循心電蹤跡，探心臟奧秘！

      AI是計(jì)算機(jī)科學(xué)的一個(gè)分支，是使機(jī)器模仿人類智力處理問題，包括機(jī)器學(xué)習(xí)（machine learning, ML）和深度學(xué)習(xí)（deep learning, DL）等。AI的工作模式見圖1。

      ML作為一門交叉學(xué)科，是在統(tǒng)計(jì)學(xué)和計(jì)算機(jī)科學(xué)的交互作用下產(chǎn)生的，主要研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)，從而不斷完善自身的性能。ML的過程可大致分為數(shù)據(jù)預(yù)處理、特征提取、數(shù)據(jù)分類、模擬訓(xùn)練及優(yōu)化。ML主要分為監(jiān)督式學(xué)習(xí)、非監(jiān)督式學(xué)習(xí)和強(qiáng)化學(xué)習(xí)三種基本類型：監(jiān)督式學(xué)習(xí)是依靠正確標(biāo)簽的訓(xùn)練資料，根據(jù)輸入值得到可能的輸出(預(yù)測(cè)或分類)，常用于疾病的診斷和預(yù)測(cè)；非監(jiān)督式學(xué)習(xí)不需要預(yù)測(cè)結(jié)果，主要是為發(fā)現(xiàn)數(shù)據(jù)集中不同變量之間的運(yùn)算結(jié)果或相關(guān)關(guān)系，常應(yīng)用于患者的個(gè)體化分類管理；強(qiáng)化學(xué)習(xí)是通過給定的輸入數(shù)據(jù)和結(jié)果進(jìn)行循環(huán)試驗(yàn)學(xué)習(xí)的行為，目前在醫(yī)學(xué)領(lǐng)域應(yīng)用較少，未來(lái)可能在患者個(gè)體化用藥指導(dǎo)方面有較大的應(yīng)用前景。

      DL是ML研究的一個(gè)新領(lǐng)域，目的在于構(gòu)建與人類大腦類似的神經(jīng)網(wǎng)絡(luò)，包括神經(jīng)網(wǎng)絡(luò)（neural network，NN）和卷積神經(jīng)網(wǎng)絡(luò)（convolution neural network, CNN）等。NN是一種模擬人腦對(duì)眾多信號(hào)進(jìn)行整合計(jì)算的數(shù)學(xué)模型，可以對(duì)復(fù)雜信息進(jìn)行簡(jiǎn)單的統(tǒng)籌處理。CNN是DL模型中應(yīng)用最廣泛的一種，能夠仿造生物的視覺和知覺機(jī)制，通過多次卷積計(jì)算對(duì)數(shù)據(jù)集特征進(jìn)行分類提取，并依靠模型認(rèn)知能力得到結(jié)果，常用于臨床圖像采集、處理和解析。相較于ML，DL具有以下優(yōu)點(diǎn)：① 數(shù)據(jù)處理精確度更高；② 可以使用更多數(shù)據(jù)進(jìn)行更好的擴(kuò)展；③  不需要輸入復(fù)雜的特征參數(shù)，而可以直接處理數(shù)據(jù)；④ 適應(yīng)性強(qiáng)，易于在不同領(lǐng)域間切換。但DL同時(shí)具有以下缺點(diǎn)：① 需要較大的數(shù)據(jù)集，② 需要高端的圖形處理器，其價(jià)格昂貴，③ DL模型是“黑匣子”型，很難了解其“內(nèi)部”。

3.1  左心房三維影像構(gòu)建及其纖維化或瘢痕程度的自動(dòng)識(shí)別

      導(dǎo)管消融術(shù)是治療房顫的有效手段。消融術(shù)前通過影像學(xué)檢查評(píng)估左心房情況以及相關(guān)解剖非常必要，但是人工處理影像學(xué)數(shù)據(jù)將耗費(fèi)大量時(shí)間，且可能造成一定誤差，而AI技術(shù)可以很好地滿足這一需求。國(guó)內(nèi)大部分中心在術(shù)前會(huì)進(jìn)行左心房CT檢查以明確肺靜脈解剖。CHEN等通過深度CNN構(gòu)建，自動(dòng)識(shí)別CT影像并重建左心房三維解剖結(jié)構(gòu)模型（圖2A），發(fā)現(xiàn)該模型識(shí)別CT影像中左心房結(jié)構(gòu)的準(zhǔn)確率達(dá)99.0%，敏感性99.3%，特異性98.7%。

      近年來(lái)，心臟磁共振技術(shù)在房顫患者中的應(yīng)用逐漸增多，通過數(shù)據(jù)定量分析、三維重建并結(jié)合延遲釓增強(qiáng)序列，可評(píng)估左心房纖維化程度，指導(dǎo)房顫消融策略的制定。BAI等使用一種CNN圖像分割算法處理5 008例患者的心臟磁共振圖像序列；與人工處理相比，CNN在不降低圖像識(shí)別準(zhǔn)確度的同時(shí)，還能顯著縮短處理時(shí)間（圖2B）。

      此外，AI在左心房瘢痕區(qū)域識(shí)別上也有較大優(yōu)勢(shì)。VALINOTI等使用DL技術(shù)對(duì)左心房分割影像和左心房瘢痕區(qū)識(shí)別進(jìn)行自動(dòng)整合（圖2C），并將處理結(jié)果導(dǎo)入三維指導(dǎo)系統(tǒng)，有助于減少手術(shù)時(shí)間和開展個(gè)體化消融。SHADE等的研究納入32例陣發(fā)性房顫患者，在消融術(shù)前行心臟磁共振檢查，構(gòu)建左心房三維圖像并識(shí)別纖維化區(qū)域，隨后進(jìn)行左心房各部位起搏以嘗試誘發(fā)房顫；利用ML對(duì)磁共振檢查和左心房起搏結(jié)果進(jìn)行分析并構(gòu)建預(yù)測(cè)模型，結(jié)果發(fā)現(xiàn)該模型預(yù)測(cè)消融術(shù)后房顫復(fù)發(fā)的敏感性82%，特異性89%。

      上述研究表明，AI應(yīng)用于房顫消融術(shù)前影像學(xué)檢查具有獨(dú)特優(yōu)勢(shì)。盡管上述技術(shù)具有較好的應(yīng)用前景，但仍需在解剖結(jié)構(gòu)不同的患者中進(jìn)行驗(yàn)證，從而得出相關(guān)參數(shù)的標(biāo)準(zhǔn)區(qū)間。

3.2  左心房時(shí)間-空間激動(dòng)模型的自動(dòng)分析

      房顫消融術(shù)中需對(duì)左心房進(jìn)行電生理基質(zhì)標(biāo)測(cè)，而不同術(shù)者對(duì)結(jié)果的解釋往往存在較大的主觀性，導(dǎo)致消融術(shù)式出現(xiàn)差異。近年來(lái)，AI逐漸用于標(biāo)測(cè)結(jié)果分析，通過ML自動(dòng)分析左心房時(shí)間-空間激動(dòng)模型以指導(dǎo)消融。ALHUSSEINI等通過訓(xùn)練監(jiān)督學(xué)習(xí)CNN對(duì)35例持續(xù)性房顫患者進(jìn)行數(shù)據(jù)分類，以識(shí)別可終止房顫的有效消融位點(diǎn)，最終發(fā)現(xiàn)該模型預(yù)測(cè)的準(zhǔn)確率達(dá)95%。既往研究顯示，存在肺靜脈以外的觸發(fā)灶是消融術(shù)后房顫復(fù)發(fā)的重要預(yù)測(cè)因子，對(duì)這些觸發(fā)灶進(jìn)行消融可以提高手術(shù)成功率。LIU等納入358例接受導(dǎo)管消融術(shù)且術(shù)后1年未復(fù)發(fā)房顫的陣發(fā)性房顫患者，根據(jù)是否存在肺靜脈外觸發(fā)灶分為兩組，并應(yīng)用DL分析消融前肺靜脈CT影像、預(yù)測(cè)肺靜脈外觸發(fā)灶的存在情況，發(fā)現(xiàn)該模型預(yù)測(cè)的準(zhǔn)確率達(dá)（82.4±2.0）%，敏感性（64.3±5.4）%，特異性（88.4±1.9）%。

3.3  患者的個(gè)體化分類管理

      近年來(lái)，歐洲心臟病學(xué)會(huì)、美國(guó)心臟協(xié)會(huì)等發(fā)布的房顫指南均強(qiáng)調(diào)個(gè)體化綜合管理，包括癥狀管理、藥物治療（控制心室率、抗心律失常及抗凝藥物）以及器械治療（左心耳封堵及起搏治療）等。在HUAWEI Heart Study中，95.1%經(jīng)智能手環(huán)篩查及醫(yī)療機(jī)構(gòu)確診的房顫患者進(jìn)入管理平臺(tái)，該平臺(tái)基于智能手環(huán)及手機(jī)應(yīng)用軟件對(duì)房顫患者進(jìn)行綜合管理，入選患者中80%的房顫高危人群接受了抗凝治療。傳統(tǒng)的監(jiān)督學(xué)習(xí)通過房顫類型等特定的標(biāo)準(zhǔn)對(duì)患者進(jìn)行分類，這樣做盡管可以提升房顫管理效率，但無(wú)法全面反映患者之間的個(gè)體化差異。目前，無(wú)監(jiān)督AI技術(shù)已開始應(yīng)用于房顫管理，由于沒有標(biāo)準(zhǔn)的分類方法，因此有可能從患者資料中挖掘出數(shù)據(jù)亮點(diǎn)，并實(shí)行個(gè)體化分類管理。INOHARA等納入約10 000例患者，根據(jù)基線資料將其分為4類：① 危險(xiǎn)因素及合并疾病較少的房顫患者；② 年輕和（或）共存行為障礙的房顫患者；③ 合并快慢綜合征、需植入器械治療的房顫患者；④ 合并冠狀動(dòng)脈疾病、急性心肌梗死和（或）動(dòng)脈粥樣硬化的房顫患者。該研究表明，相較于第一類患者，其余三類患者的主要心血管事件、神經(jīng)系統(tǒng)事件以及主要出血事件的發(fā)生風(fēng)險(xiǎn)更高，須引起臨床醫(yī)生的關(guān)注。

3.4  督促規(guī)范化用藥和監(jiān)測(cè)服藥安全性

      AI技術(shù)不僅可以在患者的風(fēng)險(xiǎn)評(píng)估及分組管理中發(fā)揮作用，還有助于督促患者規(guī)范化用藥。在過去的十年間，新型口服抗凝藥物的應(yīng)用越來(lái)越廣泛，大有取代華法林的趨勢(shì)，但部分患者（終末期腎臟病、瓣膜性房顫患者等）仍只能服用華法林進(jìn)行抗凝。不同個(gè)體應(yīng)用華法林的起始劑量不一，給華法林抗凝治療帶來(lái)挑戰(zhàn)，而ML算法可基于人口學(xué)、臨床以及藥學(xué)數(shù)據(jù)，為不同個(gè)體給出適宜的華法林用量。此外，患者服用抗凝藥物的依從性較差，相當(dāng)一部分患者服用一段時(shí)間后自行停藥。隨著新型口服抗凝藥應(yīng)用于臨床，服藥依從性有一定提升，但幅度不大。LABOVITZ等使用智能手機(jī)與AI技術(shù)相結(jié)合的方式對(duì)患者服藥進(jìn)行干預(yù)，通過視頻監(jiān)督確認(rèn)患者已服藥，結(jié)果發(fā)現(xiàn)干預(yù)組患者服藥依從性高達(dá)100%，而傳統(tǒng)方式服藥組僅50%。

      房顫患者常使用抗心律失常藥物，因此需要密切監(jiān)測(cè)心率、QT間期等，并根據(jù)QT間期、是否聯(lián)用致QT間期延長(zhǎng)藥物及腎功能情況等因素調(diào)整用藥，以防出現(xiàn)致心律失常作用等不良反應(yīng)。然而，僅通過QT間期無(wú)法準(zhǔn)確掌握患者的血藥濃度，ATTIA等的一項(xiàng)研究將DL和NN應(yīng)用于體表心電圖分析，發(fā)現(xiàn)其在預(yù)測(cè)抗心律失常藥物多非利特的血藥濃度上優(yōu)于單純分析QT間期，且DL模型對(duì)血藥濃度的預(yù)測(cè)值與真實(shí)值之間具有很好的相關(guān)性（r=0.85）。LEVY等通過ML模型得出每位患者多非利特的服藥劑量，準(zhǔn)確率高達(dá)96.1%。