基于人工智能的冠状动脉腔内影像斑块识别与临床应用的研究进展

随着人口老龄化的不断增加，冠心病发病率逐渐上升，对疾病的精确诊断、精准治疗及预后判断愈发重要。冠心病的影像学检查手段不断更新迭代，以血管内超声(intravascularultraso光学相干断层成像(opticalcoherencetomography,OCT)为主的腔内影像技术使冠心病的诊疗更加精准。冠状动脉腔内影像在提供多模态高清图像的同时也带来了海量数据，图像判读耗时耗力，且依赖判读者的主观经验，因此，迫切需要一种高效、准确的方法来辅助临床诊疗。人工智能能够快速、准确和客观地进行图像处理，逐渐在心血管病领域显示出强大的应用潜力。本文结合最新研究结果，对人工智能在冠状动脉腔内影像中的应用作一综述。NIRS/IVUS等)的发展为冠心病的精准治疗提供了更多可能。除了指导精准经皮冠状动脉介入治疗(percutaintervention,PCI),冠状动脉腔内影像显示的斑块特征对患者的fibroatheroma,TCFA)和巨噬细胞浸润，以及NIRS测定的脂质斑块二、人工智能原理及在医学图像中的应用进展是机器学习的一种特殊形式(图1)。研究、开发用子幞拟、延伸和扩展人类智能的一门新兴被术科学统计算法更适合低标签任务训练顿型时间更少分折数据分折数据学习规掉更适合图处题训练模空时闯更多图1人工智能的临床应用及特点经网络，调整每个神经元的敏感程度，来接受、分析“数据刺激”,工程”(计算和提取“定制”的成像变量),无须对变量进行筛选，元，成为第1个隐藏层，随后作为第2个隐藏层的输入层，从而获得冠状动脉腔内影像的判读需要人工智能这样客观、准确、高效的“图像判官”来辅助医师。人工智能可以提高图像质量，加快图像处理和分析速度，在一定程度上克服了人眼视觉的局限性，较为准确地分割、识别组织成分，减少冠状动脉腔内影像使用的时间成本，优化三、人工智能在冠状动脉腔内影像中的应用进展目前研究表明，人工智能在冠状动脉腔内影像的图像采集、斑块识别与风险分层、治疗评价与优化、预后预测方面都显示出较大的应用潜能(图2)。预钙化减容区域预后预测AI:人工智能、MACE:主要不良心血管事件1.图像采集：冠状动脉血管边界的检测对冠心病诊断至关重要，IVUS可清晰地显示血管边界，但由于冠状动脉管腔尺寸随心脏收缩和舒张发生变化，常导致纵向视图中有锯齿状管腔轮廓，影响术者读取冠状动脉管腔的关键参数。深度学习模型可以通过识别心动周期检IVUS图像前一帧的重建采取最佳自适应采集策略，以保持相邻帧之间信息互补，从而有效提升IVUS的成像速度和质量4,提供更加细化的血管边界信息5。深度学习算法还可以通过优化IVUS图像中心脏相位恢复和膜边界提取，重建可靠的冠状动脉3D解剖结构，从而对血管特征进行定量分析。人工智能算法能够为术者提供高清晰度的IVUS影像和稳定的定量分析数据，辅助术者制定更加精准的个性化手术方案。响扫描速度。Li等7基于深度学习算法提出光谱-空间采集方法，通图像中血管分割，达到平均22μm的定位精度【8,大幅提升了图像70%以上(表1)【3.1,已达到甚至超过初学者水平。此外，减系数可大幅提高斑块检测和识别的准确性16。人工智能算法赋能巨噬细胞含量这5个斑块特征进行分析，具有良好的组织特征再现性于Transformer的深度学习算法识别斑块侵蚀的曲线下面积可达0.94,外部验证集为0.85,高于CVN模型的诊断性能18。Athatasiou等⁹织，非病理组织、无可见组织)自动斑块检测Gessert等“自动斑块检测分类(钙化，纤维化.巨噬细胞、新生血管)[re等脂质斑块：灵敏度87.40%.特异度8钙化斑块：灵敏度85.10%,特异度9Zhang等”自动斑块检测(脂质斑块、钙化斑块)Chu等“注：0CT为光学相干断层成像.CNS为卷积神经网络RrsNet为残差神经网络、DenseNe1为密集连接卷积神经网络.FCN为全卷积神经网和无衰减或钙化三类情况，与专家读图相关系数分别为0.79、0.74准确性从81.4%提高到了91.8%[20。别纤维、脂质、钙化组织，灵敏度和特异度均达到80%以上，该算法人工智能在冠状动脉腔内影像与生理学的综合评估方面也显示reserve,FFR),以FFR为金标准，其准确性分别为93%和92%T²3;狭窄是否需要血运重建方面准确率分别可达82%「24]和95.2%5。网络模型预测FFR,精确度可达84.3%。这不仅增加了人工智能在腔包括斑块负荷、纤维帽的形态(完整度和厚度)、斑块内微结构(如巨噬细胞、微通道、点状钙化、胆固醇结晶)以及炎症反应等。人工的风险为2项指标中至少1项正常者的43倍27]。尽管1VUS对组织形态特征，用于预测斑块易损性指标的变化情况28,并可通过IVUS图像预测TCFA²9.,以OCT为金标准，灵敏度达(85±4)%、特异度达(79±6)%,从而有助于临床医师识别高风险冠脉病变。标志物可提升MACE的预测效能0。在人工智能辅助下，随着越来越分割效果(Dice系数0.97)和检测准确性(0.943),并且可以0.02s的速度对每帧图像进行实时支架定量和3D渲染，从而快速评估支架扩张效果32。人工智能优异的实时处理能力和快速反馈能力，将用术前IVUS图像及临床信息(包括支架直径、长度、充气压力、球囊直径和最大球囊压力)预测术后支架面积，与术后实际的支架面积显著相关(r=0.832),通过基于机器学习算法的二元分类模型预测床信息建立的机器学习模型可以预测支架贴壁不良的发生³1]。对于床基线参数之间的相关性分析为临床短期和长期预后预测提供了宝性心绞痛患者进行1年随访，利用局部血管特征和临床基线数据成功预测了冠状动脉高危斑块的发生。Johnson等37的研究显示，可利值的转录组学生物标志物。另有研究通过4种机器学习模型对同时纳心脏移植血管病变是心脏移植术后累及冠状动脉的排斥反应性疾病，是导致患者术后死亡的主要原因，IVLS相关参数(如基线最学和其他组学技术结合，人工智能可利用多人工智能处理腔内影像数据的能力在众多研究中已得到充分认中获得临床医生青