人工智能在医学影像分析迈出重要一步！Nature子刊发表赵世华教授团队研究成果

编者按

5月13日，国际著名医学杂志《自然·医学》在线发表了由中国医学科学院阜外医院磁共振影像科赵世华教授团队领衔的基于人工智能的多中心、大样本的临床研究成果——《基于磁共振成像的人工智能筛选和诊断心血管疾病》，填补了人工智能在心脏磁共振诊断领域的空白。中国医学论坛报社特邀赵世华教授团队撰写解读文章，介绍研究设计及结果，并分享其未来研究方向。

背景介绍

心脏疾病是危害人类生命安全的首要死因。根据世界卫生组织的报道，每年约有1790万人死于心血管疾病，占全世界死亡人数的32%。得益于其结构、功能和组织学上的优势，心血管磁共振成像被誉为评估心脏结构和功能的“金标准”，在心血管疾病的鉴别诊断和预后评估以及危险分层上扮演着重要的角色，为心脏疾病的诊疗提供了可靠的支持和指导。

然而，尽管心血管磁共振成像（CMR）在心脏疾病诊断中有着重要的价值，但相较于其他影像学诊断手段，其扫描复杂度高、图像解读需要较强的专业技能，导致有经验的心血管磁共振医生数量相对有限，难以及时准确地对心血管疾病进行诊断。因此，开发一套自动诊断系统对心脏疾病进行快速筛查和诊断，具有重要的临床意义。

近年来，人工智能技术在医学上得到了广泛的运用。深度学习方法，得益于其对原始图像和视频中特征与运动模式识别的能力，可以自动从原始数据中提取信息，不需要人为进行特征工程和数据预处理，使得其在处理心脏磁共振数据上有着得天独厚的优势。同时，深度学习方法的一大优势是其有较强的鲁棒性（robustness），避免了人与人之间的差异性，可以提供更加客观的诊断结果。然而，由于心血管磁共振成像的复杂性，既往深度学习方法在心血管磁共振成像上的运用往往局限于单一参数的计算（如射血分数的计算和壁厚测量）或者单独疾病的诊断上（如心肌瘢痕的识别），缺乏一个全面的、包含主要心血管疾病的诊断模型，也限制了人工智能在CMR中的推广和应用。

为填补人工智能在心脏磁共振诊断领域的空白，赵世华教授领衔发起了这项多中心人工智能磁共振研究。研究结果显示，人工智能方法可以对11种主要心血管疾病进行有效诊断，且其准确率可与有丰富经验的影像学医生相媲美。该研究成果也标志着人工智能技术在医学影像分析中迈出了重要的一步。

研究设计

该研究开发和验证了一种基于深度学习的心脏疾病自动筛查和诊断系统，通过深度学习模型实现了对心脏区域的定位和判别，实现了全自动化的基于心脏磁共振成像的心脏疾病筛查和诊断。

仿照临床工作的实际流程，分为筛查和诊断两个阶段。第一阶段为筛查阶段，通过常规的心脏电影（包括长轴电影和短轴电影）来实现心血管疾病患者的筛查。第二阶段为诊断阶段，对模型初步诊断为心脏病的患者进行进一步评估。在这一阶段，在使用心脏电影的基础上，我们将LGE短轴图像一并导入模型，来进行11种主要心血管疾病的分类诊断。考虑到相较于需要注射钆造影剂的LGE图像，电影图像的扫描技术难度相对较低，更加安全也更容易采集。这样的设计更加符合临床上心脏磁共振的扫描诊断流程，实现不同患者的逐级诊断，可以更好地进行临床推广。

该研究使用聚焦注意力机制的基于视频的旋转转换器（Video-based Swin Transformer，VST）模型，而不是传统的卷积神经网络（CNN）作为深度学习模型框架。相较于传统的CNN模型，作为一种可以处理视频序列的Transformer模型，VST模型在许多视频处理任务上显示出了极大的优势。考虑到心脏电影序列的运动特性，我们最终选择VST模型作为模型基础框架。此外，本研究还通过模型融合技术，将不同CMR序列图像输出特征进行融合。这种方法充分利用了CMR成像的多模态优势，不仅增强了模型对心脏组织学变化的识别能力，而且为实现实时、准确的CMR自动诊断提供了新的途径，使得CMR在心血管疾病筛查和诊断上得到了更广泛的应用。

研究设计

研究结果显示，对于11种主要的心脏疾病，基于人工智能的深度学习模型都实现了良好的筛查和诊断效果，其曲线下面积（AUC）均高于0.90。基于500例患者的对照实验结果显示，深度学习模型的整体诊断效能不仅明显优于一般的影像学医生，还可以和有着十年以上临床经验的资深影像学专家相媲美（F1 分数：0.931对0.927，准确性：0.932对0.928），并在部分疾病（如肺动脉高压）的诊断上优于影像学专家。在效率上，深度学习模型可以大大降低诊断所需的时间（1.94 min对418 min），可实现心脏疾病的实时自动化诊断。

下一步展望

本研究聚焦于11种常见的心血管疾病，证实了基于心脏磁共振的深度学习模型在不同心脏疾病和筛查上的能力。然而，考虑到心脏疾病的多样性和复杂性，本研究并未包括罕见病种，如法布里病、遗传性代谢性心肌病，以及混合型心肌病等。此外，对于主要心血管疾病的亚型划分（如肥厚型心肌病亚型等）也未作深入研究。鉴于精确识别不同心脏疾病及其亚型对针对性治疗方案的设计具有重要意义，这也将是我们下一步的工作方向之一。

CMR作为集结构、功能和组织学为一体的成像技术，是评价心脏功能的金标准。其病理影像化的独特能力，使得其在心脏疾病的诊断和治疗中占有重要地位。本研究主要纳入的序列为心脏电影序列和LGE序列，然而磁共振的一大优势是在于其丰富的对比度和参数信息。不同磁共振模态，如T1 mapping序列、T2mapping序列和细胞外容积（ECV）序列等，都可以从不同方面反映心脏不同组织学的变化。因此，我们会逐步将更多的磁共振序列纳入深度学习模型，尝试取得更好的诊断效果。

心脏疾病的一大特点是其异病同源的特性，不同心脏病的病理改变有着共性，主要为心脏功能的改变和组织学上的改变，而组织学改变又主要体现在纤维化和炎症表现上。我们的研究已经证明，深度学习模型可以通过功能和组织学的改变来进行心脏疾病的诊断。在未来，我们也计划通过深度学习模型来建立不同心脏疾病的预后风险模型，实现从诊断到预后治疗的推广。

总之，深度学习模型在心脏疾病筛查和诊断上显示出了独特的优势。考虑到磁共振的多模态特性，是否可以通过结合临床参数，增加新的心血管磁共振序列，建立更加精准、更加全面的心血管疾病诊断模型，并通过预测预后以指导临床用药和手术干预，从而实现诊疗一体化，亦是我们下一步的研究方向。

该研究由阜外心血管病医院磁共振影像科赵世华教授团队和斯坦福大学的王嫣然博士牵头组织，联合北京协和医院王怡宁教授团队、广东省人民医院刘辉教授团队、北京安贞医院赵蕾教授团队、华中科技大学同济医学院附属同济医院黄璐团队、哈尔滨医科大学附属第二医院李云灵团队、上海交通大学医学院附属仁济医院吴连明团队和兰州大学第一医院陈梓娴团队等多家医院共同完成。