健心知著
2021.09.01
第93期
冠脉造影的自动多模态人工智能分析
刘健、孙浩宁、聂文畅
北京大学人民医院
健心荐语
深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据，即人工智能。但在现有的研究成果中，大多数现有的用于冠状动脉造影分析的机器学习方法仅局限于单个方面。
文章介绍
本研究旨在实现自动和多模态分析，以识别并量化冠状动脉造影，整合多方面信息，包括冠状动脉的识别和病变形态的识别。
研究方法
本研究基于deep distinct系统，使用来自大型单一中心的图像采集数据，回顾性地收集了20612例血管造影的图像，其中13373例血管造影图像用冠状动脉段标记，7239张用特殊病变形态标记。通过这些标记的数据进行训练和优化，一个网络识别出20个不同的冠状动脉段，而另一个网络检测到病变形态，包括病变直径狭窄以及钙化、血栓形成、完全闭塞的测量和输入血管造影照片中的解剖检测。本研究评估了计算机辅助诊断系统通过深度学习技术解释冠状动脉造影的性能，并训练了两个不同功能的深度神经网络(DNN)。
图1：机械学习示例
图2：本研究入组病例分类
研究结果
该诊断系统使用2050例血管造影图像进行测试，冠状动脉段识别的准确率为98.4%，冠状动脉狭窄病变、完全闭塞、钙化、血栓形成和夹层识别的F1评分分别为0.829、0.810、0.802、0.823和0.854。
图3：不同病变类型的受试者工作特征（ROC）曲线
图4：冠状动脉识别模型和病变形态检测模型的评价过程
WLQ分数提示INOCA导致了明显的工作限制和工作时间损失，研究人群平均每2周缺勤1.1个完整工作日。经济学分析表明，每例INOCA患者每年因旷工导致的损失为9819美元，因出勤主义导致的损失为4158美元，合计13977美元。将该数据外推至美国的150万名患有INOCA的劳动者，推断因INOCA导致的生产力损失年度成本可能高达210亿美元（图2）。
结 论
深度学习技术可用于诊断性冠状动脉造影的解读，未来可能成为标准化冠心病患者筛查和风险分层的更有力工具。
点 评
深度学习是学习样本数据的内在规律和表现层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。本研究证明了深度学习在冠脉影像学领域的作用。然而一般来说，深度学习需要海量的数据以增进算法的准确性，未来如何整合多中心的图像数据从而优化算法是需要进一步思考的领域。
