当前心血管疾病居中国居民死亡原因第三位，在大数据和开放科学时代，人工智能（artificialintelligence,AI）和3D打印技术蓬勃发展，其在心血管医学领域的探索应用突飞猛进。一方面，现代影像及检验技术积累了充分的原始数据，是AI探索的基础；另一方面，心血管系统腔内结构复杂多变，充分利用AI和3D打印技术可以革新当前诊疗习惯和模式，提升服务效率和水平。AI和3D打印技术在心血管医学领域的优势包括：图像的获取与分析更快速、简便、准确；诊断的自动化辅助，减少医疗差错[1]；自然语言的结构化处理，大大简化工作流程；风险预测和预后指导，优化医疗资源配置[2]；3D打印辅助高难度心脏手术、促进医患沟通、推动精准医疗等[3-4]。现就AI和3D打印技术在心血管医学领域的应用进展做如下综述。
1AI辅助诊断
1.1自动化心脏4D血流MRI后处理
医学影像领域数据量庞大，自年8月3日“腾讯觅影”面世以来，该领域一直是机器学习的焦点。心脏MRI可提供心脏功能、瓣膜疾病、血流、灌注和血管解剖学的可量化信息。心脏4D血流MRI诊断实用性强大，可对血流和模式进行全面分析，区域壁运动分析，压力梯度量化和血管血流动力学。但受到专业知识和经验水平的限制，图像的后处理只能由少数心脏病学和放射学专家在专用的3D实验室手动执行3D分割，可视化和4D分析等操作，既耗时耗力又难以通用。
通过AI技术可实现心脏4D血流MRI的自动解剖分割，量化瓣膜病变，血流动力学和功能研究，如图1所示[5]，采用深度学习算法，从标注真实数据中学习分割任务，计算结果与标注数据高度吻合。其验证指标在轮廓拟合度、Dice相似性系数、平均垂直距离和一致性上分别为96.69％、0.94、1.81mm和0.86，而通过其他方法获得的指标分别为79.20%~95.62%、0.87~0.90、1.76~2.97mm和0.67~0.78。不仅简化了操作，也增加了实用性。预计在AI的辅助下后处理时间可减少90％，从而增加实际工作容量近10倍。
图1心脏4D血流MRI
1.2自动聚焦超声心动图标准切面
超声心动图可以快速评估心脏结构、功能和血流动力学，是心脏病学的支柱，而且与心脏MRI相比成本低廉，不受硬件设施的限制，使用更为广泛。但是，超声心动图的获取和解释高度依赖于超声医师的个人经验。受培训者至少要花费3~6个月才能准确地获取正确的心脏切面。在需要快速评估左心室射血分数、瓣膜狭窄或关闭不全等紧急情况时，并不一定能立刻联系到专业人员。
通过深度学习，可以实现超声心动图标准切面的自动化采集，可使任何未受训练的医师都能轻松获得精确的超声切面（图2所示[6]），初步测试中观察到未经培训者实施胸骨旁左室长轴窗口采集时间为30s。将来还有望通过AI识别可能代表亚临床疾病或指示患者预后的细微影像学特征。Narula等[6]开发了能够自动辨识、分析超声心动图数据集，识别运动员肥厚型心肌病和生理性心肌肥大的系统，结果显示：集成的机器学习模型显示出更高的灵敏度和特异性，表明深度开发机器自动化辨识系统具有更广阔的前景，提高其应用范围将进一步促进对心脏疾病的筛查、分类和诊断。
注：左图：胸骨旁长轴的图像采集；右图：人工
智能引导获取最佳切面的位置
图2机器学习辅助经胸超声心动图自动采集
1.3使用深度神经网络提高单导联动态心电图诊断性能有学者尝试构建一种深度神经网络，对来自例患者的个单导联动态心电图按12种节律进行分类，端到端深度学习的诊断性能与心脏病学专家类似[7]。研究表明，以端到端深度学习为代表的范式转变可能会为自动化心电图分析提供一种新方法，该方法采用了多种技术，包括信号预处理、特征提取、特征选择、归约和分类，可以进一步提升应用范围和准确率。如果在临床环境中得到证实，则此方法可对突发紧急状况进行准确分类或确定优先级，从而降低计算机对心电信号的误诊及不当解释，并提高心脏病学专家对心电图解释的效率。1.4心电图可筛查无症状左心功能不全无症状的左心功能不全占总人口的3%~6％，对其生活质量和寿命造成影响。梅奥诊所学者Attia等[8]根据例患者的12导联心电图和超声心动图数据，训练出一个卷积神经网络，使用心电图数据来识别心室功能不全（定义为射血分数≤35％），在无心室功能不全的患者中，使用该神经网络筛查出阳性的患者未来发生左心室功能障碍的风险是阴性者的4倍，认为AI在心电图应用于识别心室功能不全检测成本低廉，结果可靠，应用前景广阔。
1.5基于心音的心力衰竭检测体系慢性心力衰竭影响全球万人，其发病率每年以2％的速度增长，目前欠缺自动检测的方法。Martin等[9]通过机器学习和端到端的深度学习提出了一种基于心音的心力衰竭的检测方法。通过对6个公开可用的数据集和1个慢性心力衰竭数据集（针对该研究而收集）的例受试者的记录，确定15个可重复使用的机器学习模型以区分慢性心力衰竭的不同阶段（即失代偿阶段和补偿阶段），其准确度为92.9％，方法对于区分健康受试者和患者之间的记录以及检测不同的慢性心力衰竭阶段均显示出令人鼓舞的结果，更容易识别心力衰竭患者，进而开发出家用慢性心力衰竭监护仪。
1.6基于面部图片的冠心病预测模型近日，在欧洲心脏杂志发表的一项多中心横断面研究[10]，通过卷积神经网络建立了基于脸部照片的冠心病预测模型，可以预测是否存在至少1支冠状动脉狭窄≥50%。进一步研究发现，加入临床指标并没有改善该算法的效能，说明这种算法只用脸部照片就足够了，不需要考虑病史或查体，虽然该模型的应用效果还需临床大规模应用评价，但是为简化预测方法带来了启示。
1.7通过面部视频有望实现高通量心房颤动的筛查
运用智能手机分析面部光电容积描记信号，使用预先培训好的深卷积神经网络同时分析多个患者的面部光电容积描记信号，可实现心房颤动的高精度检测，如图3所示。此方法成本低廉，可节约时间，减少临床工作量[11]。目前研究尚处于探索阶段，存在以下局限性：需要静止监测1min；需行心电图检查排除可疑心房颤动；普通人群的心房颤动患病率较低，该方法的阳性预测值不高。
图35例患者同时行视频记录完成面部光电容积
描记和心电图检测
2AI辅助风险分层或评估预后
2.1机器学习评估先天性心脏病或肺动脉高压患者的预后
Diller等[12]研究机器学习用于评估先天性心脏病或肺动脉高压患者预后的价值，通过对例成人先天性心脏病或肺动脉高压患者进行8年随访，基于余份病历的深度学习算法从疾病诊断、复杂程度以及NYHA心功能分级等方面进行了分类。根据算法得出的疾病严重程度与Cox分析的生存率有关，而与人口统计学、运动、实验室和心电图参数无关。该算法可扩展到多机构数据集，以进一步提高准确性，最终形成在线的决策工具。
2.2机器学习识别经皮冠脉介入术后死亡和再入院风险
目前经皮冠脉介入术后风险预测模型的预测能力有限，机器学习具有识别数据集中复杂非线性模式的潜力，针对每个事件训练一个随机森林回归模型来估计事件发生的时间。Zack等[13]对MayoClinic注册中心例接受经皮冠脉介入术的患者进行评估，经过验证，机器学习比标准回归方法在识别术后d死亡和术后30d慢性心力衰竭再住院风险的患者中更具预测性，显示机器学习用于预后预测模型的潜在优势及前景。
2.3机器学习助于筛选心室同步化起搏-电复律除颤器以及植入性心脏复律除颤器可获益的心力衰竭人群
利用超声心动图参数和临床指标的机器学习算法来对心力衰竭队列进行表型分组，可识别对心脏再同步治疗有良好反应的患者。Cikes等[14]在多中心对例植入自动除颤仪的心力衰竭患者使用无监督的机器学习算法，依据临床指标的相似性进行分类，并将基线处的左心室容积和变形轨迹分为互斥组，在这些组之间比较了使用除颤器对主要结局（全因死亡或心力衰竭事件）和体积反应的治疗效果，分析确定了四种表型:（1）响应组，显著容量响应；（2）响应组，最佳容量响应；（3）无响应组，不同的心力衰竭底物-“良性”的高血压/糖尿病/缺血性心肌病；（4）无响应组，不同的心力衰竭底物-恶化的缺血性心肌病）。不同表型间，在基线临床特征、生物标志物、左右心室结构和功能，以及主要结局的发生上存在显着差异，其中1和2两种表型为心脏再同步化治疗反应良好组。研究表明：通过整合临床参数和完整的心动周期影像数据，无监督的机器学习算法可以为表型异质性心力衰竭队列提供临床上有意义的分类，并可能有助于优化对特定人群的反应率疗法。
2.4机器学习模型改善传统ACC/AHA的心血管疾病风险分层
Kakadiaris等[15]使用来自MESA研究（对动脉粥样硬化的多民族研究）无心血管疾病的例参与者的13年随访数据构建机器学习模型，并在FLEMENGHO研究（环境、基因和健康结果的佛兰德研究）中验证该模型。ACC/AHA风险计算器基于7.5％的10年风险阈值，推荐使用他汀药物者占46%，例心血管事件中23.8％发生在未推荐他汀类药物组。使用同样9种传统风险因素，机器学习算法能够显着改善风险分层，发现高风险个体增加13％，建议25％低风险个体减少他汀类的应用，同时可减少不良事件。该研究表明了机器学习模型较传统ACC/AHA风险计算器更具有优势。
2.5机器学习协助自然语言的转化、提取
临床电子医疗记录中80％以上的数据为叙述性内容，繁忙的临床工作中人工提取并汇总文本信息，既耗时又耗力。通过机器学习的自然语言处理技术可将非结构化的文本转化成结构化的形式，可自动提取数据元素，形成实时和个性化的风险预测。Arruda-Olson等[16]使用从电子健康记录中自动提取的数据为周围动脉疾病的患者创建一种预后预测工具，以便在护理时进行实时和个性化的风险预测，在临床工作中应用潜力巨大，值得深入探索。
3手术辅助系统
作为革新性技术，三维重建与3D打印技术可以辅助高难度手术，处于心血管疾病诊疗的创新前沿。立体的心脏模型能提供可视化的空间结构，具有以下优势：（1）制定手术计划：术前制定详细计划如“计划A”、“计划B”或“补救”方案，以减少手术时间、降低并发症、缩短术后住院时间、降低再干预率以及医疗花费；（2）协助教育培训：培训模式从手把手的学徒模式转变为基于仿真的自主学习模式，补充了传统的指导式教育，可大大缩短学习曲线：（3）模拟手术体验：可体验逼真的手术操作，初级受训者也可接触少见和特殊的病例；经验丰富者，可利用其进行终身学习，成为迎接新挑战的桥梁；（4）促进团队沟通：增加多学科之间的沟通，减少医疗差错，便于患者的理解和参与，增强决策制定能力。
复杂的解剖结构、既往手术史以及体外循环耗时长等是心血管疾病恶化的主要危险因素[17]，三维重建与3D打印技术的应用进展有望降低相关手术风险。在先天性心脏病患儿中，利用交互式全心分割方法，从少数MRI短轴切片区域进行人工分割，使用基于补丁的分割自动描绘剩余体积，可快速建立患者特定的三维重建心脏模型，将使用3D心脏模型辅助手术规划常规化实施成为可能[18]。
目前3D打印辅助技术应用在以下心脏外科领域[19]：复杂先天性心脏病患者移植术前计划[20]，右位心合并右心室双出口、室间隔缺损、大动脉转位等复杂畸形的手术规划[21]，心室辅助设备的植入[22]等。已经开展的3D打印辅助心血管介入手术包括：3D打印的冠状动脉支架[23]、经皮主动脉瓣置换术[24]、经皮二尖瓣环钙化的二尖瓣置换[25]、上腔静脉型房间隔缺损的介入封堵[26]、后下缘缺失的（下腔静脉型）继发孔型房间隔缺损封堵术[27-28]、复杂形态的室间隔缺损[29]、高血液相容性复合弹性材料3D打印左心耳封堵器等[30]。随着技术的拓展，研究的不断深入，其技术优势及认可度将不断提升。
4当前AI与3D打印技术应用的局限性
机器学习正在改变心血管疾病的诊断、风险预测、预防和治疗模式，必须正确理解这些心血管领域新技术的优势、局限性、机会和风险。如果没有完整而且通用的数据集，那么在实际测试中，该模型的性能将受影响。AI的应用需要计算机科学家、临床研究人员、临床医师和其他专业人员之间的密切合作，目前的应用大多局限于某一项诊疗设备或者数据集，不能全面地进行分析，设计研究和解释结果时，必须考虑偏倚，如按地理、人口和社会经济地位划分的互联网访问的差异性等。在此呼吁构建全球范围内多中心、完整通用的数据集共识及标准具有迫切性，通过建立规范的标准，多学科多中心加强合作，对AI的应用及评价更为全面、客观，更易普及及推广应用。
从年起发表的关于3D打印技术在心血管疾病中的应用文章来看，主要是应用于左心耳封堵术（占50.3％），其次是经皮主动脉瓣置换术（占17.6％）[31]，CT和超声心动图是生成3D打印心脏模型数据源的两种主要成像技术。但是，通过CT或MRI获得的部分图像分辨率不足，比如并不能很好地分辨房室瓣或房间隔。基于3D超声心动图数据源的3D打印具备克服这些局限性的潜力，而血管造影成像的3D打印更适宜拓展。
另外，在婴幼儿中，随着时间流逝会伴随体细胞的生长和病理生理学的变化，引起解剖结构发生较大的变化，因而成像和3D建模应在预期术前时间附近进行。目前3D打印的组织特性无法像天然组织一样对球囊、支架或者封堵器等做出反应；尤其体外打印的模型难以重现实际腔内操作时的生理血流环境。现有技术局限性对研究的热度及
转载请注明：http://www.galanzweibolu.com/xjbzyzl/8084.html
