人工智能技术助力心血管疾病诊疗

最新：人工智能技术助力心血管疾病诊疗

自20世纪5。年代伊始，人工智能(artificialintelligence,AI)技术历

经3次浪潮，已取得长足发展。目前，以ChatGPT为代表的深度学习技

术正在全面改变人类社会的生产与生活。为医疗领域尤其是心血管疾病的

诊疗带来了更多的创新与挑战［1］。

近年来，AI技术应用于心血管领域的文章发表量迅速增加［2］,一

面立足于心电图、超声心动图、血管成像、磁共振等检查手段，发掘其更

大的诊断和预测价值；一面从疾病出发，尝试进行多模态信息体系构建,

实现智能化的早期筛查与综合诊疗。本文旨在阐述AI技术助力心血管疾

病诊疗的进展，并探讨其意义、挑战及未来发展。

一、AI赋能心血管诊断技术拓展疾病预测与诊断能力

1.AI赋能后的心电图拥有了更广泛的预测与诊断能力：心电图是心血管疾

病诊疗的常规和基础检查，最初的机器学习聚焦于心电图的诊断能力，尝

试通过算法的不断改善与演化，持续提高心律失常、心肌梗死等常见疾病

诊断的准确性。而深度学习技术的应用实现了基于可穿戴式设备采集的海

量数据进行实时诊断。然而，目前可穿戴式设备采集的单导联数据有很大

的局限性，解决的主要是节律诊断，对于心肌缺血定位等的诊断和预测能

力有限。基于12导联心电图的智能算法展现出了更广泛的诊断能力,Attia

等［3］基于12导联心电图数据库应用卷积神经网络技术建立了心房

颤动的预测模型，发现多次检查心电图可以进一步将预测心房颤动的敏感

度、特异度提高。此后，该团队使用9万余例患者的心电图与经胸超声心

动图数据，采用卷积神经网络技术建立预测模型，以实现应用心电图来预

测左心室射血分数435%的患者，预测的敏感度和特异度可分别达到

86.3%、85.7%,受试者工作特征曲线下面积(areaunderthecurve,

AUC)为0.93［4］o

目前，AI技术在心电图的应用逐步向预测价值延伸。ValenteSilva等

［5］展示并验证了一种基于AI技术和心电图的高特异性肺栓塞预测

模型，为医师急诊接诊提供有效辅助。Hirota等［6］构建了一种深

度学习算法，使用从12导联静息心电图获得的参数成功预测无结构性心

脏病患者的全因死亡和心血管疾病死亡。

2.AI赋能使心血管影像技术诊断能力不断提升：心血管影像在心血管疾病

的诊断中具有重要意义。超声心动图、冠状动脉CT血管成像(computed

tomographyangiography,CTA)、心脏磁共振(cardiacmagnetic

resonance,CMR)及核素相关的心肌灌注显像等都可以在AI加持下创

造更多可能。AI技术的运用不仅提高了诊断准确性和效率、减少了医师的

个体认知差异，还可实现对潜在异常的探索以及相似疾病的鉴别等。

超声心动图临床应用广泛，诸多研究聚焦于其结果准确性的提升，如

Ouyang等［7］借助深度学习基于动态超声心动图构建了射血分数

计算模型，其准确性和可靠性均较专家更优。对于超声心动图不易鉴别的

疾病，AI也可提供帮助，如Laumer等［8］在一项队列研究中对比

了Takotsubo患者和急性心肌梗死患者的经胸超声心动图，证实深度学

习技术对疾病分类的准确性较专家更高。同样，AI也在拓展普通超声心动

图的诊断边界，以求建立更便捷的临床诊疗方案，如Pieszko等［9］

使用AI对经胸超声心动图进行分析，可较为准确地预测左心耳血栓，协

助医师更好地确认需接受经食道超声心动图检查的人群。

冠状动脉CTA可有效排除冠心病，但钙化病变对CTA成像影响较大，经

验不足的医师可能会高估相应血管的狭窄程度，导致非必要的侵入操作。

多项研究将深度学习技术引入CTA影像分析中，以血流储备分数

(fractionalflowreserve,FFR)为金标准构建CTA-FFR的预测模型，

极大地提高了CTA检测钙化病变的敏感度和特异度，如Griffin等［10］

使用AI回顾性分析冠状动脉CTA影像，诊断结果与FFR、定量冠状动脉

造影等介入方法一致，能够快速、准确地识别或排除重度狭窄。在同位素

心肌灌注成像中，有研究证实应用卷积神经网络等技术可以精确地处理图

像信息、识别冠状动脉缺血，为放射影像医师和临床医师提供更好的辅助

［11］o

CMR成像方式复杂，阅片时间长，对医师的技术及耐心有较高要求，Bai

等［12］使用特殊结构的卷积神经网络实现CMR的像素级分割，在

2.AI技术在缺血性心脏病诊疗中的应用：在快血性心脏病领域，AI技术

可以用于冠状动脉疾病的预防［19］、早期诊断［20,21］、

并发症与死亡率预测［22,23,24］等各类场景。在缺血性心脏疾

病总体预测上，AI技术除了提升传统危险因素的预测准确性，亦可以提示

非传统因素的临床意义。如Azdaki［25］通过人工神经网络技术发

现，焦虑、疾病接纳程度、受教育程度和性别是AI预测缺血性心肌病模

型中最重要的4个因素。

大量AI研究聚焦于急性心肌梗死。首先，在早期诊断方面，Zhao等

［20］、Liu等［24］、Cho等［26］均利用AI技术（深

度学习等）基于心电图和临床信息，实现了对心肌梗死更迅速、更精准的

诊断。其次，在住院期间不良事件评估方面，Alkhamis等［27］证

明了随机森林和极端梯度增强算法的预测能力显著优于传统的逻辑回归

模型，并提出左心室射血分数是最重要的预测因子；进一步针对3。d内

发生的不良事件，构建了有效的预测模型。在急性心肌梗死后心原性休克

的预测中，Bai等［28］对比了5种机器学习方法的预测价值，发现

最小绝对收缩和选择算子模型的预测效果最好（AUC超过0.82）,可以

准确预测ST段抬高型心肌梗死患者院内心原性休克风险。最后，关于远

期转归，Kasim等［23］开发的机器学习模型可以借助患者个体特

征，完成远期（1年）死亡的预测（AUC为0.81）,其中的关键特征包

括年龄、Killip分级、心率和低分子肝素应用，准确程度超过了TIMI评

分。这些关键特征的提出，为临床诊疗工作的改善奠定了基础。AI技术赋

能后也使一些不可能成为现实，如郑哲团队运用5796例患者的面部特征

通过卷积神经网络技术建立了诊断模型，以1013例择期接受冠状动脉造

影或CTA检查的患者作为测试组进行验证，证实了基于面部照片的冠心

病检测算法准确度明显高于Diamond-Forrester模型和冠心病联盟临床

评分［29］。

3.AI技术在心律失常和心原性猝死诊疗中的应用：心房颤动是最常见的心

律失常之一。AI技术在心房颤动方面的研究从提高心电图的诊断准确性伊

始［3。］,逐步发展到了心房颤动的预测。来自梅奥诊所的研究团队

在基于12导联心电图预测心房颤动领域已完成了一系列开创性工作，为

AI预测模型的可行性、可靠性奠定了坚实基础［3,4,31,32］o

近期亦有研究尝试将相似的预测方式推广至可穿戴设备心电图，如

Raghunath等［33］使用神经网络基于AlivecorKardiaMobile

所记录的窦性心律心电图数据成功预测了心房颤动的发生，这进一步拓展

了心房颤动预测的应用场景。心房颤动的预后、转归和长期管理上，有研

究者使用卷积神经网络对导管消融术后的复发情况进行了预测［34］;

而卒中预防、出血事件分析等环节中，AI技术同样展现出了应用价值

［35,36］o

在心原性猝死相关领域中，针对特定患者的AI预测技术相对成熟，如

Shiraishi等［37］针对失代偿性心力衰竭住院的患者，运用AI技术

分析心电图，成功预测了心原性猝死；Smole等［38］的研究纳入

了2302例肥厚型心肌病患者，使用多个变量（人口统计学、体格检查、

遗传学、影像学、药物等）训练机器学习模型，结果显示该模型预测5年

内心原性猝死风险的AUC可达。.70,优于传统风险评估工具。然而，在

一般人群中猝死的发生率较低，虽有部分研究提出了AI模型，且预测准

确性超越左心室射血分数等传统评估方法，但往往存在样本量小、缺乏外

部验证、通用性不足等问题，仍需要更大样本量、充分外部验证、多样化

患者数据来提升AI模型的预测能力［39］。

4.AI技术在心力衰竭诊疗中的应用：由于心力衰竭患者的病情较重，亟需

个体化的诊疗方案以实现最佳治疗效果；另一方面，多次、持续的诊疗过

程中往往积累了大量的临床信息，传统的分析方法较难完成有效处理。针

对这些难题，AI技术与大数据结合在包括诊断、预后预测、心力衰竭表型

分类和治疗策略优化等各个方面显示出巨大的潜力［4。］。近年来,

AI技术在无症状心功能不全患者的识别［41］、射血分数保留型心

力衰竭患者的早期诊断［42］、射血分数减低型心力衰竭患者的诊疗

［43］中均体现出应用价值。尤其是可以借助深度学习的聚类分析，

对具有不同临床特征和远期预后的心力衰竭患者进行分类［44］，以

利于高危患者的强化管理。在心力衰竭患者的长期监测与照护上，

Almujally等［45］设计了一个基于AI技术和物联网的健康监测系

统来处理心力衰竭患者的数据，该系统可以监测患者的活动、评估其健康

状况以及使用深度学习模型进行疾病状态分类，展示出较高的应用价值。

而AI辅助与可穿戴式设备相结合将进一步提升远程监测的质量与效率，

有效改善心力衰竭患者的综合诊疗、症状控制与护理质量。

5.AI技术在其他心血管疾病领域中的应用：借助AI技术基于心电图可诊

断肥厚型心肌病[46]、心脏淀粉样变性[47]等。在先天性

心脏病的诊疗中，使用AI技术可以更好地进行产前检测、异常筛查

[48],以及预测法洛四联症术后的不良心血管事件[49]oAI

模型可以显著提高对感染性心内膜炎并发症和死亡风险预测的准确性

[50]o另外，运用AI技术还可实现基于心电图、超声心动图更准确

诊断心包炎[51],以及利用胸部CT图像完成心包炎监测和分类等

[52]o

三、AI技术在心血管疾病诊疗中的挑战与展望

1.日新月异——技术更迭同诊疗能力的大幅提升：当下，世界范围内的计

算机算力呈指数级增长，各国均在不遗余力地推动AI技术发展。得益于

此，未来心血管疾病的诊疗势必获得更广泛、更深入的技术加持。特别是

通用医疗大模型的构建，将为疾病的危险因素控制、预测、筛查、诊断、

治疗、综合管理、预后改善等，创造更优的解决方案。

现有各项研究在方法层面已从单纯的机器学习向前迈进，开始倾向于卷积

神经网络、循环神经网络等更高阶的AI方法；所涉猎领域也从广受关注

的缺血性心脏病、心律失常、心力衰竭，拓展到心内膜炎、心包炎、心脏

移植等。假以时日，将最优的AI技术应用于所有类型的心血管疾病终会

成为现实。

2.如履薄冰——结论解释与隐私保护的潜在风险：尽管AI技术不断迭代

更新，但受限于模型的构建模式，在广泛适用性和结果可解释性方面，始

终受到挑战：可能面临分析人群变更后预测能力明显下降；在运算处理中,

可能存在不符合医学逻辑的信息处理。这些潜在情况使得每个预测模型的

推广均需要更慎重进行；在与患者的实际沟通中，也需要用恰当的方法描

述AI技术所提供的建议。这可能需要技术层面的持续改进，并实现更为

普适的、数据量更大的信息收集与管理。

这一发展过程也涉及诸多隐私和伦理问题［53］。如何评估AI诊断

系统的安全性及适用性？责任主体是谁？医疗错误发生时，工程师、软件

公司、科研机构、医师、医院应如何划分权责？隐私信息如何定义、数据

隐私由谁监管、隐私信息规避过多是否会降低诊断能力？涉及隐私和伦理

的议题较为敏感，其对于维持医疗系统的可信度也至关重要。我们需要秉

持审慎的态度，着力推动数据保护措施的落地，持续调整AI的应用模式，

坚定支持相关法律法规的不断完善。

3.厚积薄发——医学模式和疾病认知的崭新前景：与