shù)等得到了快速發(fā)展。診斷預(yù)測(cè)、治療策略設(shè)計(jì)、設(shè)備選擇、程序優(yōu)化和并發(fā)癥的避免都是人工智能應(yīng)用有望取得快速進(jìn)展的領(lǐng)域。

早期應(yīng)用人工智能評(píng)估冠狀動(dòng)脈的研究包括最近的CEREBRIA-1研究，這些研究驗(yàn)證了在冠狀動(dòng)脈病變重要生理功能評(píng)價(jià)和推薦血管重建中，ML和人工智能非劣于常規(guī)診治。

目前各地都有很好的心血管急救系統(tǒng)，但在關(guān)鍵的早期診斷和管理決策存在相當(dāng)大的差異。未來(lái)，智能算法可能會(huì)在第一次呼叫時(shí)立即審查患者的病史和危險(xiǎn)因素，并通過(guò)一系列預(yù)測(cè)性問(wèn)題在運(yùn)輸服務(wù)到達(dá)醫(yī)院之前建立初步診斷。隨著可以掃描皮膚行靜脈穿刺設(shè)備的發(fā)展，無(wú)需人工干預(yù)的高分辨率計(jì)算機(jī)斷層掃描儀可提供冠狀動(dòng)脈的解剖和生理評(píng)估?？旖莸男碾妶D可能提供明確的診斷信息，并在5到10分鐘內(nèi)抵達(dá)急診室。上述步驟甚至可能不需要任何人工干預(yù)或評(píng)估，并可能導(dǎo)致不會(huì)首選侵入性冠狀動(dòng)脈造影，可以在必要時(shí)進(jìn)行?；谌斯ぶ悄艿脑\斷方法已被用于分析冠狀動(dòng)脈病變功能學(xué)評(píng)價(jià)，迄今為止結(jié)果不一。Cho等人的一項(xiàng)研究表明，總的來(lái)說(shuō)，血管造影功能學(xué)分析的準(zhǔn)確性可能接近82%的FFR。

在過(guò)去的十年里，用于冠狀動(dòng)脈介入治療的磁導(dǎo)航系統(tǒng)和機(jī)器人技術(shù)已經(jīng)出現(xiàn)，但一直受到高昂成本和低效界面的阻礙。人工智能引導(dǎo)的血管通路和介入設(shè)備導(dǎo)航到病變部位將是可行的，多模式技術(shù)將實(shí)時(shí)熱、超聲和流量數(shù)據(jù)與機(jī)器人和以前獲得的診斷計(jì)算機(jī)圖像融合在一起。同樣，通過(guò)人工智能引導(dǎo)設(shè)備進(jìn)行冠狀動(dòng)脈血運(yùn)重建或藥物治療也是可行的，心臟介入團(tuán)隊(duì)可以在不暴露于電離輻射的情況下監(jiān)測(cè)和控制設(shè)備。能夠自動(dòng)導(dǎo)航到動(dòng)脈粥樣硬化區(qū)域并提供靶向治療的納米顆粒已經(jīng)在開發(fā)中，內(nèi)部和外部的磁性引導(dǎo)和配體連接聚集，可以進(jìn)一步產(chǎn)生有益的效果，同時(shí)最大限度地減少對(duì)其他器官的不利影響。

瓣膜疾病、先天性和后天異常以及生命維持技術(shù)也將是人工智能應(yīng)用的主要領(lǐng)域。將來(lái)在心導(dǎo)管實(shí)驗(yàn)室，在時(shí)間和空間上實(shí)時(shí)評(píng)估和整合患者解剖結(jié)構(gòu)信息，結(jié)合自體活細(xì)胞和聚合物剛性金屬?gòu)?fù)合材料，進(jìn)行3D打印,可能介入心臟病學(xué)的一個(gè)重要方向。

心臟衰竭

目前心力衰竭(HF)診治模式不成熟，診斷延遲常見，心力衰竭的許多危險(xiǎn)因素并沒有認(rèn)識(shí)，治療和控制相對(duì)較低。大多數(shù)射血分?jǐn)?shù)減低和射血分?jǐn)?shù)保留的心衰患者沒有接受已被證明的降低死亡率和發(fā)病率的治療或者在進(jìn)行低劑量的治療。此外，HF表型的病理生理學(xué)特征仍處于研究階段。人工智能支持的策略有潛力解決這些問(wèn)題。

心臟衰竭預(yù)防

臨床試驗(yàn)證實(shí)，心衰預(yù)防可顯著降低心衰發(fā)病率。心衰預(yù)防需要一種方法來(lái)識(shí)別心衰風(fēng)險(xiǎn)患者和心衰預(yù)防干預(yù)過(guò)程。心衰風(fēng)險(xiǎn)識(shí)別部分可以幫助集中干預(yù)這部分患者，從而提高可行性，降低總體成本。干預(yù)部分的效果將決定整體人群心衰防治的效益。

目前心衰危險(xiǎn)評(píng)分應(yīng)用于臨床少見。Ng等人開發(fā)了監(jiān)督ML算法，利用EHR數(shù)據(jù)預(yù)測(cè)突發(fā)HF。ML算法預(yù)測(cè)未來(lái)HF的AUC約為0.79，在檢測(cè)即將到來(lái)(6個(gè)月)HF時(shí)更為準(zhǔn)確。雖然AI算法可能沒有比傳統(tǒng)模型更好的預(yù)測(cè)價(jià)值, ML算法嵌入到電子健康檔案可以為醫(yī)生提供即時(shí)風(fēng)險(xiǎn)信息(病人)，可以調(diào)整隨著時(shí)間的推移風(fēng)險(xiǎn)的變化，如果危險(xiǎn)因素變化，并整合心電圖或圖像分析、可穿戴設(shè)備和其他數(shù)據(jù)，風(fēng)險(xiǎn)預(yù)測(cè)算法可能會(huì)更精確的預(yù)測(cè)個(gè)體獨(dú)有的風(fēng)險(xiǎn)因素。

未來(lái)人工智能心衰風(fēng)險(xiǎn)評(píng)估工具的開發(fā)，預(yù)先與有計(jì)劃的干預(yù)相結(jié)合，以降低心衰發(fā)病率。這些干預(yù)措施可以包括一種新的治療模式，一些特定的治療藥物或智能決策，以鼓勵(lì)臨床醫(yī)生和患者治療心衰危險(xiǎn)因素。臨床試驗(yàn)應(yīng)該評(píng)估風(fēng)險(xiǎn)預(yù)測(cè)和干預(yù)策略，以驗(yàn)證采用有效的策略來(lái)降低心衰發(fā)病率。

心衰住院預(yù)防 

心衰住院預(yù)防措施也需要一種方法來(lái)識(shí)別有風(fēng)險(xiǎn)的患者和住院防治監(jiān)測(cè)。傳統(tǒng)的統(tǒng)計(jì)模型在再入院預(yù)測(cè)方面的性能較差，而且基于人工智能的模型也受到了限制。有三項(xiàng)研究使用監(jiān)督ML(包括大隊(duì)列的DL算法)來(lái)預(yù)測(cè)心衰住院后的再入院，報(bào)告的AUC從0.63到0.71。因此，需要更多的工作來(lái)提高不同算法的預(yù)測(cè)能力，識(shí)別心衰再入院的風(fēng)險(xiǎn)。

雖然ML可能提升風(fēng)險(xiǎn)預(yù)測(cè)，但更令人煩惱的問(wèn)題是，一旦認(rèn)識(shí)到風(fēng)險(xiǎn)增加，如何防止再入院。醫(yī)療機(jī)構(gòu)為減少再入院而采取的多種策略所產(chǎn)生的影響微乎其微。使用外部遠(yuǎn)程監(jiān)測(cè)系統(tǒng)或植入設(shè)備(除顫器或起搏器)診斷的遠(yuǎn)程監(jiān)測(cè)在防止入院或再入院方面是無(wú)效的，只有基于肺動(dòng)脈壓的遠(yuǎn)程監(jiān)測(cè)策略被證明對(duì)減少心衰住院有效。最令人震驚的是，減少再入院的策略與心衰住院后短期和長(zhǎng)期死亡率的增加相關(guān)。因此，必須在臨床試驗(yàn)中仔細(xì)研究人工智能的住院風(fēng)險(xiǎn)預(yù)測(cè)和新的干預(yù)策略，以確保有效性和安全性。

心衰管理 

人工智能分析可以在心力衰竭患者實(shí)時(shí)提供可操作的信息，通過(guò)識(shí)別那些確診患者，有無(wú)按照規(guī)定GDMT或接收的最佳劑量，有無(wú)依從治療計(jì)劃，或最有可能受益于某些特定的心衰療法。這類人工智能生成的信息可以以更新穎的、便捷、智能的方式提供給患者和醫(yī)生，這些信息可能會(huì)影響患者的治療 (為患者提供決策輔助、特定問(wèn)題的醫(yī)生或患者教育、支持聯(lián)系，或其他區(qū)域或衛(wèi)生保健系統(tǒng)特定的資源)。這種方法更類似于高度成功商業(yè)的人工智能分析所提供的數(shù)據(jù)，而人工智能在醫(yī)療保健領(lǐng)域的應(yīng)用尚未達(dá)到這種成功水平。

人工智能在闡明心衰病理生理學(xué)、

精準(zhǔn)醫(yī)學(xué)和新療法中的作用

目前，HF的廣泛特征是EF和推測(cè)的病因。非監(jiān)督ML分析(如聚類分析)可以識(shí)別獨(dú)特的HF表型，然后使用傳統(tǒng)統(tǒng)計(jì)方法或監(jiān)督學(xué)習(xí)技術(shù)來(lái)確定所識(shí)別的表型是否具有不同的預(yù)后或?qū)χ委煹哪褪苄曰蚍磻?yīng)。此類分析已在HFpEF和HFREF的HF患者中進(jìn)行，使用臨床數(shù)據(jù)作為輸入變量，確定具有不同預(yù)后的HFpEF和HFrEF表型。將來(lái)需要臨床特征以外的數(shù)據(jù)比如基因組、蛋白質(zhì)組數(shù)據(jù)、微生物組、新的臨床數(shù)據(jù)，心電圖或圖像分析，來(lái)進(jìn)一步診斷心衰患者的表型，可以通過(guò)新的治療靶點(diǎn)或診斷/預(yù)后生物標(biāo)志物識(shí)別獨(dú)特的病理生理變化，并確定其精確性或新的心衰治療方法。

預(yù)防心臟病學(xué)

冠心病的研究已經(jīng)產(chǎn)生了一些概念，這些概念被認(rèn)為是現(xiàn)代醫(yī)學(xué)的基礎(chǔ)，包括識(shí)別和添加相關(guān)條件的風(fēng)險(xiǎn)因素到風(fēng)險(xiǎn)分層的整體模型。人工智能的定位是通過(guò)分析大量的變量，識(shí)別非線性關(guān)聯(lián)，并幫助識(shí)別新的危險(xiǎn)因素。

目前，在冠心病和動(dòng)脈粥樣硬化性心血管疾病的初級(jí)風(fēng)險(xiǎn)分層中最常用的工具是美國(guó)心臟病學(xué)會(huì)/美國(guó)心臟協(xié)會(huì)聯(lián)合隊(duì)列方程風(fēng)險(xiǎn)計(jì)算器，這是一種有價(jià)值但不精確的工具。使用相同的9個(gè)傳統(tǒng)風(fēng)險(xiǎn)因素，ML算法能夠顯著地改善風(fēng)險(xiǎn)分層，包括發(fā)現(xiàn)13%的高風(fēng)險(xiǎn)個(gè)體和推薦25%的低風(fēng)險(xiǎn)個(gè)體的他汀類藥物治療，部分原因是非線性關(guān)系的識(shí)別。相比之下，一項(xiàng)單獨(dú)的研究使用了每個(gè)人多達(dá)735個(gè)變量來(lái)改進(jìn)隊(duì)列風(fēng)險(xiǎn)計(jì)算器，并強(qiáng)調(diào)了包括非傳統(tǒng)風(fēng)險(xiǎn)因素的重要性。有趣的是，與在算法中包含大量數(shù)據(jù)后的預(yù)期相反，與前面提到的僅使用標(biāo)準(zhǔn)CAD風(fēng)險(xiǎn)因素的算法相比，使用數(shù)百個(gè)變量的預(yù)測(cè)性能并沒有更好。

機(jī)器學(xué)習(xí)是一種創(chuàng)新和強(qiáng)大的工具，可以將非傳統(tǒng)和未知的危險(xiǎn)因素納入心血管風(fēng)險(xiǎn)分層。例如，利用生物信號(hào)如視網(wǎng)膜眼底圖像作為生物樣本庫(kù)的一部分，并在沒有任何其他臨床特征的情況下用于預(yù)測(cè)心血管風(fēng)險(xiǎn)因素。同樣，通過(guò)使用ML算法通過(guò)智能手機(jī)錄音進(jìn)行的語(yǔ)音分析揭示了與CAD相關(guān)的特征。這些例子只是許多可能有用的新數(shù)字生物標(biāo)記信息中的一小部分。預(yù)測(cè)動(dòng)脈粥樣硬化性心血管事件的方法可能需要改變一些公認(rèn)的范式,例如時(shí)間范圍評(píng)估結(jié)果低于10年的隨訪，使用串行數(shù)據(jù)獲得多個(gè)時(shí)間點(diǎn)，并考慮更多的無(wú)監(jiān)督學(xué)習(xí)方法而不是選擇變量生物合理性。

臨床決策支持

在一個(gè)醫(yī)學(xué)知識(shí)不斷增長(zhǎng)和病人管理的復(fù)雜性日益增加的時(shí)代，對(duì)診斷和治療選擇，需要標(biāo)準(zhǔn)化的方案。事實(shí)上，應(yīng)授權(quán)將CDS系統(tǒng)與電子病歷相結(jié)合，向醫(yī)護(hù)人員提供最新的醫(yī)學(xué)知識(shí)和循證指導(dǎo)。直到最近，大多數(shù)部署在醫(yī)療保健中的CDS系統(tǒng)都僅限于訪問(wèn)電子病歷中的結(jié)構(gòu)化數(shù)據(jù)，如實(shí)驗(yàn)室結(jié)果。然而，非結(jié)構(gòu)化臨床敘述中的信息可能會(huì)被NLP提取。以前，NLP工具僅限于研究，并沒有用于生成自動(dòng)輸入到CDS系統(tǒng)。重要的是，利用NLP來(lái)搜索數(shù)字電子病歷的電子工具也能夠?yàn)镃DS程序提供自動(dòng)輸入，從而提供針對(duì)患者的個(gè)性化信息，以便在治療時(shí)以患者為中心做出決定。為了實(shí)現(xiàn)這種情況，進(jìn)行自然語(yǔ)言處理，以提供高性能、可擴(kuò)展和實(shí)時(shí)的解決方案。梅奧診所最近報(bào)道了這種方法對(duì)特定疾病的可行性，方法是將經(jīng)過(guò)驗(yàn)證的基于規(guī)則的NLP算法安裝到梅奧診所EHR的大數(shù)據(jù)基礎(chǔ)設(shè)施中，從而為外周動(dòng)脈疾病患者的CDS系統(tǒng)生成個(gè)性化輸入。還能夠顯示相關(guān)的實(shí)驗(yàn)室檢測(cè)結(jié)果和外周動(dòng)脈疾病患者的自動(dòng)預(yù)后評(píng)估，使用結(jié)構(gòu)化數(shù)據(jù)元素和自動(dòng)風(fēng)險(xiǎn)計(jì)算器，這些數(shù)據(jù)來(lái)自基于社區(qū)的研究生成的模型。原則上，類似的方法將可能用于廣泛的其他心血管健康疾病，建設(shè)標(biāo)準(zhǔn)化和高質(zhì)量文檔的醫(yī)療保健系統(tǒng)，最終實(shí)現(xiàn)將正確的信息在正確的時(shí)間為正確的病人提供正確決策。

人工智能在優(yōu)化心血管研究中的應(yīng)用

人工智能(包括ML和DL)可應(yīng)用于全基因組測(cè)序、移動(dòng)設(shè)備生物識(shí)別和EHR數(shù)據(jù)處理。機(jī)器學(xué)習(xí)正在改變心血管疾病的診斷、風(fēng)險(xiǎn)預(yù)測(cè)、預(yù)防和治療方法。這些新方法提供了可觀的前景，包括快速整合大量數(shù)據(jù)，個(gè)體化的診斷和治療，以及潛在關(guān)系的評(píng)價(jià)。然而，它們確實(shí)產(chǎn)生了新的方法論上的挑戰(zhàn)。表型必須標(biāo)準(zhǔn)化，優(yōu)化其可靠性，數(shù)據(jù)集成等。數(shù)據(jù)的可追溯性、有效性和再現(xiàn)性必須體現(xiàn)。在研究設(shè)計(jì)和結(jié)果解釋時(shí)，必須考慮新的偏倚，包括地理、人口和社會(huì)經(jīng)濟(jì)地位造成的數(shù)字鴻溝和互聯(lián)網(wǎng)接入差異等。最后，必須考慮到數(shù)據(jù)缺失和治療方式的變化。的確，與原始數(shù)據(jù)收集不同，醫(yī)療記錄數(shù)據(jù)是在給定的臨床事件中收集的，直接與患者的健康狀況和求醫(yī)行為以及臨床醫(yī)生的治療有關(guān)。因?yàn)闆Q定觀察時(shí)間的是病人和醫(yī)生，而不是研究人員，所以從數(shù)據(jù)中得出的結(jié)論會(huì)有所不同。這些重要問(wèn)題強(qiáng)調(diào)了團(tuán)隊(duì)科學(xué)的重要性，將臨床醫(yī)生、數(shù)據(jù)科學(xué)家和統(tǒng)計(jì)學(xué)家聚集在一起，以確立這些工具的有效性和可靠性。

表型和風(fēng)險(xiǎn)預(yù)測(cè)

目前的方法和評(píng)分系統(tǒng)對(duì)于有效的臨床應(yīng)用來(lái)說(shuō)往往過(guò)于繁瑣，并且在不同人群中不能很好地復(fù)制，因此在臨床上必須提高病例識(shí)別和結(jié)果預(yù)測(cè)的準(zhǔn)確性和有效性。除了電子病歷的豐富數(shù)據(jù)之外，其他類型的結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)也適用于ML技術(shù)。這些因素包括但不限于心電圖、超聲心動(dòng)圖和其他影像學(xué)研究的數(shù)據(jù)。使用ML進(jìn)行表型分析的一個(gè)例子是HFpEF患者的特征描述和這些患者的生存預(yù)測(cè)。Shah等人使用無(wú)監(jiān)督ML，在HFpEF患者中確定了3個(gè)不同的組，通過(guò)監(jiān)督學(xué)習(xí)，他們檢查了不同組在死亡和住院方面的差異。這些有意義的結(jié)果需要在其他隊(duì)列中驗(yàn)證，但從兩一方面說(shuō)明了人工智能可以應(yīng)用到EHR的豐富環(huán)境中。另一個(gè)例子是Attia等人將人工智能應(yīng)用于心電圖數(shù)據(jù)，以識(shí)別無(wú)癥狀左心室44,959例患者出現(xiàn)功能障礙。訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別心室功能障礙患者，定義EF為35%或更少，僅使用心電圖數(shù)據(jù)。在52870名患者的獨(dú)立測(cè)試中，網(wǎng)絡(luò)模型的AUC值、敏感性、特異性和準(zhǔn)確性分別為0.93、86.3%、85.7%和85.7%。這些研究結(jié)果說(shuō)明了將人工智能應(yīng)用于心電圖數(shù)據(jù)，可以提供一種識(shí)別心室功能障礙的篩查工具。

臨床試驗(yàn)

招募試驗(yàn)參與者被普遍認(rèn)為是低效、耗時(shí)耗力，這會(huì)延緩新治療的進(jìn)展和最終的病人治療的延誤。將人工智能應(yīng)用于電子病例將患者特征與試驗(yàn)納入和排除標(biāo)準(zhǔn)匹配，可以提高預(yù)篩的效率。

傳感器

可穿戴傳感器在健康預(yù)防和疾病管理中的應(yīng)用是一個(gè)有意義的課題，而人工智能在這個(gè)新興領(lǐng)域的貢獻(xiàn)是獨(dú)一無(wú)二的。一個(gè)例子是使用智能手表數(shù)據(jù)來(lái)檢測(cè)房顫數(shù)據(jù)。一個(gè)深度神經(jīng)網(wǎng)絡(luò)，使用依賴于R-R間隔近似表示的啟發(fā)式預(yù)訓(xùn)練，與參考標(biāo)準(zhǔn)心電圖相比，表現(xiàn)出有意義的性能。在9750名參與者中進(jìn)行的這項(xiàng)研究建立了概念證明，與標(biāo)準(zhǔn)心電圖相比，智能手表可以檢測(cè)心房纖顫，但靈敏度和特異性有所降低。

未來(lái): AI的挑戰(zhàn)

由于人工智能在醫(yī)學(xué)上的應(yīng)用似乎越來(lái)越不可避免，我們必須靜心思考實(shí)施中的困難。事實(shí)上，許多最初有希望的技術(shù)在更廣泛的測(cè)試中失敗的例子已經(jīng)出現(xiàn)在其他領(lǐng)域的新聞上。這些例子包括面部識(shí)別軟件在不同人群中的失敗，刑事司法系統(tǒng)中特別令人擔(dān)憂的例子，人工智能可能在其中錯(cuò)誤持續(xù)下去，從而使不公平一直存在，甚至還有一些可推廣性差的醫(yī)療篩查測(cè)試。

當(dāng)用于訓(xùn)練算法的數(shù)據(jù)集質(zhì)量差、多樣性有限，或者它們反映結(jié)果的差異或現(xiàn)實(shí)偏倚時(shí)，就會(huì)出現(xiàn)這樣的問(wèn)題。“垃圾進(jìn)，垃圾出”同樣適用于人工智能技術(shù)。例如，從隨機(jī)臨床試驗(yàn)數(shù)據(jù)中獲得的模型，在應(yīng)用于從計(jì)費(fèi)代碼或從電子病歷中提取的相對(duì)不精確的數(shù)據(jù)時(shí)，可能表現(xiàn)不佳。類似地，檢測(cè)靜態(tài)圖像的DL方法不能區(qū)分病理生理學(xué)的重要特征和圖像采集的偽影。因此，如果圖像采集類型與疾病狀態(tài)相關(guān)，則與圖像采集類型(像素特征)相關(guān)的特征可能虛假地與特定結(jié)果相關(guān)。這些技術(shù)甚至可以暴露系統(tǒng)性的偏倚，例如，如果某一特定的亞組患者更有可能被拒絕給予挽救生命措施干預(yù)(如心臟移植)，那么風(fēng)險(xiǎn)預(yù)測(cè)模型可能會(huì)錯(cuò)誤地確定他們不太可能受益。因此，我們必須意識(shí)到，執(zhí)行不力的人工智能有可能誤導(dǎo)我們，它甚至可能惡化、擴(kuò)大和加劇醫(yī)療保健差距，這是在嘗試開發(fā)或?qū)嵤┤斯ぶ悄芩惴〞r(shí)，都必須考慮的一個(gè)因素。同樣，無(wú)論是在醫(yī)院、地區(qū)還是國(guó)家一級(jí)，在財(cái)政資源非常有限的情況下，實(shí)施人工智能很可能具有挑戰(zhàn)性。如果提供人工智能僅限于高收入人群，這一因素可能加劇醫(yī)療保健的不平等。盡管與醫(yī)療保健專業(yè)人員的能力或判斷相關(guān)的錯(cuò)誤將僅限于特定的個(gè)人評(píng)估或治療的患者，但如果人工智能算法得到廣泛應(yīng)用，可能會(huì)出現(xiàn)成千上萬(wàn)或數(shù)百萬(wàn)人次的錯(cuò)誤。當(dāng)解釋結(jié)果和應(yīng)用技術(shù)實(shí)踐時(shí)，臨床醫(yī)生必須能夠認(rèn)識(shí)到這些陷阱，一個(gè)有用的方法可能是跟蹤給定技術(shù)從初始到應(yīng)用程序的開發(fā)。首先，我們必須檢查構(gòu)成培訓(xùn)過(guò)程基礎(chǔ)的數(shù)據(jù)輸入。數(shù)據(jù)質(zhì)量高嗎?它們是如何收集的?它們是否與目標(biāo)應(yīng)用程序數(shù)據(jù)集和人口相似? 接下來(lái)，我們應(yīng)該檢查模型性能。這個(gè)評(píng)估必須超出曲線下面積的區(qū)域。這些發(fā)現(xiàn)有多可靠?研究者是否提供了亞組分析和外部驗(yàn)證?接下來(lái)，我們可以檢查模型是如何應(yīng)用的。應(yīng)用程序數(shù)據(jù)集是否類似于派生數(shù)據(jù)集?模型性能是否可以根據(jù)標(biāo)準(zhǔn)定期測(cè)試?最后，我們可以把模型的結(jié)果放在我們已知的環(huán)境中。這些發(fā)現(xiàn)是否與我們自己的臨床直覺或使用其他方法的臨床指導(dǎo)一致?只有采用系統(tǒng)的方法，我們才能對(duì)這些危害保持警惕，確保在醫(yī)學(xué)中負(fù)責(zé)任地使用人工智能。

管理挑戰(zhàn)和發(fā)布人工智能數(shù)據(jù)

人工智能在大數(shù)據(jù)和開放科學(xué)時(shí)代蓬勃發(fā)展。研究人員現(xiàn)在能夠?qū)⒋罅繑?shù)據(jù)與復(fù)雜的算法結(jié)合起來(lái)，生成可以媲美甚至超過(guò)人類表現(xiàn)的統(tǒng)計(jì)模型。2009年Netflix Prize等競(jìng)賽數(shù)據(jù)的公開發(fā)布，通過(guò)昂貴的研發(fā)工作，刺激了創(chuàng)新，從而有機(jī)會(huì)贏得大筆獎(jiǎng)金。醫(yī)療保健部門采取類似策略的速度較慢，部分原因是與健康相關(guān)數(shù)據(jù)的數(shù)據(jù)共享限制。這種情況引發(fā)了一個(gè)問(wèn)題，在世界范圍內(nèi)共享電子病歷中包含的豐富數(shù)據(jù)的障礙是什么?圍繞共享健康職業(yè)相關(guān)數(shù)據(jù)的問(wèn)題在全球各地各不相同，而且正在迅速演變。然而，一些學(xué)術(shù)期刊制定了數(shù)據(jù)共享政策，要求公開共享可能與這些規(guī)定相沖突的數(shù)據(jù)。盡管傳統(tǒng)研究?jī)A向于分享容易被識(shí)別的數(shù)據(jù)，但人工智能現(xiàn)在正在使用大量更難、甚至可能既往不可能被識(shí)別的數(shù)據(jù)。前進(jìn)的道路可能是通過(guò)戰(zhàn)略伙伴關(guān)系。如何共享，甚至是否共享數(shù)據(jù)，都需要根據(jù)具體情況來(lái)決定。此外，還有一個(gè)問(wèn)題是，如果合作組織不復(fù)存在或被另一個(gè)組織機(jī)會(huì)主義地收購(gòu)，會(huì)發(fā)生什么情況。當(dāng)谷歌獲得了DeepMind數(shù)據(jù)檔案的訪問(wèn)權(quán)限后，人們意識(shí)到了這一點(diǎn)，這實(shí)際上終止了之前不公布數(shù)據(jù)的承諾。盡管如此，我們必須繼續(xù)加快努力，通過(guò)協(xié)作和獲取數(shù)據(jù)來(lái)促進(jìn)醫(yī)療保健。

結(jié)論

心臟病學(xué)處于人工智能在醫(yī)學(xué)領(lǐng)域的前沿，在信號(hào)處理、圖像分割和結(jié)構(gòu)化數(shù)據(jù)分析方面取得了重大進(jìn)展。近年來(lái)在心臟病學(xué)的幾乎所有領(lǐng)域都取得了重大成就，在心電圖分析、影像研究的自動(dòng)解釋和風(fēng)險(xiǎn)預(yù)測(cè)方面取得了一些具體進(jìn)展。然而，人工智能很容易在解釋、有效性和概括性方面出現(xiàn)重大錯(cuò)誤，以及需要提前解決的安全和倫理問(wèn)題。很明顯，人工智能需要計(jì)算機(jī)科學(xué)家、臨床研究人員、臨床醫(yī)生和其他用戶之間的密切合作，以確定最相關(guān)的問(wèn)題，并找到解決問(wèn)題的最佳方法和數(shù)據(jù)來(lái)源。這項(xiàng)合作證明，人工智能在心臟病學(xué)和醫(yī)學(xué)領(lǐng)域的未來(lái)是光明的。

 

一個(gè)卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展原理圖

       

介入機(jī)器人應(yīng)用

參考文獻(xiàn)：

1. Johnson KW, Torres Soto J, Glicksberg BS, et al. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018 ;12;71(23):2668-2679.

2. Westcott RJ, Tcheng JE. Artificial Intelligence and Machine Learning in Cardiology. JACC Cardiovasc Interv. 2019 ; 22;12(14):1312-1314.

3. Itchhaporia D. Artificial intelligence in cardiology. Trends Cardiovasc Med. 2020;23:S1050-1738(20)30151-1.

4. Lopez-Jimenez F, Attia Z, Arruda-Olson AM, et al. Artificial Intelligence in Cardiology: Present and Future. Mayo Clin Proc. 2020;95(5):1015-1039.

5. Kusunose K, Abe T, Haga A, et al. A Deep Learning approach for assessment of regional wall motion abnormality from echocardiographic images. J Am Coll Cardiol Img. 2020;13(2,pt 1):374-381.

6. Samad MD, Ulloa A, Wehner GJ, et al. Predicting survival from large echocardiography and electronic health record datasets: optimization with machine learning. J Am Coll Cardiol Img.

2019;12(4):681-689.

7. Kwon JM, Kim KH, Jeon KH, et al. Deep learning for predicting in-hospital mortality among heart disease patients based on echocardiography. Echocardiography. 2019;36(2):213-218

8. Arsanjani R, Xu Y, Dey D, et al. Improved accuracy of myocardial perfusion SPECT for the detection of coronary artery disease using a support vector machine algorithm. J Nucl Med.

2013;54(4):549-555.

9. Arsanjani R, Xu Y, Dey D, et al. Improved accuracy of myocardial perfusion SPECT for detection of coronary artery disease by machine learning in a large population. J Nucl Cardiol. 2013;20(4):553-562.

10. Betancur J, Commandeur F, Motlagh M, et al. Deep learning for prediction of obstructive disease from fast myocardial perfusion SPECT: a multicenter study. J Am Coll Cardiol Img.

2018;11(11):1654-1663.

11.Garcia EV, Klein JL, Taylor AT. Clinical decision support systems in myocardial perfusion imaging. J Nucl Cardiol. 2014;21(3):427-439.

12.Arsanjani R, Dey D, Khachatryan T, et al. Prediction of revascularization after myocardial perfusion SPECT by machine learning in a large population. J Nucl Cardiol. 2015;22(5):877-

884.

13. Betancur J, Otaki Y, Motwani M, et al. Prognostic value of combined clinical and myocardial perfusion imaging data using machine learning. JACC Cardiovasc Imaging. 2018;11(7):1000-

1009.

14. Wasserlauf J, You C, Patel R, et al. Passman R.Smartwatch performance for the detection and quantification of atrial fibrillation. Circ Arrhythm Electrophysiol. 2019;12(6):

e006834

15. Krittanawong C, Zhang H, Wang Z, et al . Artificial Intelligence in Precision Cardiovascular Medicine. J Am Coll Cardiol. 2017 May 30;69(21):2657-2664.

16. VanHouten JP, Starmer JM, Lorenzi NM, et al..Machine learning for risk prediction of acute coronary syndrome. AMIA Annu Symp Proc. 2014;2014:1940-1949.

17.Zack CJ, Senecal C, Kinar Y, et al. Leveraging machine learning techniques to forecast patient prognosis after percutaneous coronary intervention. J Am Coll Cardiol Intv. 2019;12(14):1304-1311.

18.Davies J. CEREBRIA-1: machine learning vs expert human opinion to determine physiologically optimized coronary revascularization strategies. Paper presented at: Transcatheter Cardiovascular Therapeutics 2018 September 24, 2018. San Diego, CA.

19.Cho H, Lee JG, Kang SJ, et al. Angiography-based machine learning for predicting fractional flow reserve in intermediate coronary artery lesions. J Am Heart Assoc. 2019;8(4):e011685.

20. Dorado-Díaz PI, Sampedro-Gómez J, Vicente-Palacios V, et al. Applications of Artificial Intelligence in Cardiology. The Future is Already Here. Rev Esp Cardiol (Engl Ed). 2019 Dec;72(12):1065-1075.

21.Ng K, Steinhubl SR, deFilippi C, et al.. Early detection of heart failure using electronic health records: practical implications for time before diagnosis, data diversity, data

quantity, and data density. Circ Cardiovasc Qual Outcomes. 2016;9(6):649-658.

22. Golas SB, Shibahara T, Agboola S, et al. A machine learning model to predict the risk of 30-day readmissions in patients with heart failure: a retrospective analysis of electronic medical records data. BMC Med Inform Decis Mak. 2018;18(1):44.

23.Kakadiaris IA, Vrigkas M, Yen AA, et al., Naghavi M. Machine learning outperforms ACC/AHA CVD Risk Calculator in MESA. J Am Heart Assoc. 2018;7(22):e009476.

24. Ambale-Venkatesh B, Yang X, Wu CO, et al. Cardiovascular event prediction by machine learning: the Multi-Ethnic Study of Atherosclerosis. Circ Res. 2017;121(9):1092-1101.

25.Tison GH, Sanchez JM, Ballinger B, et al. Passive detection of atrial fibrillation using a commercially available smartwatch.JAMA Cardiol. 2018;3(5):409-416

相關(guān)知識(shí)

無(wú)創(chuàng)心血管疾病實(shí)時(shí)智能監(jiān)測(cè)與血管健康評(píng)估系統(tǒng)
醫(yī)療+人工智能的創(chuàng)新應(yīng)用
智慧醫(yī)療人工智能的應(yīng)用.ppt
人工智能在睡眠醫(yī)學(xué)中的應(yīng)用
人工智能在醫(yī)療健康領(lǐng)域中的應(yīng)用
人工智能在健康保障與健康管理中的應(yīng)用1.背景介紹 人工智能（Artificial Intelligence, AI）是計(jì)
智能穿戴設(shè)備在慢性疾病監(jiān)測(cè)中的革新應(yīng)用
人工智能在遠(yuǎn)程醫(yī)療中的應(yīng)用：智能化的遠(yuǎn)程健康監(jiān)護(hù)
人工智能在老年醫(yī)療中的應(yīng)用探索.pptx
生活中人工智能的應(yīng)用實(shí)例有哪些？

網(wǎng)址: 心血管疾病中的人工智能應(yīng)用 http://m.u1s5d6.cn/newsview681412.html