心血管病早期筛查的人工智能技术应用(2)
2.2 低危人群早期筛查的人工智能技术应用
除了常规体检项目外,低危及以下体检筛查人群的常规必查项目主要包括颈动脉超声检查,脉搏波传导速度、踝臂指数检查。 2019 年肖月桐等[12]利用基于深度神经网络的人工智能技术方法,研究心电图自动分类诊断技术,通过直接对预处理后的心电信号进行神经网络图形识别学习训练,逐层提取心电图特征,最终拟合出心电图自动分类模型;再利用训练好的分类模型对临床心电图进行分类诊断测试,取得了良好的效果。 该研究中运用的人工智能技术主要是针对心电图图像进行图形特征识别,在深度学习训练中则采用监督学习的方法。
李方洁[13]认为,利用心电散点图技术分析心电信号,突破了过去计算机简单模仿人工诊断心电图的局限性;通过对连续RR 序列进行迭代作图,可展现心率系统的非线性混沌特征,将人们认识心脏节律的视野从传统的心电散点图二维波形图,拓展至高维相空间的新的分析模式。 通过对心电动力系统中的序列变量进行大量迭代计算,得到相空间高维几何构形的吸引子心电散点图,与心电波形图进行实时对照分析,能更好地表现出心电系统的混沌特征,更清晰地揭示传统的动态心电图分析方法无法揭示的某些隐含规律,再通过人工智能深度学习的方法匹配模式识别。
2019 年易力等[14]借鉴了王聪等[15]研究构建的一种人工智能神经网络模型,提出对取得的心电信号数据进行预处理后,利用确定学习理论算法获得心电动力学数据,再进行动力学信号的异质度特征提取,即基于心电信号混沌系统量化[16]特征值的计算,并通过大数据样本的机器学习训练,得出疾病的模式识别方法。 由于心电动力学信号比心电信号的敏感性更强,因此,利用这种人工智能技术识别心血管病病理特征的敏感性与特异性也大幅超过心电图图形识别,具有应用于低危人群早期筛查的潜力。
目前,低危人群早期筛查的人工智能技术应用主要集中在常规体检项目中的心电信号分析领域。由于心电检查具有无损、快捷、便于普及等优势,心电信号蕴含着反映心脏电过程的敏感信息,加之心电临床诊断技术日益成熟,因此,随着心电大数据的发展与处理技术的进步,相关研究将更趋于广泛和深入。 这正是心电信号分析先行得到人工智能技术加持的主要原因。
2.3 中危人群体检筛查的人工智能技术应用
2.3.1 中危人群体检筛查内容 中危及以上无症状体检人群应接受专业推荐项目检查。 专业推荐项目主要包括心脏超声检查、血管内皮功能检查、动态血压检查、动态心电图检查、运动心电图检查、心血管病相关生物标记物检查[10-11]。
2.3.2 专业推荐项目的人工智能技术应用 2017年李岭海[17]提出,使用人工智能深度学习方法处理超声心动图,以解决由于图像模糊所造成的人工判读难度大、准确度低的问题。 利用SURF 算法等分别提取患者超声切面图像的特征,然后比较测试图像特征值和训练图像特征值的差异,计算识别准确率。 模型的实现则采用Caffe 开放学习维护深度学习框架,训练出可识别心脏病类型的模型。 深度学习网络对超声心动图的识别准确率最高可达98%。2016 年张鸥[18]建立了动脉粥样硬化早期诊断的炎症因子诊断模型:首先,基于Logistic 回归分析筛选出用于建模的炎症因子;然后,分别用ROC 曲线、支持向量机、BP 神经网络建立动脉粥样硬化早期诊断模型。 该研究为临床早期发现动脉粥样硬化及动脉粥样硬化斑块的发展情况奠定了理论依据。 围绕专业推荐项目的人工智能技术应用,主要集中于图像智能识别领域,即利用神经网络建模技术替代人工经验识别。 现阶段,针对筛查人群进行大数据分析的技术应用还不够成熟,主要是因为数据量的扩大及数据的准确标记有赖于调动更多的资源来完成。
2.4 高危人群体检筛查的人工智能技术应用
2.4.1 高危人群体检筛查内容 针对发现明显异常的高危人群,视情况推荐其接受专业备选项目检查。 专业备选项目为核素心肌灌注显像(myocardial perfusion imaging,MPI)、冠状动脉钙化的电子束计算机断层扫描检测、冠状动脉CT 血管造影(coronary computed tomography angiography,CCTA)[10-11]。
2.4.2 专业检查项目的人工智能技术应用 2019年张海涛等[19]采用前瞻性研究、盲法评估、自身对照设计,基于评估冠状动脉生理功能的新型软件,利用人工智能技术计算基于CCTA 的血流储备分数(fractional flow reserve based on CT imaging,FFRCT);以疑似冠心病患者为研究对象,计算FFRCT诊断功能性心肌缺血的准确性、特异性、敏感性、阳性预测值和阴性预测值。 研究结果表明,该软件在功能性心肌缺血的评估方面具有较高的准确性及敏感性,实现了FFRCT的无创检查。 该评估软件基于图像的解剖学信息,利用人工智能的深度学习技术取代FFRCT所需的复杂运算过程,计算出了FFRCT,其技术核心是由海量的人工神经元所组成的神经网络。2020 年胡小丽等[20]采用人工智能技术对CCTA 图像进行处理与诊断研究,在保证图像质量及报告诊断效率的前提下,证实了人工智能软件在处理速度上较人类更有优势(3 minvs.20 min)。 在图像的自动分割和识别中,则采用深度学习方法,并利用最优网络探寻技术(optimal path detection)和专业Loss函数,当面对更加复杂的图像时,仍能进行更完整、更准确、更光滑的血管分割,从而提高识别效率。
上一篇:失眠机理的中西医研究进展
下一篇:乙肝肝硬化患者施予中西医治疗进展研究