心血管影像中的人工智能:与临床和非影像数据的整合

《Cardiovascular Endocrinology & Metabolism》:Artificial Intelligence in Cardiovascular Imaging: Integration with Clinical and Nonimaging Data

【字体: 大 中 小 】 时间:2026年10月15日 来源:Cardiovascular Endocrinology & Metabolism 1.4

编辑推荐:

   人工智能(AI)正在日益改变心血管影像学的面貌,其应用范围已超越自动化图像分析,拓展至影像数据与多种临床及非影像数据的整合。这种多模态方法有望提高诊断准确性、改善风险分层,并在多种心血管疾病中支持个体化管理。本综述讨论了AI在整合心血管影像数据与互补信息源中的作用,这些信息源

  

人工智能(AI)正在日益改变心血管影像学的面貌,其应用范围已超越自动化图像分析,拓展至影像数据与多种临床及非影像数据的整合。这种多模态方法有望提高诊断准确性、改善风险分层,并在多种心血管疾病中支持个体化管理。本综述讨论了AI在整合心血管影像数据与互补信息源中的作用,这些信息源包括临床和人口统计学变量、实验室生物标志物、心电图数据、遗传与组学特征、电子健康记录以及可穿戴设备衍生数据。机器学习和深度学习方法能够分析这些异构数据集,有助于识别传统分析方法难以捕捉的复杂模式。我们重点阐述了多模态AI模型在主要心血管疾病中的潜在应用,包括冠状动脉疾病、心力衰竭、瓣膜性心脏病和心肌病。通过结合超声心动图、计算机断层扫描和心脏磁共振等影像模式的信息与非影像数据,AI有望改善疾病检测、预后评估和治疗决策。最后,我们概述了与数据整合、模型可解释性、泛化能力以及伦理考量相关的关键挑战。AI驱动的多模态框架的持续发展预计将在推动精准心血管医学和最大化心血管影像学临床价值方面发挥重要作用。

**引言**

心血管疾病仍然是全球发病率和死亡率的首要原因,这要求我们在诊断、风险分层和治疗决策方面采用日益复杂的方法。人工智能(AI)已成为贯穿整个心血管影像学流程的变革性技术,从患者筛选和图像采集到解读、报告编写及预后评估。[1,2] 尽管早期的AI应用主要集中于自动化图像分析任务,但该领域已迅速发展为多模态整合,即将影像衍生特征与多种临床、实验室、心电图以及潜在的基因组数据相结合。[3,4]

影像数据与非影像数据的整合代表了心血管风险评估的范式转变,从传统的线性风险评分向能够捕捉多种数据源之间复杂非线性关系的精准医学方法迈进。[4,5] 机器学习(ML)算法在预测主要不良心血管事件方面展现了优越性能,尤其是在使用包含多模态数据的合并数据集进行训练时。[6] 这些多模态AI模型持续优于传统风险评分和单一模态评估,在不同患者群体中预测准确性的提升幅度为10%至25%。[6,7]

本综述审视了AI在心血管影像学领域应用的现状,特别关注将影像衍生生物标志物与临床及非影像数据整合的策略,以提高诊断准确性、优化风险分层,并在心血管疾病中实现个性化治疗决策。

**人工智能在心血管影像学中的应用**

AI正在逐步重塑各影像模式的心血管影像,从自动化测量向集成诊断和预后决策支持系统转变[图1和表1]。[1,2] 这一转变应对了当代心血管影像学中的基本挑战,包括日益增长的影像需求、不断上升的数据复杂性、耗时的工作流程以及持续存在的观察者间和观察者内差异。[8] 早期的深度学习(DL)应用主要集中于离散任务,如心腔分割和自动化定量,以标准化常规测量。该领域已发展为端到端模型,能够直接将原始影像数据映射为临床输出,捕捉超越传统评估的复杂疾病特征,并实现对新型表型组的识别。[9]

**图1** 人工智能(AI)在心血管影像学中的应用。该图展示了AI在心血管影像学中的主要应用。

**表1** 人工智能在心血管影像学工作流程中的应用

**超声心动图**

超声心动图一直是AI在心血管影像学中的主要试验平台,这得益于其对操作者的依赖性以及大量数据的可用性。AI在超声心动图中最早的成果之一是图像采集的标准化。[10] 随后出现了自动化定量。深度学习算法现在可以快速且可重复地评估心室容积、射血分数和心肌应变。[2,11] 在采集过程中进行近实时应变计算正在开始改变质量控制,允许即时反馈并减少离线重新分析的需求。[12] 右心室评估也得到了类似的进展,深度学习模型可从二维超声心动图中估算射血分数。[13] 最近,AI已从测量自动化扩展至疾病识别和表型分型。在常规超声心动图片段上训练的卷积神经网络可以识别心力衰竭伴射血分数保留(HFpEF)等复杂综合征,检测心肌病的早期表现,并区分包括浸润性疾病在内的特定病因。[2,14] 瓣膜性心脏病是另一个快速发展的领域。AI系统通过整合形态学和多普勒信息,支持自动检测瓣膜疾病及其严重程度分级。[15,16] 最后,该领域正朝着完全自动化流水线发展,近期模型已实现超声心动图定量综合自动化的进展,并接近生成近乎完整的超声心动图报告。[17]

**计算机断层扫描**

在心脏计算机断层扫描(CT)中,AI推动了从视觉狭窄评估向冠状动脉疾病多维特征表征的重大转变。自动钙化评分和狭窄检测已显示出与专家阅片者的良好一致性,同时大幅减少了分析时间。[2,18] 除了管腔狭窄外,当前算法还可定量评估斑块总体负荷、表征斑块组成,并识别低衰减斑块和正性重构等高风险形态学特征。[19] 影像组学和血管周围组织分析进一步将范围从解剖学扩展至血管生物学,能够间接评估炎症活动和斑块易损性。[20] 功能性评估因AI计算的CT衍生血流储备分数(FFR-CT)而得到加强,提供了无需额外侵入性测试的血动力学信息,并显示出与侵入性测量之间的高度相关性。[21] 累积数据证实,在单纯解剖学评估之外,AI改善了风险预测。[22] AI还通过高级重建、噪声抑制以及辐射剂量和造影剂剂量的优化增强了CT成像的技术层面。[2]

**心脏磁共振**

在心脏磁共振(CMR)中,AI主要解决了后处理的复杂性和时间负担。深度学习应用集中于自动化心室分割,其性能与专家手动勾画相当,同时大幅缩短了处理时间。[2,23] 除了容积分析外,AI在组织表征方面也取得了重大进展。纤维化自动检测以及参数映射解读的增强促进了心肌疾病的客观和可重复评估。[2,24] 新兴策略甚至旨在从无对比剂采集生成等效于对比剂的信息。[25] AI驱动的重建可加速扫描、减轻运动伪影,并实现自由呼吸方案,从而改善耐受性和工作流程效率。[26]

尽管取得了快速进展,但仍存在重要障碍,包括缺乏标准化、外部验证有限、厂商差异、法律问责不清以及随时间推移的性能下降。[5,8] 此外,深度学习模型固有的"黑箱"性质引发了关于透明度、泛化能力和可解释性的持续担忧。[5,8]

**用于人工智能模型的非影像临床和生物学数据**

非影像临床和生物学数据通过反映全身病理生理过程、合并症负担和分子通路,为心血管影像学提供互补信息。当纳入AI模型时,这些变量可增强风险分层、优化表型分型并改善预后预测。[1-3] 表2列出了当前与非影像数据结合使用以改善AI应用中诊断准确性和风险预测的主要非影像数据类别。在接下来的部分中,我们将概述可与影像数据整合的主要非影像数据,以增强AI算法在临床实践中的性能。

**表2** 当前整合到心血管AI模型中的非影像数据主要类别

**临床数据**

源自电子健康记录(EHR)的结构化临床数据是最成熟的非影像信息来源。[4] 这些数据包括人口统计学信息、心血管危险因素、合并症、用药情况、既往心血管事件以及血压和心率等基本生理参数。[27] 这些变量共同定义了患者风险特征和总体疾病负担,提供了影像本身无法捕捉的背景信息,包括全身性疾病、治疗史和纵向疾病轨迹。纳入临床数据的AI模型显著改善了心力衰竭伴射血分数保留(HFpEF)等复杂心血管疾病的诊断。[28] 然而,EHR数据集经常包含缺失或记录不一致的变量,并可能反映医疗可及性方面的差异。[5] 因此,仔细的协调、外部验证以及潜在偏倚的评估对于确保整合影像和临床数据的AI模型的可靠性和泛化能力至关重要。

**面部识别**

面部识别是一种新兴的、非传统的心血管风险信息来源。应用于面部图像的深度学习模型可以识别已知与心脏代谢风险相关的表型特征,如睑黄瘤、角膜环或男性型脱发,[29] 此外,AI还可能揭示与生物衰老、高血压或血脂异常相关的细微形态学模式,特别是如果与影像数据整合,可能有助于估计心血管风险。[30] 尽管如此,在广泛临床实施之前,必须认真解决与隐私、知情同意以及不同种族群体潜在偏倚相关的问题。[5]

**心电图**

心电图(ECG)是最成熟且具有临床影响力的非影像数据源之一,可以有效整合到AI模型中与影像数据结合使用。基于AI的心电图分析已证明能够检测结构性心脏疾病,如左心室收缩功能障碍,[31] 主动脉瓣狭窄,[32] 肥厚型心肌病,[33] 和心脏淀粉样变,[34] 有时甚至能在传统解读中尚未出现心电图异常之前检测到。在这些情况下,AI增强的心电图解读可作为可扩展的筛查工具,识别可能受益于针对性影像评估的患者,并最终通过AI增强的影像与非影像数据整合辅助诊断。然而,AI增强的心电图解读仍需在大型多样化人群中进行稳健验证,因为它们仍然容易受到偏倚、对抗性扰动、过拟合的影响,且缺乏数字化、标注良好且高质量的数据集。

**可穿戴设备**

可穿戴技术,包括智能手表、贴片、手环和戒指,可生成持续的生理数据,如心率趋势、心律失常预警、体力活动、睡眠指标和活动性血压监测。[4,35] 与间歇性临床测量相比,可穿戴数据提供了对病理生理学的动态洞察,支持个性化风险评估和远程监测。应用于这些纵向信号的AI模型可能实现早期心律失常或心力衰竭(HF)失代偿检测,并在与影像数据整合时更好地预测心血管结局。[4,35,36] 然而,信号噪声、设备异质性、依从性差异以及将大数据流整合到临床工作流程中的挑战仍然是常规实施的重要障碍。[4,8]

**生物标志物**

循环生物标志物提供了影像无法直接捕捉的分子信息。心肌肌钙蛋白和利钠肽等已确立的标志物反映心肌损伤和血流动力学应激,而炎症和代谢标志物则有助于更全面的心血管风险评估。当纳入AI模型时,生物标志物可增强风险分层,并在急性冠脉综合征和心力衰竭等疾病中支持预后评估。[37] 新兴高通量方法,包括基因组学、蛋白质组和代谢组学,通过实现多维分子特征分析和推进精准医学,进一步拓展了这一领域。[6,38] 然而,生物学变异性、实验室间差异、标准化有限以及高维检测的成本和可扩展性仍然是重大挑战。

**影像与非影像数据的整合:多模态方法**

越来越多的文献强调,AI适合改善患者管理流程的每个环节[图2]。从影像角度来看,AI可以改善图像采集、解读、诊断、预后预测和决策制定。[2,39] 结合和整合多种模型与数据源的多模态方法是在多种临床环境中进行预后分层的关键要素。[2,29] AI作为传统统计方法处理大型复杂数据集的延伸。[5] 其优势在于能够从大量数据中提取关联,并在无需先验假设的情况下对广泛预测因子与感兴趣结局之间的非线性关系进行建模。[29] 特别是,机器学习使得能够创建先进的预测模型用于风险分层,且其精度随着可用于训练模型的数据点数量增加而提高。机器学习在临床实践中的实施还依赖于外部验证队列以确认稳健性和泛化能力。[40]

**图2** 多模态人工智能(AI)模型的输入与输出。多模态AI模型整合影像与非影像数据,在每个层面支持医疗工作流程,提高效率、标准化和准确性。AI = 人工智能

多项研究已展示了能够整合多种参数以识别预测因子与结局之间关联模式的AI方法。一些努力集中于心力衰竭患者的风险分层。[4] AI可帮助开发能够早期预测该人群中死亡率和临床失代偿事件的模型,从而支持及时干预。[41] Kwon等人的研究[42]描述了一个深度学习模型,利用人口统计学、临床、心电图和影像参数,能够通过两家医院的数据预测急性心力衰竭患者的死亡率,随后在独立心力衰竭登记中进行验证。该模型显示出较高的预测准确性,在短期和长期结局预测方面优于传统风险评分及其他机器学习方法。

另一组研究人员开发并验证了一种机器学习模型,以评估非对比增强心脏磁共振在射血分数保留型心衰患者队列中预测心衰住院的额外预后价值。[43] 结果显示,基于CMR的机器学习模型在预测性能方面显著优于仅依赖临床变量的模型。人工智能的优势在于其进行多数据整合以及结合不同数据进行预测的能力,同时能在极短时间内高效处理这些数据。[2] 人工智能的另一大用途是对心脏瓣膜病患者的风险分层,其中超声心动图数据与非影像数据的整合可能有助于实施更精准、更个性化的治疗策略。在一项纳入398例中重度主动脉瓣狭窄患者的队列研究中,基于人口学特征、实验室检查和超声心动图参数,使用模型对患者人群进行了聚类分析。[44] 结果显示,每个聚类均与不同的死亡特征相关。将聚类分类纳入预测3年全因死亡风险的模型中,既改善了风险判别能力,也提高了患者再分类能力。[44] 其他影像学模态也可纳入人工智能模型中。例如,冠状动脉CT血管造影评估临床预后:国际多中心注册研究(CONFIRM)评估了人工智能在10,030例疑似冠状动脉疾病患者中预测5年随访全因死亡的准确性。[45] 一种基于机器学习的复合风险评分,整合了25个临床变量和44个CT衍生特征,相比传统风险评分和常规CT评估,在死亡预测准确性方面显著提高。[45] 最后,人工智能已成为临床试验领域的一个潜在贡献者,贯穿于试验生命周期的诸多环节:从患者识别和知情同意,到临床事件确证和数据分析。[46] 迄今为止,由于存在引入偏倚、维持现有差异或产生不准确和不一致结果的风险,人工智能工具在心血管试验中的应用仍然罕见。然而,越来越多的科学期刊投稿描述了人工智能生成的结果,证实了人工智能在该领域的关键作用。[47]

**临床应用、实施与挑战**

人工智能已不再仅仅是心血管影像的辅助计算工具。[2] 它正日益重塑心血管疾病被定义、量化和管理的方式。人工智能的核心贡献不仅限于测量工作的自动化,更在于临床综合——即将影像表型与生理学、分子生物学及纵向临床数据整合为疾病生物学的连贯表征。在本节中,我们探讨人工智能的主要临床应用,重点关注其利弊及最新进展。

**从测量到疾病表征**

人工智能在心血管影像中的最早应用集中于自动化已确立的任务:心腔分割、心室容积和射血分数的计算以及冠状动脉狭窄的量化。[2,3] 这些进展提高了效率和可重复性,并减少了观察者间变异。然而,它们并未改变传统的诊断范式,在该范式中,影像学主要作为解剖学描述工具。[8] 而当前的阶段则更具深远意义。现代深度学习架构能够从影像数据集中提取高维特征,例如捕捉心肌纹理细微变化、瘢痕异质性、斑块成分及血管周围炎症的影像组学特征。这些特征通常超出视觉检测能力,却与疾病进展和不良结局存在可重复的关联。在冠状动脉CT血管造影中,CONFIRM2注册研究基于人工智能的定量斑块特征分析揭示了斑块表型与风险之间具有性别特异性的关联,挑战了以狭窄为中心的框架,强调了基于生物学的评估。[48]

电生理学的并行进展体现了相同的轨迹。基于超过1000万份心电图数据训练的ECG基础模型,在多种节律和结构异常中展现了广泛的诊断能力。[49] 这类通过自监督学习训练的基础模型生成了超越狭窄任务特定分类器的电活动通用表征。影像表型和电学特征因此可在共享的计算框架中对齐,从而实现心肌底物的多维表征。

影像衍生特征与非影像数据的整合标志着最重大的进展。生物标志物、基因组信息、可穿戴设备衍生的生理信号及结构化临床病史提供了互补的风险维度。能够共同嵌入图像、波形和临床文本的多模态架构实现了统一的疾病建模。在此背景下,临床问题发生了演变。医生不再仅仅判断是否存在病理改变,而是探究个体在连续疾病轨迹中的位置,以及该轨迹可能的演变方向。

数字孪生技术进一步拓展了这一范式[图3]。基于解剖影像和电生理特性构建的个性化计算模型,可在不同条件下模拟心脏传导和机械行为。在瘢痕依赖性室性心动过速患者中,数字孪生已证实与有创电解剖标测相符,并有助于术前底物定位。[50] 在群体层面,由心脏数字孪生组成的虚拟队列允许在虚拟环境中进行治疗测试,在临床暴露前识别应答者表型和潜在危害。[51] 这些进展标志着从静态影像解读向动态生理建模的转变,推动在虚拟环境中开展数字试验的实现。[52]

**图3**

多模态整合至数字患者。心血管医学中人工智能驱动综合的示意图。多模态输入包括影像学(计算机断层扫描、心脏磁共振和超声心动图)、波形数据(心电图和血流动力学)以及非结构化临床/基因组数据,通过基础模型、多模态融合、时间建模和基于物理学的数字孪生进行整合。输出为"数字患者":一种动态建模的表征,可实现深度表型分析、轨迹预测和虚拟治疗规划。CT = 计算机断层扫描,MRI = 磁共振成像,ECG = 心电图,EHR = 电子健康记录

**临床实践中的实施**

将人工智能从研究环境转化为临床诊疗,构成了一项独特而艰巨的挑战。优越的算法判别能力本身并不赋予临床价值。人工智能系统必须无缝集成于采集平台、报告系统和电子健康记录中。输出结果应是结构化的、可解释的,并与治疗决策节点相对应,而非呈现为脱离临床背景的抽象概率指标。[8]

高级诊断策略的经验提供了有益的视角。在心脏症状和血运重建最佳评估前瞻性随机试验中,精准影像学提高了疾病检出率,但对下游检测和成本结构产生了复杂的影响。[53] 因此,对人工智能技术的评价必须超越判别或校准度量,涵盖以患者为中心的结果、工作流程效率、经济影响以及心血管事件的长期预防。持续验证至关重要。在有限或同质化人群上训练的算法,在应用于更广泛的临床环境时往往会出现性能下降。[5] 前瞻性多中心验证、部署后监测、重新校准和定期再训练应被视为负责任实施的固有组成部分。人工智能不应被视为静态的诊断试验,而应被构思为自适应的临床工具[图4]。互操作性进一步决定成功与否。人工智能衍生的测量值和风险估计必须以结构化数据形式进入临床系统,能够与程序映射平台、纵向注册系统和决策支持框架进行交互。在此环境中,医生的角色正在演变。[2] 医生不再单纯执行测量工作,而是在合并症全貌、患者偏好和治疗目标的大背景下,综合复杂的算法输出。[2]

**图4**

心血管影像中的人工智能循环。展示人工智能嵌入临床工作流程的示意图。影像采集、自动化分析和纵向临床数据汇聚于人工智能集成层(表征学习和特征融合)。人工智能生成的风险估计和表型分型为临床医生的解读和管理决策提供依据,形成模拟驱动的持续反馈循环。AI = 人工智能

**挑战:偏倚、泛化性与信任**

重大障碍依然存在。数据偏倚构成主要关切。[54] 训练数据集通常对女性、少数族裔以及在学术中心之外接受治疗的患者代表性不足。[5,8] 在缺乏纠正策略的情况下,算法预测有可能加剧现有不平等。已提出多种减轻偏倚的方法,包括代表性数据采集、亚组性能审计和联邦学习策略,以作为保障医疗公平的保障措施。[54,55] 跨影像供应商、采集方案和地理环境的泛化能力仍然不稳定。分布偏移若不加处理,可能削弱预测准确性。因此,在异质性真实世界人群中进行全面验证至关重要。

同样重要的是临床信任问题。心血管医学长期以来以机制推理和生理连贯性为基础。黑箱预测,即使统计上稳健,也需要上下文解释。[5,8,54] 医生教育、透明的模型治理以及将人工智能部署与发病率和死亡率实质性改善相联系的证据,对于持续采用是必不可少的。

**结论**

人工智能可以通过将影像与非影像数据(如临床变量、心电图、生物标志物及可穿戴设备信息)进行整合,提高诊断准确性和风险预测能力,从而增强心血管照护。这种多模态方法能够识别传统分析可能无法发现的复杂模式。然而,临床实施必须考虑重要局限,包括偏倚、数据异质性、过拟合以及需要稳健的外部验证。因此,应将人工智能视为一个随科学进展而演变的动态工具,必须对其进行持续测试和重新验证。最终,医生对人工智能的教育和熟悉程度至关重要,以避免将其视为不透明的"黑箱",并支持其负责任地融入临床实践。

**资金支持与赞助**

无。

**利益冲突**

无利益冲突。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号