深度学习技术在医疗领域中的应用
声明：本文为火石创造原创文章，欢迎个人转发分享，网站、公众号等转载需经授权。
随着医疗信息化和数字化诊断的发展，医疗监测指标不断增长，数据量越来越庞大，亟需强大的数据处理能力为医疗领域提供有力的支持。深度学习，作为AI领域炙手可热的一个分支，在语音识别和计算机视觉等方面得到飞速发展，在医疗领域的应用越来越落地。
一、认识“深度学习”
人工智能（ArtificialIntelligence，AI）是研究模拟、延伸和扩展人的智能的一门技术科学，AI技术可以在很大程度上提高工作效率，替代简单的人工劳动。新一代AI技术以大数据和机器学习为代表。机器学习作为一种高性能的AI技术，依赖于计算机的高性能存储能力和运算能力，可以基于大数据自动学习建立高效率、高准确率的算法。
深度学习本质上是一个复杂的机器学习算法，在语言和图像识别方面取得的效果远超过先前相关技术，在搜索技术、数据挖掘、机器学习、机器翻译和自然语言处理等领域取得了很多成果[1]。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，已经实现了许多机器学习方面的实际应用。
简单说，人工智能范围最大，涵盖机器学习、深度学习和强化学习。如果把人工智能比喻成孩子大脑，那么机器学习是让孩子去掌握认知能力的过程，而深度学习是这种过程中很有效率的一种教学体系。目前，常见的深度学习模型主要包括深层神经网络(DNN)、卷积神经网络(CNN)和循环神经网络(RNN)等。
二、盘点“深度学习”在医疗领域的应用
生物信息领域产生分子层面的基因突变、基因表达等数据；制药企业在药物研发过程中产生的临床试验数据；疾病患者或药物使用者在社交媒体发布的患病及用药感受；医疗移动设备收集的用户日常健康数据等。这些是医药大数据的主要构成部分，其对于医院的疾病辅助诊断和治疗方案确定、制药行业的研发及营销效率、监管部门对于流行病的预测和对药物不良反应的监测、患者的个性化治疗和个人健康管理等都具有重要意义。
深度学习作为大数据分析所涉及的关键技术之一，由于其克服了传统机器学习算法依赖人为特征建立与筛选的限制，在语音识别、视觉对象识别、目标检测、药物发现等诸多领域都取得了较好的实践结果[2]。目前，深度学习主要集中于对医学图像、电子病历、药物研发和基因组学的分析等。根据PubMed近十年的文章发布数目及趋势，可以看出，医学图像领域是当前深度学习研究和应用的热门领域。
（一）医学图像识别
据悉，目前我国医学影像数据年增长率约为30%，而放射科医师数量年增长率仅4.1%，放射科医师数量增长远不及影像数据增长。这意味着，医学图像识别领域存在巨大缺口，市场潜力巨大。
1.深度学习如何应用在医学影像领域
以深度学习为代表的“特征学习”，让计算机能以大数据为基础自动寻找目标的高维相关特征值，建立数据处理通道模型，实现全自动的智能处理流程，完成在指定应用场景下的目标的检测、分割、分类及预测等任务。其在医疗影像的应用，无需人工干预就可以通过深度学习的方法提取影像中以疾病诊疗为导向的最主要的相关特征，对医疗影像图像进行“阅片”，实现病灶的识别、定位、分类及预测等工作。
人工智能深度学习在医疗影像方面的应用可分为三个层级：（1）第一层为病灶检测，即对可疑病灶进行识别和勾画；（2）第二层是病灶量化诊断，帮助医生鉴别疾病良恶性、分型分期等；（3）第三层是治疗决策，未来有望通过影像数据和临床数据的相关性分析，帮助临床医生给出科学合理的治疗决策及预后预期。
医疗影像AI系统具有两大优势:（1）高准确率、高效率、高可靠性造就了出色的性能表现，并且这些性能还将在未来得到不断提升；（2）可复用性、可移植性、可延续性等优势更是令人类影像医生无法与之相比[3]。
2.典型企业案例分析
推想科技作为一家人工智能医疗创新高科技企业，利用深度学习技术，发展包括AI部署管理平台、AI大数据挖掘科研平台以及AI临床应用平台在内的医疗AI全流程平台，打造临床辅助、医疗质控、健康管理以及科研创新等医疗AI产品。截至2019年6月，推想科技的执行点已经覆盖全国32个省级行政区，同时完成了北美、亚太以及欧洲的战略布局，覆盖全球8个国家，每日完成辅助质控超40000例病例。推想科技已经成功晋身为“独角兽”企业。
汇医慧影作为一家致力于计算机视觉和深度学习技术应用的医学影像人工智能高新技术企业，将云胶片与AI辅诊结果结合在一起，即患者通过微信、短信、APP等在获取胶片时能够收到相应的人工智能辅诊参考结果。除了打磨AI辅助诊疗的工具外，汇医慧影也在不断完善数据中台建设，实现上述人工智能辅诊服务的运作，已经成为行业的佼佼者。
数坤科技作为国内领先的心脑血管AI公司，专注于心脑血管领域的影像辅助诊断，已经走在前列。自2018年初在全球范围内首推冠脉CTA人工智能辅助诊断系统以来，数坤科技的心脏疾病AI产品，包括冠脉CTA，冠脉CTFFR、斑块成分分析、门控钙化积分、主动脉形态与功能，已经覆盖形态学到功能学冠心病AI诊疗全链路，并落地于北京安贞与阜外医院等心血管头部医院和全国150多家三甲医院。
（二）电子病历
电子病历中的数据主要为自由文本，除了结构化的病人基本信息外，还包括非结构化的诊断信息、用药信息、检查信息、临床记录等，加上个人电子病历的时序性，人工方法或原有的计算方法难以对其进行分析与利用。
深度学习具有对大量数据进行分析的能力，通过特征提取及算法优化等，针对某一种疾病进行大规模分析，从而得到病因、发病率、用药效果等全面信息；此外，也可以针对同一病人不同时间节点的持续分析。因此，对个性化治疗、疾病预测、临床诊断等都具有重要意义。
研究结果显示，与传统预测方法相比，深度学习实现了对异源数据更加快速且有效的利用，使用深度学习模型对大量异源电子病历中的住院死亡率、30d内再住院、住院时间延长以及病人出院诊断都取得了较好的预测效果。
另有研究显示，根据约18万名慢性病患者的当前健康数据、电子病历中的医疗记录和人口基本信息，利用深度学习的方法对病人是否存在高血压风险进行预测，最终获得82%的准确率，这对于疾病辅助诊断及病人自我健康管理都具有重要意义。
（三）药物研发
传统的基于单一靶标的药物研发过程因效率低、开支高，难以满足市场需求。“基于系统的药物设计”将药物分子信息与疾病调控网络、基因组、蛋白质组、代谢组等各类数据信息进行综合利用，是未来的药物设计方向之一。
LinkedOpenDrugData(LODD)以RDF的形式关联了有关药物的不同方面信息，例如药物对基因表达的影响、药物全面的靶标信息等，方便研究者通过检索关键词（例如“阿尔茨海默综合症”），从而得到与其相关的所有动态、可视化的信息（疾病特征、相关基因、药物等）。
深度学习算法是一种非常适合于大数据分析的机器学习算法，具有“抽象概念”处理能力。使用深度学习算法，能够改进以往药物设计与药物信息中已建立的多种机器学习模型。在药物小分子结构信息处理上，由于化学分子数量多、结构复杂，使用传统的算法处理信息时能力常有不足，而使用深度学习等算法能够改变这一局面，促进化学信息学的发展。
另外，大数据分析方法对于组学和系统生物学等复杂数据具有较强的分析能力，可以促进基于系统的药物设计和药物信息研究的发展，如药物靶标鉴定和关键靶标的选择和组合等。以中药信息研究为例，中药的药理学和毒理学研究是一个复杂问题，包括中药的复方、药材、分子成分和含量、分子代谢、对应症、中药分子和靶标之间复杂的相互作用等，以上因素之间存在多重关联关系，这些复杂的动态和非线性特征均显示深度学习等大数据分析方法可应用于上述领域。
三、深度学习未来应用领域
（一）疾病治疗决策
随着对某一疾病的研究愈发深入和深度学习模型的准确度逐渐提高，未来将有望搭建针对各个疾病的预测诊断平台，从医院和患者的实际需求出发，将疾病的综合信息和患者的个体化信息综合分析，为医生的诊断提供参考意见。
如卢春城利用开源深度学习平台—TensorFlow搭建糖尿病预测模型，深入研究数据预处理的相关理论，根据前向传播算法和BP算法搭建深度神经网络（DNN）作为分类器，搭建糖尿病预测诊断平台。实验结果表明，基于深度神经网络（DNN）算法构建的预测模型相比于传统的机器学习预测模型有一定的优势。随着数据集的增大，深度神经网络模型的优势会更加显现，可以不断提高预测的准确度，从而为患者的疾病诊断、合理用药提出参考意见，并预测患者的康复时间等相关信息[6]。
（二）中医健康管理
中医健康管理是基于传统中医基础理论的发展并和现代科学管理理念相结合，包含了健康信息采集、状态辨识、干预和疗效评价等方面的内容，主要指在中医理论指导下，对个体所表现出的外在表征信息，进行综合分析，从而对个体人整体反应状态（包含程度、部位、性质）做出的判断，辨别生命所处的状态。
深度学习技术可以根据表征参数，辨别状态要素，从而判断机体所处状态。表征参数的采集格式可以是文字、数字、图像、声音等多种来源，通过四诊规范化进行统一规范，再进行辨识分析。随着技术的发展，也可以采用多源异构的方法，直接采用多种格式、多种途径来源的数据直接进行分析，如此，资料的丢失率会更低，相应的准确率会更高。借助AI技术，中医健康管理将更好地发挥作用，为人类健康事业做更多贡献[7]。
四、小结
综上所述，基于深度学习的人工智能技术能在一定程度模拟人类的思维，并从新的信息中进行学习，建立自组织学习机制，为其在复杂的医疗领域提供了新的解决方案。目前，深度学习的应用主要集中于医学图像、电子病历、药物研发和基因组学的分析等方面，未来应用领域包括疾病治疗决策和中医健康管理等。
随着大数据时代的来临，以及计算资源和人工智能技术的大幅度提升，新模型、新理论的验证周期将大大缩短，深度学习或将在更多领域进一步推动智能化医疗技术的发展。
参考文献/资料：
[1]TheLatestProgressofDeepLearning.ComputerScienceandApplication[J].计算机科学与应用，2018，8(4)，565-571.
[2]赵霞，陈瑶，郑晓南，等.深度学习在医药大数据中的应用研究进展[J].药学进展，2019，43(1):64-69.
[3]柴象飞.跨界融合，医疗影像AI正当时[J].人工智能，2018(4):60-69.
[4]RajkomarA，OrenE，ChenK，etal.Scalableandaccuratedeeplearningwithelectronichealthrecords.DigitalMedicine，2018，1(1):18.
[5]LafreniereD，ZulkernineF，BarberD，etal.Usingmachinelearningtopredicthypertensionfromaclinicaldatase.2017:1-7[2018-12-10].
[6]卢春城.基于深度学习的糖尿病决策算法研究[D].浙江大学，2019.
[7]李灿东，辛基梁，雷黄伟，等.中医健康管理与人工智能[J].中华中医药杂志，2019，34(8):3586-3588.
—END—
作者|薛睿
责编|老姜
AI技术在医学影像中的应用及行业发展现状
声明：本文为火石创造原创文章，欢迎个人转发分享，网站、公众号等转载需经授权。
随着技术飞速发展、医学数据的持续扩增以及硬件设备的不断提升，人工智能和医疗的结合方式越来越多样化。目前AI在医疗领域中的落地的应用场景主要有医学影像、智能诊疗、智能导诊、智能语音、健康管理、病例分析、医院管理、新药研发和医疗机器人等，其中在医学影像中的应用最为广泛。
一、影像医学发展现状
医学影像是医生完成诊断的主要依据，通过对影像的分析和比较，从而完成有依据的诊断。但是在实际过程中，往往会存在以下问题：
（1）影像学诊断人才资源紧缺。医疗机构普遍缺乏高水平的影像医师，在疾病诊断时往往会发生同病异影，异病同影等情况。
（2）传统定性分析存在诊断误差。医生普遍擅长定性分析，很多微小的定量变化无法通过肉眼判断，很难做到定量分析。
（3）医生阅片时间长。目前的影像呈现方式为数据和图像，而不是最有效的信息，很大程度上限制了医生的人工阅片速度。
二、AI+医学影像助力疾病诊断
通过引入人工智能可有效解决部分问题，目前人工智能在医学影像领域的应用方向主要以下几类：
1.影像设备的图像重建
AI可以通过算法的图像映射技术，将采集的少量信号恢复出与全采样图像同样质量的图像，而且使用图像重建技术，可以由低剂量的CT和PET图像重建得到高剂量质量图像。这样在满足临床诊断需求的同时，还能够降低辐射的风险。
2. 智能辅助诊断疾病
（1）智能辅助诊断肺部疾病
国内应用AI+CT影像最为成熟的领域在肺结节的识别上。AI能够有效识别易漏诊结节比如6mm以下实性结节和磨玻璃结节，且准确率在90%左右，同时能提供结节位置、大小、密度和性质等。除此之外，能对肺结核、气胸、肺癌等肺部疾病进行筛查。
（2）智能辅助诊断眼底疾病
目前应用最为广泛的是筛查糖网病。糖网病是常见的视网膜血管病变，也是糖尿病患者的制药致盲眼病，早期往往没有任何临床症状，一旦有症状已错过最佳治疗时机。
我国糖网病患者约2700万，随着人们对糖网病筛查的重视，眼底读片需求增加，但从事眼底医疗服务和研究人员仅800～100人，医疗资源严重匮乏，误诊、漏诊情况较多。将人工智能应用到眼底读片中，进行初步筛查，可大大改善目前糖网病筛查效率。
AI通过对眼底图像的深度学习，可实现对部分眼底疾病，除了糖网病，还有青光眼、老年性黄斑变性、白内障和黄斑裂孔的诊断。
（3）智能辅助诊断脑部疾病
目前脑部疾病的智能诊断包括脑出血、内动脉粥样硬化诊断、颅内动脉瘤诊断和颈动脉易损斑块评估等。
其中，脑出血是神经内外科中高致死致残率的一种难治性疾病。AI+头部CT，基于机器视觉与深度学习技术，可以迅速定位脑出血区域，精确量化出血体积，判断是否存在脑疝，同时，能以秒级速度完成专业要求高、耗费时间长的影像评估，协助医生准确判断，让患者第一时间获得最优治疗方案。
（4）智能辅助诊断神经系统疾病
AI在神经系统疾病里的应用主要包括癫痫、阿尔兹海默症、帕金森病。AI可以将患者的影像数据进行处理分析，并与正常人群组做统计比对，从而计算得到代谢异常的病灶大小、位置等信息，通过认知技术，给出治疗方案的建议以及治疗效果的预测。
（5）智能辅助诊断心血管疾病
AI可以在胸部CT数据基础上，利用深度学习技术和图像处理技术，设计特定算法后评估冠状动脉易损斑块，进行冠心病智能辅助诊断，规划支架手术置入方案等。同时还可以智能诊断主动脉疾病类型、主动脉瘤等复杂疾病。
3.智能勾画靶区
目前，放疗是肿瘤病人的主要治疗方式之一，而病变器官的正确定位及精准勾画是放疗的基础和关键技术。因此，在放疗之前首先需要对CT图像上的器官、肿瘤位置进行标注，按照传统方法，一般需要耗费医生3～5个小时。
通过应用AI技术可大幅提升效率，AI智能勾画靶区的高准确率能够很大程度避免由于靶区勾画的不准确导致的无效治疗。目前，AI+靶区勾画已经成功运用在肺癌、乳腺癌、鼻咽癌、肝癌、前列腺癌、食管癌和皮肤癌上。
4.智能判断病理切片
病理切片的判断是一项复杂的工作，往往需要医生具有非常丰富的专业知识和经验，而且即使具有专业经验的医生，也容易忽略不易察觉的细节从而导致诊断的偏差。而将人工智能引入病理病理切片的研究，通过学习病理切片细胞层面的特征，不断完善病理诊断的知识体系是解决读片效率以及诊断准确值的最好的办法。
5.其他智能辅助诊断方案
人工智能在医学影像中的应用还包括脏器的三维成像、超声辅助甲状腺结节、骨龄分析、骨折智能诊断等。
三、部分AI+医学影像企业及其业务模式
AI+医学影像产品和企业不断涌现，根据火石创造数据库显示，目前国内AI+医学影像企业数量超100家，单笔融资过亿的案例近20起，融资总额超过26亿元。部分公司及其涉及其业务模式见附表：
附表 部分AI+医学影像公司及其业务模式
四、小结
医学影像现已成为人工智能在医疗领域最热门的方向，但在实际应用过程中还是存在一定挑战，例如，数据获取及数据标注问题、缺乏行业标准、注册审批缺乏指导原则、技术创新问题等等。但随着AI相关技术的不断发展，国家相关政策的不断完善，相信AI+医学影像将在未来快速实现商业化。
—END—
作者|杨欣
责编|老姜
人工智能在先天性心脏病学中的应用
谢稳1,2，姚泽阳1,2，邱海龙2，徐小维2，庄建1,2
1.华南理工大学附属广东省人民医院心外科（广州510100）；2.广东省华南结构性心脏病重点实验室广东省心血管病研究所广东省人民医院广东省医学科学院心外科（广州510100）
通信作者：庄建，Email：Zhuangjian5413@tom.com
关键词：人工智能；先天性心脏病；机器学习；深度学习；神经网络
引用本文：谢稳,姚泽阳,邱海龙,徐小维,庄建.人工智能在先天性心脏病学中的应用.中国胸心血管外科临床杂志,2020,27(3):343-353.doi:10.7507/1007-4848.201911085
摘 要
人工智能属于计算机科学领域，在过去的几十年里，人工智能在医学领域展现了广泛的应用前景。但直到最近几年，随着计算机技术的进步，医生和计算机专家才真正开始发现其应用于临床的潜力，尤其是在先天性心脏病领域。当前，人工智能已成功应用于先天性心脏病的预测、智能诊断、医学图像分割和识别以及临床决策支持等领域。本文综述了人工智能在先天性心脏病学中的应用。
正 文
先天性心脏病（congenitalheartdisease，CHD）是指出生时即存在的心脏结构性缺损，是最常见的先天性心脏畸形疾病，占所有先天性畸形疾病的三分之一。文献[1]报道每1000名活产婴儿中有4.1～12.9例CHD患儿。在一项研究中，vanderLinde等[2]使用固定效应模型分析了近100年CHD的发病趋势，发现随着时间的推移CHD发病率越来越高，由1930年的1/1000例活产婴儿到近年来的9/1000例，并且不同地区的人群发病率不同。国内报道发病率由1996年的6.15/10000上升至2000年的11.40/10000，南方发病率明显高于北方，且与孕产妇保健系统和产前诊断水平密切相关[3]。研究[4-5]显示每1000名活产婴儿中6～19例可能有中度到重度先天性心脏缺陷，如果包括出生时出现的微小肌肉性室间隔缺损（ventricularspetaldefect，VSD）和其他小病变，所有类型的CHD发病率都将增加至75/1000[6]。
随着人们对心血管系统疾病的认识逐渐加深，外科技术和介入手段的快速发展，CHD患者生存率快速上升，甚至可存活至成年。过去几十年中成人先天性心脏病患者（adultcongenitalheartdisease/defect，ACHD）数量稳步上升，到2010年，ACHD占患有严重CHD患者的60%，占患有其他类型CHD患者的66%[7]，且长期生存率较低[8-9]。CHD的治疗方式主要为外科手术和导管介入手术，复杂CHD患者以外科治疗为主。心脏外科的手术治疗费用昂贵，治疗周期长，需要面临高死亡率和再次手术的风险[10]，许多家庭都难以承担。据Apfeld等[11]关于先天性缺陷患儿住院期间费用的研究显示，与其他重症患儿相比，需要外科治疗的先天性畸形疾病在美国医疗保健系统中成本过高。Russo等[12]也指出2004年美国先天性缺陷住院费用可高达26亿美元，其中剖宫产和CHD相关的住院费用约占14亿美元。同样国内也有报道，每新发CHD病例生命周期的经济负担平均是9.7万元，2003年全国新发病例的生命周期总经济负担可达28.88亿元[13-14]。先天性心脏畸形病种类型多且变异度大，其直接或间接产生的社会和家庭经济负担以及政府对于公共卫生健康管理所面临的一系列应对措施等问题，对CHD医疗健康领域的长远发展来说是一个巨大的挑战。
与此同时，人工智能（artificialintelligence，AI）技术得到了迅猛发展。一方面，在摩尔定律[15]理论支持下，计算机性能不断突破，基于高性能计算和云运算的强大能力，尤其是图形处理单元（graphicprocessingunits，GPU）的不断升级使得许多理念和算法成功实行[16]，这对机器学习应用于大量相关领域有重要推动作用。另一方面，AI作为多领域交叉学科的研究方向，在图像识别、语音分析、自动驾驶、药物合成等领域已经展现了超越人类的潜能，将极大提升上述领域的自动化和智能化水平。
AI技术的发展为心血管系统疾病诊疗的高效自动化和经济节约化提供了一个可行的方案。一方面，AI通过使用计算机的算法优化流程和决策的能力已成功被应用于智能诊疗、医学影像分析、电子健康病历的大数据管理、精准医疗、分子生物学及新药研发等方向，极大地改善了医疗环境。另一方面，AI在心血管疾病的诊治上已经展现了一定的潜力：它可以通过使用高效的算法从大量成像数据中检测和“学习”特征，帮助医师减少诊断和治疗相关错误并促进个性化医疗，从而达到指导临床实践的目的。此外，AI可以用于识别疾病特有的模式并关联新的特征，以获得具有创新性的科学见解。
本文综述了AI技术在心血管领域的相关应用，并进行了具体的分类分析。同时对文献中相关的AI技术进行了介绍。本文旨在通过对AI技术的介绍和相关工作的总结分析推动AI在心血管领域应用中的进一步发展与完善。
1 人工智能
AI是计算机科学的一个分支，旨在模拟人类的思维过程、学习能力和知识储备。AI还诞生出一些子学科，包括机器学习（machinelearning，ML）/人工神经网络（artificialneuralnetwork，ANN）、计算机视觉（computervision，CV）、自然语言处理（naturallanguageprocessing，NLP）、深度学习（deeplearning，DL）、专家系统（expertsystem）/临床决策支持系统（clinicaldecisionsupportsystem，CDSS）以及机器人学（robotics）等领域（图1）。
图1人工智能的各学科领域介绍
1.1 机器学习/人工神经网络
ML是指计算机执行预定义任务并从经验和输入中学习更多观察的过程[17-18]。1943年，Warren和Walter基于神经细胞生物过程的原理提出了神经元的M-P模型[19]，这是历史上首次提出的神经元数学模型，开创了ANN的研究时代。之后的研究陆续提出了有关神经网络的Hebb学习规则[20]，以M-P模型为基础的感知器（perceptron）[21]以及自适应线性神经网络（adaptivelinearneuron）[22]等算法，促进了ANN的研究应用和发展。ANN的设计类似于人的大脑，由许多层相互连接的数据处理器组成，这些处理器具有不同的权重，通过学习算法（例如反向传播）训练网络的权重，呈现成对的输入信号和期望的输出决策，模仿大脑依赖外部感觉刺激来学习实现特定任务的条件以反映决定目标输出或触发动作的相互依赖关系[23-24]。ANN的发展和演变使我们更接近于复制机器在人类中学习的方式，更多的是要考虑到有多种算法可以用来满足不同目标的需要。单个模型不能应用于全局，因为这样会导致次等结果，同时可能无法满足主要用户的需求。所有机器学习算法的基础都建立在预测建模的三个步骤上：数据准备、数据拟合的模型选择和模型验证。ANN可以学习的数据越多，它就能更好地通过算法结构微调整扩大其预测能力。
1.2 深度学习
DL是ML的一个分支，它能够使计算机通过层次概念来学习经验和理解世界[25]。基于ANN的知识结构和学科应用，DL将AI技术向前推进了一步。DL与传统ML的不同之处在于如何从原始数据中学习到模型表示，即表示学习（representationlearning），使用ML来发掘表示本身，而不仅仅把表示映射到输出[26]。与ANN相比，它们的主要区别在于深度神经网络具有多隐藏层的维度、多隐藏层的连接以及学习有意义的抽象输入的能力。DL的神经网络具有多个隐藏层，一个层由一组节点组成，有时称为“特征”或“单元”，这些节点通过边缘连接到更早和更深的层[27]（图2）。此种算法可以自动设计具有适合多种任务的特性，并为一个或多个特定任务自定义这些功能。事实上，DL被证明擅长在高维数据中发现复杂的结构，能够从大量数据，特别是无监督数据中提取高级、复杂的抽象和数据表示[29]，并在图像领域[30-32]、语音识别[33]、自然语言理解[34]和翻译[35]等方面拥有显著的目标检测性能。DL在医疗保健方面也取得了较大进展，包括眼底视网膜检查[36-37]、临床影像图像重建与分割[30,38]、病理图像检测与识别[39-40]、基因组学[41-42]以及电子健康病历（electronichealthrecord，EHR）管理[43-44]等相关专业领域。
图2深度神经网络简化示意图
输入信息由输入层馈送，输入层又馈入一个或多个隐藏层，这些隐藏层最终链接到输出层，输入层以逐层非线性的方式处理馈入，以预先训练（初始化）后续隐藏层中的节点，从而学习“深层结构”和可概括的表示，之后这些表示被馈入到监督层中，并使用反向传播算法对整个网络进行微调，使其朝向针对特定端到端任务而作优化的表示[28]
1.3 专家系统/临床决策支持系统
专家系统是为解决某一特定领域的复杂问题而开发的计算机应用程序，具有最高水平的人类智慧和专业知识。在神经网络发明之前，人们使用专家系统旨在利用知识系统的推理能力来解决复杂的问题。早期开发创建的专家系统被应用于医学和生物学诊断的计算机辅助系统[45]，但由于其使用传统方法（概率论[46]或流程图[47]）而存在很大的局限性。1965年斯坦福大学利用列表处理（listprocessing，LISP）语言开发并推出了第一个专家系统DENDRAL[48]，旨在确定化合物分子结构。后来又创建了基于反向链接原理的MYCIN专家系统[49]，该系统可以识别引起严重感染的各种细菌，推荐可使用的抗生素并根据患者体重调整合理的使用剂量。这两个系统的推广使专家系统在医学领域迅速发展，在这个基础上后续也有其他系统推出，如INTERNIST-I（一种计算机辅助诊断系统）[50]、CADUCEUS（一种内科诊断咨询系统）[51]和CASNET（描述疾病过程的因果关联的网络模型，主要用于青光眼的专家咨询计划）[52]等专家系统，但由于存在诸多问题而没有实现相关专业人员的常规使用[53]。优秀决策的要求分为三点：准确数据、相关知识、适当解决问题的能力。数十年来基于计算机的决策辅助工作为临床医师提供了强大的动力[54]，专家系统的领域局限性和被动性使人们意识到CDSS的重要性。CDSS的不同之处在于它是以EHR的广泛普及为基础发展而成[55]（图3），同时融合了管理科学、运筹学、控制论和行为科学等多门学科，以计算机技术、仿真技术和信息技术为手段，支持决策活动的具有智能作用的人机系统，强调人机交互也是支持CDSS与从业人员工作流程相融洽的重要维度。近年来，越来越多地将其作为实用性工具，DNN技术的革新和医疗保健的复杂性及其成本不可避免地增长，以及引入医疗保健立法手段都促进了CDSS的发展[58]。
图3CDSS的基本工作流程
CDSS分为基于知识的系统和基于非知识的系统，前者主要包括三个部分：知识库、推理引擎和通信机制[56]。知识库包含编译数据的规则和关联，这些关联和规则通常采用If-then规则运行；推理引擎使用健康记录，专业术语以及带有CDS规则的用户输入来执行决策支持逻辑；通信机制的功能是向用户界面显示警报时，接受临床医生的输入。基于非知识的CDSS是一种使用ML的人工智能形式，旨在从过去的经验中学习和/或在临床数据中找到相关模式。基于非知识的CDSS有三种算法：支持向量机、ANN和遗传算法[57]CDSS：临床决策支持系统；EHR：电子健康病历；CDS：临床决策支持
1.4 自然语言处理
NLP是AI的一个子领域，强调计算机与人类（自然）语言的交互，通过编写计算机程序来处理和分析人类书面和口头语言的能力。计算机认知程序通过应用NLP来阅读快速增量的科学文献进行医学知识的学习和储备，利用医生的笔记和处方以及医学图像以提取有意义的见解和医疗保健的相关内容，并整理各种年份的电子病历从而致力于影响医疗实践来完善EHR大数据精准而快速的管理[59]。
1.5 计算机视觉
CV是一个跨学科领域，同时也是21世纪发展速度最快的领域之一。CV涉及如何使用机器从数字图像或视频中获得高层次的认知和理解，它以人类的方式从视频或图像中获取和学习信息。与医疗领域相关的主要内容包括医学图像和病理组织切片的自动扫描识别和分析[60-61]，利用虚拟现实（virtualreality，VR）系统实现人体解剖结构的三维可视化功能从而为患者制定个性化手术方案[62]，并且能为术者提供复杂手术的模拟指导导航功能[63]，三维重建后的医学图像可通过3D打印模型用于术前手术策略规划、模拟手术的操控练习、医患之间病情沟通以及解剖指导教学资源[64-66]。
2 人工智能技术在先天性心脏病学中的应用
早期AI应用于医学主要是通过使用计算机，将几种数学技术用于辅助医学诊断的某些方面：向医生提供与数据分析和鉴别诊断相关的定量方法；在诊断测试过程的各个阶段，协助评估最佳替代行动方案；定期记录和评估个体生理规范，以更敏感地确定个体相对于疾病预防的健康趋势[67]。受限于算法模型和计算机性能的不足，早期诊断只能做到预估计算机正确诊断的后验概率，同时还要获得每种疾病的概率（即患者群体中患有每种疾病的人口比例）和给定疾病的每种症状子集的概率（即患有疾病的人也具有症状组合子集的比例）[68]。随着数据矩阵的细化，计算机诊断的准确性仍在不断提高。计算机准备数据和接受计算机以鉴别诊断形式反馈的经验对于医生的诊断效率和正确性提高也有一定的作用。
2.1 智能诊断应用
智能诊断在CHD领域主要用于心脏杂音识别诊断和产前胎儿识别诊断。产前胎儿识别诊断主要用于CHD胎儿的妊娠期快速筛查，对于CHD的疾病防控和管理具有重要社会学意义。目前智能诊断技术主要依赖于ML和DNN模型。
2.1.1 心脏杂音识别诊断
CHD部分病种的心脏杂音可辅助诊断，虽然该方法的诊断准确性不及影像学，但可作为一种初筛的手段用于推广普及至各个医院和诊所。该领域于八十年代推出专家系统[69]。基于CHD不同病种心脏杂音的特异性，已经开发出了许多心脏杂音识别的智能模型。Barschdorff使用神经网络进行心脏缺陷的语音记录并分析心音信号，从而实现类似于医生听诊心音信号后作出的主观解释[70]。神经网络的正确识别率可达70%，若进一步积累数据可以提高诊断的准确性[71]。隐马尔科夫模型（hiddenMarkovmodels，HMM）作为NLP应用程序中最常使用的统计模型，对于心脏杂音的识别，其总体分类正确率可达96%，特异度98%，该模型可快速筛选并进行特异性缺陷检测[72]。Thompson等[73]运用心脏听诊记录数据库选择病理性杂音、功能性杂音和无杂音的病例，研究基于AI的心脏杂音检测算法进行全面客观评估，加入算法确定性度量、患者年龄、心率、杂音强度、胸部记录位置和病理诊断等特征，准确率可达88%（95%CI85%～91%）。这是首次利用大型数据库进行心脏杂音检测的全面评估，高敏感度和特异性使其可成为CHD潜在有用的筛选工具，并阐述了此类技术对于临床实用性的解释。
2.1.2 产前胎儿识别诊断
利用算法模型建立的诊断识别系统，对于产前诊断也具有重要意义。产前诊断有几率筛查尚未出生但患有复杂先天性心脏缺陷的胎儿，若病情严重可以考虑及时终止妊娠。Haghpanahi等[74]设计了一种从非侵入性胎儿心电图信号中检测胎儿峰值的算法，该算法对临床遇到的各种不同形态和强度的信号都能很好地检测出胎儿QRS波的位置，可以帮助临床医生在分娩过程中做出更合适的决策方案。Yeo等[75]报道了一种利用智能导航技术对9种标准胎儿超声心动图图像进行可视化的新方法，该方法可标记包括胎儿心脏的七个解剖结构，简化了获取超声心动图视图所需的步骤，更少地依赖于操作人员，同时简化了对胎儿心脏的检查流程。通过超声智能导航检查胎儿心脏和无创胎儿心电图可以简化操作流程，使用较少的步骤即可得到需要的结果。临床医生运用ML或CV专业知识可以从不同的角度去实现此类技术，从而达到专业化诊断识别平台的目的。利用产前胎儿识别诊断技术和多中心区域化网络联合建立起CHD防控平台，有望从根源上降低CHD的发病率及患病率。在算法不断优化升级的同时，需要审核者拥有专业的基础知识并消除或规范主观偏见以避免误诊，做到客观公正、统一泛化的标准。
2.2 专家系统/临床决策支持系统
心音图（phonocardiogram）在早期应用是很多见的，其他的识别特征还有年龄、X线检查、心电图、症状以及体格检查等，利用收集的所有患者资料推导出条件概率方程以表示临床医生从临床数据作出诊断的逻辑过程，并计算出每种疾病代表任何特定患者的正确诊断概率[76]，或使用基于贝叶斯概率模型用于CHD的诊断[46,77-78]，疾病的诊断精度可与该领域经验丰富的专家相媲美。智能分类系统的设计是一个包含2500多个条目的知识库，用于描述CHD领域内的异常、治疗、并发症等，结合特定领域知识和术语的目的是为数据输入和数据收集分析提供一个有用的工具[79]。Vanisree等[80]利用MATLAB的图形用户界面特性，结合反向传播神经网络设计开发的一种用于CHD诊断的决策支持系统，其诊断精确度高达90%。Leãot等[81]使用决策树算法通过专家知识获取致力于建立一个CHD诊断研究专家系统，试图推理出医生诊断12种常见CHD的启发式规则。Fallot模型旨在解决诊断多个相互作用缺陷的难题，单一缺陷的诊断正确率表现很完美，合并缺陷的正确诊断率也能接近专家水平，此方法的分类和分析可用于其他具有复杂相互作用的诊断任务[82]。基于病例推理与神经网络相结合的诊断系统在解决新问题时，神经网络用于做出假设并指导病例推理模块搜索之前类似病例并支持其中一个假设，混合诊断系统可以解决神经网络无法以高精确度解决的问题，此系统已用于开发CHD的诊断系统[83]。对于医疗行业而言，智能风险检测是一个具有挑战性的领域，Moghimi等[84]推出了可以实时智能检测并与医疗保健环境中的决策支持相结合的CHD智能风险监测模型，模型的决策过程分为3个阶段，医生和患者父母都可以参与决策，包括手术过程和术后护理记录以及病历档案记录，所有决策结果和医疗记录都会帮助患者进行实时风险监测并辅助作出相应的临床决策。医疗保健模式的转变促进了CDSS的发展和升级，这些系统将与临床医生一起工作而非替代或转换。此外，基于计算机的EHR、互联网以及共享的决策流程和现行法规也有助于完善CDSS。临床医生也越来越多地为这些工具开发做出贡献，而不仅仅是参与用户体验。新技术包括互联网和软件的联合使用，将彻底改变未来提供决策支持的方式。
2.3 预测
近年来，诸如DL的技术正在快速发展，尤其是ML方法更加适用于临床数据结构的预测和评估。ML可以利用诊断系统比人类更快、更准确地检测疾病。Laitinen等[85]基于回归和ANN的方法通过CHD患者术前氧分压预测耗氧量，但由于CHD患者个体间生物学变异性大，进行建模以预测耗氧量较为复杂，导致不能准确预测CHD患者的术前耗氧量。此外，可预测紫绀型CHD术后患者的脑容量以评估手术对青少年患者的大脑发育和长期功能的影响[86]，或是通过预测CHD手术后运动和认知结果对风险较高的患者尽早实施干预[87]。预测不仅仅适用于临床数据，同样也可用于基因组数据。Bahado-Singh等[88]报道了人工智能结合表观基因组学首次用于CoA的预测，并取得了较高的准确率。利用基于ML方法的线性支持向量机预测修复后法洛四联症患者的心室大小和功能的恶化，从而研究心脏磁共振成像衍生的基线变量预测值，并提供识别有恶化风险患者的模型[89]。ML方法适合基于现有数据做出预测，但是对于遥远未来的精确预测往往是不可能的。因此，临床实现的最终关键一步落在了更为紧要的目标上：足够早地预测事件，利用精确、适当的干预影响医疗决策与结局。
2.4 图像智能识别和分割
卷积神经网络系统（convolutionalneuralnetworksystem，CNN）对于图像识别有出色优势，它们的容量可以通过改变深度和宽度来进行控制，并且它们也能对图像的性质做出强有力且基本正确的假设[90]，所以诸如DL之类的ML技术迅速发展。
各种成像方式为CHD患者提供诊断信息。心脏磁共振（cardiacmagneticresonance，CMR）和心脏计算机断层扫描血管造影（computedtomographyangiography，CTA）以及超声心动图（ultrasoniccardiogram，UCG）是最常用的工具。Vitanovski[91]提出了一种基于鲁棒性ML算法的分层框架来估计个性化模型参数用于自动分割胸主动脉和主要分支腔脉，主要用于主动脉缩窄（coarctationofaorta，CoA）和主动脉瓣二瓣叶畸形（bicuspidaorticvalvedefect，BAVD）的患者，基于个性化模型的精确测量有助于选择最佳治疗方案、术者决策和修复时机。在超声心动图中，ML方法已经被应用于心肌运动速度评估[92]、左心室边界分割[93]、M型和B型超声心动图中心脏参数的测量[94]、自动检测左心室边界[95]、自动识别超声心动图视图[96]以及室壁异常运动的量化[97-98]等方面。右心室分割是一个不易解决的问题，与左心室相比，右心室的分割存在许多困难，例如复杂的新月形结构、小梁化心肌的存在和相对较薄的心室壁。受到CNN强大的图像处理能力的启发[99]，研究人员提出了基于CNN的右心室分割方法。Luo等[100]提出一种利用深度CNN解决CMR中右心室分割问题的新方法，基于兴趣区域定位进行右心室心肌分割，该方法在一定程度上提高了分割精度和计算效率。Tran等[101]提出了一种基于完全CNN用于短轴CMR心脏分割的方法，可以同时处理左心室和右心室的分割问题。还可使用扩展CNN自动分割CHD心血管MR图像，该方法能够准确地分割心肌和血池而无需任何专业人员的干预[102]。许多心脏测量工具可以实现心室划分和自动分割的模式，并且它们已经提高了诊断质量，用于复杂CHD患者的潜在诊断和长期随访检查工作[103]。在心脏医学图像方面进行智能识别和分割分析的基础上，目前已经实现心脏三维结构的VR和增强现实用于CHD复杂手术的规划指导和导航功能[104-105]。VR部分的主要应用是VR系统，增强现实部分的主要应用是3D打印（又叫增材制造），二者的结合应用称为混合现实（mixedreality，MR）技术。这两个部分都非AI领域的发展学科，但借助于CV技术的强大功能可以具现出临床医生需要的虚拟或实体三维心脏解剖模型，对于先天性心脏病学具有重要意义。无论是VR系统或是3D打印，都需要心脏CTA、超声心动图或CMR的图像经过分割和重建才能具现出一个三维立体数字可视化模型，用于不同的途径（图4）。此技术作为心脏三维结构模型的基础，借助深度学习神经网络的强大功能可以实现自动化心脏图像分析[106-110]，从而实现CHD不同病种的自动化诊断功能。
图4心脏医学影像的三维建模用于VR系统或3D打印的简化示意图
a～d：心脏CTA或CMR及超声心动图的影像数据收集后，利用建模软件的智能图像识别和分割功能生成三维立体数字化模型；e：使用VR系统读取生成后的心脏图像建模数据，头戴显示器与主机连接，通过空间定位器进行感应，利用控制手柄操控虚拟空间中的三维模型；f：VR系统操作下演示1例冠状动脉瘘病例的手术部位标记；g：3D打印机和心脏三维模具打印；h：心脏3D打印模具效果演示；VR：虚拟现实；CTA：计算机断层扫描血管造影；CMR：心脏磁共振
在临床影像数据量足够的前提下，ML可以通过调整训练集和测试集的比例以学习并识别医学图像，对于复杂性和变异性高的疑难病例，图像分割技术可以帮助机器做出判断，优化机器在识别过程中的质量和速度，从而达到专业人员的判读标准。图像智能识别技术可以帮助影像从业人员快速阅读医学图像的结果，并作出正确的判读决定，同时减少从业人员的工作强度以服务于更多的患者。不同学科领域应用AI的效果和途径都有所不同，在医学方面应用AI比较成功的肺癌领域，医学成像和AI有望通过区分良性结节和恶性结节，在提高肺癌的早期发现和定性方面发挥重要作用，可以很好地改善大部分患者的预后，以降低肺癌死亡率[111]。根据研究结果显示，使用深度CNN在低剂量下胸部CT扫描发现恶性肺结节的模型曲线下面积（areaundercurve，AUC）高达94.4%，在没有CT的条件下，模型的表现优于放射科医师；而在拥有CT的条件下，模型的性能可与放射科医师相当[112]。究其原因在于肺癌的筛查基本手段是使用低剂量胸部CT进行扫描检查，可以有效降低肺癌死亡率[113-114]，并且因为低剂量的缘故对人体产生的辐射危害较小且阳性筛查率高，目前已经取代胸部X线片检查手段。而心脏CTA需要使用血管造影剂才能清晰显现出各个部分的心脏组织，因为CHD多发于儿童，需要对造影剂的剂量控制得更加精确并在最大程度上减少辐射对患儿的危害。AI在肺癌方面的成功应用值得我们借鉴学习，CHD的医工结合之路任重而道远。
３ 总结
正在进行的AI技术革命为CHD领域提供了一个积极的引导趋势，我们希望AI，包括但不限于ML以及DL，可以对医学领域的各个学科产生积极深远的影响。但为了做到这一点，需要尽快弥补AI虚拟世界与临床医学现实之间的差距，AI技术应用如此广泛，与医疗领域相互交叉形成多门学科，二者相互学习，但医学的复杂性和伦理限制需要更多的发展空间去迎合和接受AI技术的改造，我们应当抱以合理的期望和严谨的态度。未来的智能软件将占据更加主要的地位，比如更加真实且易于操作的多维VR技术，方便临床医师理解和使用，同时以科学合理的方式重复多次使用神经网络来更快更高效地做出决策，并减少相关学科操作人员的工作，使他们能够专注于自己的核心竞争力，可以将更多的时间用于照顾患者。使用AI的目的并非替代临床工作人员，二者应该通过相互学习从而促进双方共同进步，通过深度神经网络学习系统和AI相结合的强大推理能力用以改善CDSS的可靠性和稳定性。AI正在医学领域创造一个从基础研究到临床应用的转变，但仍有一些技术挑战有待解决，需要谨慎对待。数据安全和对抗性攻击等漏洞对AI技术的应用构成了潜在的威胁，在这些漏洞中，恶意操纵输入可能会导致完全的误诊，从而被用于谋取欺诈性利益等不正当行为[115]。在强调人机交互和用户反馈的同时，也要注重加入关键技术以保护用户和患者的隐私安全。为了并行AI与先天性心脏病学专业的发展进程，完善医疗行业的AI相关伦理法规和市场安全监管是非常必要的。不同于AI在肺癌方面的成功应用以及广泛普及，CHD各个病种分型数目可达上百种之多，不同中心对于不同病种的手术策略也各有异同。我们应该专注于自身的专业特性，未来的CHD方向应该是以医工结合的方式快速发展，通过各种智能识别诊断模型建立起CHD多中心区域化防治防控网络以降低发病率，使用CNN智能图像处理和分析技术实现自动化重建心脏三维可视化模型，辅助心脏外科医师制定个性化手术治疗方案和术前病情讨论及规划，同时利用各种术前术后的临床大样本数据辅助医师做出临床决策并结合患者的当前病情做出风险预估评测。AI在先天性心脏病学领域具有强大的临床诊疗价值和应用潜力。
利益冲突：无。
参考文献略。
（本文封面图片来自网络，如侵删）