心血管疾病由遺傳、環境和行為等多種因素引起，在本質上是復雜和異質的。心血管醫療正在轉向精準醫學的模式，即基于患者特異度的基因表型、臨床表現、生物標志物、心血管影像、行為特征等，采用量身定制的預防、診斷、治療和預后策略［1，2］。各種影像技術在心血管疾病的診斷、治療和預后管理中起著至關重要的作用。近些年來，心血管影像技術發展迅速，并產生大量的數據［3，4］。心血管疾病中大數據分析的指數增長和生物信息學的進步使得心血管醫療發生革命性的變化，因此特別需要人工智能（artificial intelligence，AI）幫助［5，6］。人工智能是計算機科學的一個領域，包括機器學習和認知計算等，旨在模擬人類的思維過程、學習能力和知識存儲。機器學習是人工智能的重要組成部分，已應用于心血管醫學，用于探索現有疾病的新基因型和表型，提高患者醫療質量，降低再入院率和病死率。計算機和影像技術的發展共同促進了機器學習在心血管影像中的應用［7］。機器學習法可以解決數據相關的問題，包括從現有測量數據的簡單查詢到分析原始圖像所涉及更復雜的挑戰。本綜述將從機器學習概念、分類、機器學習在心血管影像中的應用以及目前存在的限制和不足進行闡述。

機器學習的概念和分類

1．監督學習：

監督學習的特征是使用帶標記的數據集以及有相應的輸出標簽，通過已有的一部分輸入數據與輸出數據之間的對應關系，生成一個函數，將輸入映射到合適的輸出。可用于監督學習的算法包括支持向量機（support vector machine，SVM）、人工神經網絡、決策樹、隨機森林、樸素貝葉斯分類器等。支持向量機和人工神經網絡是兩種最流行的算法，因為它們與復雜的大數據（例如組學數據）兼容，并且比其他監督學習算法準確度更高［12］。監督學習算法已經成功地應用于心血管疾病的診斷、治療和預測以及心血管影像的圖像分析。Berikol等［13］研究機器學習是否有助于診斷急性冠狀動脈綜合征并指導臨床醫師進行后續的治療決策，對228例急診胸痛患者的臨床、實驗室和影像學資料進行回顧性分析并比較四種監督學習算法的效能（支持向量機、人工神經網絡、樸素貝葉斯和Logistic回歸）。228例患者中，99例（43.4%）診斷為急性冠狀動脈綜合征，使用支持向量機的分類模型達到了99.13%的成功率，準確度最高。結果表明，機器學習可以幫助急診科醫師利用各種數據迅速做出正確決策。監督學習算法需要大量的數據集來訓練模型和驗證數據集。監督學習還需要手動標記訓練數據集來預測已知的輸出結果（例如病死率和再入院率）。

2．無監督學習：

3．深度學習：

機器學習在心血管影像中的應用

在心臟磁共振檢查中，左室結構和功能是最主要的評價指標，而磁共振圖像缺乏像CT圖像中CT值那樣的標準度量，且容易受心臟搏動和呼吸偽影的影響，使得直接應用基于信號強度的圖像標注技術具有挑戰性。Avendi等［22］利用深度學習算法來進行磁共振圖像的左室完全自動標注，該技術準確度達到90%，平均標注時間《0.5 s，優于現有其他方法。Tan等［23］研究亦證實利用神經網絡回歸的自動左室標注算法，經多個醫學影像中心和掃描儀器的心臟磁共振圖像數據集進行驗證，Jaccard指數、Hausdorff距離分別為0.77和1.33，診斷效能較以往研究明顯提高，提示有很重要的臨床應用價值。

機器學習也可用于心電診斷影像領域。2017年，Kardia Mobile（KM）（AliveCor Inc.，San Francisco，CA，USA）獲得美國FDA批準，成為標準的醫療心率監測設備，它由一個帶有兩個導電板的小設備和一個安裝在用戶智能手機上的應用程序組成，適用于iOS和Android平臺智能手機用戶。患者只需將拇指放在集成式傳感器上，即可隨時隨地獲取心電圖數據，實現心律異常和心房顫動的監測，同時借助AI軟件分析心率和活動傳感器的數據，每月生成一次心電圖總結報告，并將記錄發送醫師。Koltowski等［24］證實KM與常規的12導聯心電圖相媲美，在房顫患者的診斷敏感度和特異度達92.8%和100%。臨床對這種易于使用的移動心電圖的需求是巨大的，KM的出現是心血管影像模式的轉變，是心血管醫療預防保健的重大進步。

2．預測心肌缺血和血運重建：

臨床醫師面臨的首要問題是選擇正確的治療方案。機器學習可以整合臨床數據和圖像定量特征，用于預測冠心病患者的早期血運重建。Arsanjani等［25］納入行單光子發射CT（single-photon emission computed tomography，SPECT）心肌灌注掃描后90 d內行有創冠狀動脈造影的713例患者，機器學習算法（LogitBoost）可以將得到的幾種圖像特征和臨床參數（包括患者性別、高血壓和糖尿病病史、基線心電圖的ST段改變、負荷運動時后的心電圖改變和臨床表現）相結合來預測血運重建。結果顯示，機器學習預測血運重建的能力與其中一位臨床醫師的診斷效能相似，而高于另一位臨床醫師的診斷（曲線下面積分別為0.81、0.81、0.72）。因此，機器學習方法在預測心肌灌注后的早期血運重建與經驗豐富的專家相媲美或更好。

機器學習也可聯合CCTA的定量參數來提高預測心肌缺血的準確度。Dey等［26］研究利用機器學習從CCTA圖像中所得到的定量斑塊參數的危險評分預測病灶的特異度缺血。該研究納入254例患者均行有創的血流儲備分數（fraction flow reserve，FFR）檢查和CCTA檢查，以有創FFR診斷特異度缺血為金標準，集成的機器學習算法包括運用增強的整體算法以及十倍的分層交叉驗證從定量的CCTA檢查中自動特性選擇和模型構建。結果顯示，機器學習預測病灶缺血的診斷效能優于狹窄程度、低密度非鈣化斑塊體積、斑塊總體積以及驗前概率（曲線下面積分別為0.84、0.76、0.77、0.74、0.63）。這些數據初步表明，結合定量狹窄指標和斑塊特征的客觀風險評分可以提高CCTA預測心肌缺血的能力，減少不必要的有創檢查。

3．進行冠心病風險評估，預測患者結局：

機器學習不需要對影響預后的因素進行預先假設，也不會忽略預后因素較弱的變量，有潛力聯合許多變量建立最優化的風險預測模型。van Rosendael等［27］納入CONFIRM研究中的8 848例可疑冠心病患者，旨在研究機器學習評分（包含CCTA所得到的16節段冠狀動脈樹參數以及XGBoost算法）是否可以提高預測惡性心臟事件發生的能力。結果顯示，與現有的CCTA危險評分相比，機器學習的預測模型準確度更高（曲線下面積分別為0.771和0.701）。另一方面，臨床醫師在作出治療決策時不僅僅依靠影像信息，還要考慮患者的年齡、病史以及其他臨床檢查結果。機器學習可以聯合患者的臨床信息與圖像的定量信息，得到預后評分系統，來預測疾病或患者的結局。這些對臨床醫師很有價值，因為根據定量參數評分而非主觀風險評估，可以促進各種治療方法的優化選擇。最近的一項研究表明［28］，通過將CCTA獲得的圖像信息與臨床信息相結合的機器學習算法可以準確地預測冠心病患者的全因病死率的結果。這是一項大型、前瞻性、多中心的研究，用于評價機器學習預測患者5年全因病死率的可行性和準確度，并與現行的臨床或影像度量指標進行比較。研究納入10 030例疑似冠心病患者并經過5年隨訪證實，所有患者均接受CCTA作為其常規檢查，并對25個臨床和44個CCTA參數進行評估，包括節段狹窄評分、節段累及評分、改良Duke指數、非鈣化斑塊、混合斑塊和鈣化斑塊的節段、患者年齡、性別、標準心血管危險因素和Framingham風險評分（Framingham risk score，FRS）等。機器學習通過信息增益排名自動進行特征選擇，并通過增強的集成算法建立模型以及十倍分層交叉驗證。與FRS或CCTA評分（節段狹窄評分、節段累及評分、改良Duke指數）相比，機器學習用于預測全因病死率的效能更好（曲線下面積分別為0.61、0.64、0.64、0.62、0.79）。通過比較凈再分類改進指標，機器學習可以更恰當地區分風險類別，5年病死率的風險評估明顯優于現有的臨床或CCTA的單獨度量。Betancur等［29］證實結合心肌灌注圖像的各種參數和臨床信息的機器學習模型在預測3年惡性心血管事件的準確度優于目前自動灌注圖像評估方法。因此，機器學習在評估心血管疾病的預后風險方面具有重要的價值。

機器學習的挑戰和不足

1．主要限制：

盡管機器學習在心血管影像中顯示出了巨大的潛能，但仍然存在一些不足，影響其在臨床中的廣泛應用。第一個問題是數據集的數量和質量。在心血管影像領域，許多研究都是使用相對較小的數據集進行的，而機器學習若基于較小數據集所建立的模型并不能很好的推廣應用。例如，卷積神經網絡使用多參數的多層方法進行圖像分析，需要大量的數據才能做出準確的預測。使用不同的圖像采集技術對算法進行精確的訓練，也會增加所需的病例數。例如，罕見的心血管疾病，由于缺乏足夠的影像學資料，機器學習法應用可能受到限制。第二個問題是機器學習和心血管影像學各自的復雜性。有些機器學習的方法過于復雜，例如有關深度學習的新算法，需對解決的問題建立嚴格的假設并生成許多變量，結果解讀困難，使其難以直接應用于影像學問題。從心血管醫療的角度來看，也存在著疑難復雜的問題，例如先天性心臟病種類繁多復雜，影像表現多樣，目前沒有已知的機器學習方法可以解決這些問題。第三個問題是醫師的抵抗性。機器學習這種高級圖像分析和解讀工具的出現可能會引起醫學界對其工作的恐懼，害怕某種程度上取代他們的工作。然而，醫師應該以積極的態度看待這些發展，因為機器學習可以實現更優化、更個性化診斷評估患者，有助于實踐精準醫學原則［30，31］。

2．模型的欠擬合或過擬合：

3．外部驗證：

如果患者或圖像特征發生變化，由特定的研究機構或特定類型的設備所進行圖像和臨床數據訓練的機器學習模型診斷效能會下降。因此，機器學習應該在涵蓋廣泛人群特征和多種檢查設備的多中心研究中開發和驗證。另外，需要對訓練集以外的數據進行正式驗證。然而，由于目前全國的數據共享存在障礙，這實施起來可能會很困難。此外，在即使在同一醫療中心，心血管疾病患者的特征和發病模式也可能隨時間發生變化，因此機器學習模型可能需要逐步適應這種改變。

機器學習未來的研究方向

未來，心血管影像數據將更容易與電子病歷和其他大數據集中的非影像數據聯系起來。一方面，機器學習能從這些大數據集中提取知識，包括社會人口學、影像、臨床、實驗室檢查以及遺傳學信息，用于個體化臨床決策的制定和結局的預測分析，這可以為精準醫療鋪平道路［33］。不同的機器學習的算法可以揭示心血管醫學大數據中的隱藏模式，有助于理解特定患者群體中微妙的個體風險因素、行為驅動因素，目標是實現精確診斷、風險分層和個性化治療。另一方面，機器學習算法在前瞻性臨床試驗中的應用，將使其能夠與當前的醫療實踐標準進行比較，可能帶來新的治療方式，并有助于改善個體化心血管醫療。機器學習在可預見的未來不會取代醫師的工作，相反，我們相信人工智能特別是機器學習可以擴大和擴展目前的心血管醫療服務實踐，提高醫師的工作效率，并提高患者的醫療護理和滿意度。

總之，機器學習方法已廣泛應用于心血管影像領域，成為許多圖像采集和處理算法的核心技術。機器學習可以整合臨床及影像數據，優化臨床工作流程，提高心血管疾病的診斷治療、危險分層和結局預測。隨著機器學習應用范圍的不斷擴大，以及對其能力以及不足的深入了解，將有潛力促使心血管疾病診療的快速進步