综述：人工智能与数字技术在心血管影像学中的叙事性回顾

《BioTech》：Artificial Intelligence and Digital Technology in Cardiovascular Imaging: A Narrative Review Constantinos H. Papadopoulos, Dimitris Karelas, Christina Floropoulou, Konstantina Tzavida, Dimitrios Oikonomidis, Athanasios Tasoulis, Evangelos Tatsis, Ioannis Kouloulias and Nikolaos P. E. Kadoglou

　　

数字技术和人工智能(AI)的快速发展已深刻变革了心血管影像学，使得对心脏结构和功能的评估更为精确、高效和可重复。本叙事性综述总结了人工智能驱动方法在超声心动图、心脏计算机断层扫描(CT)、心脏磁共振(CMR)和核医学成像等领域的最新进展，重点关注图像采集、自动量化、以及诊断和预后解读。我们回顾了当前关于机器学习(ML)和深度学习(DL)在图像重建、分割、影像组学和多模态数据整合中应用的文献。现有证据表明，人工智能(AI)能够提高图像质量，减少采集和分析时间，并实现心腔容积、功能、组织特征、冠状动脉解剖和心肌灌注的自动化、高度可重复测量，同时为鉴别诊断和风险分层提供先进的模式识别。此外，数字平台支持远程采集、远程超声心动图和人工智能辅助培训非专业操作者。尽管取得了这些进展，但在外部验证、跨供应商和人群的普适性、可解释性、数据治理和法规遵从性方面仍存在挑战。总之，人工智能和数字技术正通过提高准确性、效率和可及性重塑心血管影像学，但其安全有效的临床整合需要强有力的多中心验证、透明的报告以及确保信任、公平和责任的伦理-法律框架。

1. 引言

过去二十年间计算能力的指数级增长推动了所谓的“大数据革命”，使得存储和分析前所未有的海量数字信息成为可能。这一转变为人工智能(AI)的发展及其在医学临床实践，特别是心血管影像学领域的整合奠定了基础。在这一背景下，影像数据不再被视为孤立的快照；相反，当它们与临床和实验室参数整合时，便成为通向预后和治疗决策的高级诊断过程的基石。人工智能(AI)包含一系列模仿人类认知并生成自主、数据驱动见解的计算模型。机器学习(ML)和深度学习(DL)已成为人工智能的两大支柱。机器学习(ML)算法利用统计方法检测模式和关联，从而在新数据集上进行准确预测。在心血管影像学领域，这促进了心脏解剖结构的自动识别、异常的自动分类以及心室容积或左心室射血分数(LVEF)等参数的精确量化。深度学习(DL)代表了一种更先进的范式，其灵感来源于人类神经网络的结构。通过连接多个互联节点，深度学习(DL)系统能够捕获影像数据集中高度复杂的非线性关系。这种能力使得开发强大的诊断和预后模型成为可能，例如区分不同类型的左心室肥厚，或基于灌注图像数据和临床参数预测临床终点事件（如死亡或心肌梗死）的发生风险。近期证据还表明，基于大语言模型(LLM)的人工智能工具可以通过协助临床医生进行信息检索、指南解读、患者教育和临床决策支持，来进一步支持心血管实践。然而，其在复杂临床场景中的可靠性仍在评估中。在此基础之上，本综述探讨了人工智能(AI)在心血管影像学中日益扩大的作用，重点关注其在超声心动图、计算机断层扫描(CT)、心脏磁共振(CMR)和单光子发射计算机断层扫描(SPECT)等核医学成像领域的最新进展，以及影像组学(Radiomics)特征分析在心肌疾病检测和分析中的整合。此外，要成功地将人工智能驱动工具转化为常规临床实践，必须克服当前在临床验证、普适性、可解释性以及人工智能监管框架等方面的挑战。

2. 心血管影像学中的应用

数字技术和人工智能(AI)在心血管影像学中的作用超越了图像质量的明显提升。近期进展主要集中在图像采集和量化的自动化，深度学习(DL)算法现在能够为新手操作者提供实时引导，确保采集到具有诊断价值的超声心动图切面。同时，越来越多的研究工作正转向自动化图像解读和预后建模。此外，数字创新改变了影像的可及性和培训：人工智能支持的远程超声心动图引入了远程控制，而基于云的医学数字影像和通信(DICOM)与影像归档和通信系统(PACS)平台使图像共享和解读在全球范围内成为可能。

2.1. 图像质量

现代数字和人工智能(AI)方法，特别是用于重建、去噪、运动校正和超分辨率的深度学习(DL)，可显著提升各种心血管影像模态的图像质量：

• •
  超声心动图：数字技术已显著改善了空间、时间和对比度分辨率，能够优化并高清晰地显示最具挑战性的解剖结构。
• •
  心脏CT：深度学习(DL)图像重建能够在保持诊断准确性的同时降低超过40%的辐射剂量，而超分辨率DL算法可以提高血管边缘锐利度、支架可视化效果，并增加与有创血管造影结果的一致性。
• •
  心脏磁共振(CMR)：深度学习(DL)电影(Cine)重建可以将采集时间减半，同时保持容积测量的准确性和边缘锐利度。此外，基于深度学习的晚期钆增强(LGE)可以改善瘢痕的显著性和对比噪声比。
• •
  核心脏病学：基于深度学习(DL)的衰减校正无需CT即可恢复心肌灌注单光子发射计算机断层扫描(SPECT)的诊断性能，而基于深度学习的去噪技术则允许在更低计数或剂量下进行正电子发射断层扫描(PET)和单光子发射计算机断层扫描(SPECT)成像，同时保持病灶可探测性和定量准确性。
  总体而言，这些创新提高了分辨率、对比度和时空保真度，同时降低了噪声、辐射剂量和采集时间，使心血管影像学更加准确、快速、安全和可重复，对后续解读和临床决策具有直接益处。

2.2. 自动化

自动化代表了人工智能(AI)在当代心血管影像学中最具变革性的应用之一。通过利用半自动或全自动的采集和量化，人工智能(AI)系统能够以最少的操作者干预来识别、分割和测量心脏结构，从而显著提高效率和工作流程。一项最新研究显示，使用人工智能(AI)辅助多平面成像协议可将扫描时间减少约25%，控制台按键次数减少50%以上，同时保持图像质量和可解释性。此外，人工智能驱动的处理有助于快速、准确的分析，相比手动方法，其超声心动图测量和报告创建时间减少了约70%。应用于标准成像投影的先进算法，在图像质量足够且解剖复杂度有限的情况下，与专家操作员的手动测量相比，始终表现出极好的一致性和可重复性。例如，一项对深度学习(DL)驱动的自动化超声心动图工作流程的正式验证研究（涉及23个参数）表明，深度学习与人类专家之间的差异实际上低于三名核心实验室判读者之间的观察者间差异。因此，人工智能(AI)显著缩小了新手与资深影像专家之间的技能差距，提高了诊断精度和实验室通量。

心血管影像学的自动化涵盖众多关键领域，从标准化图像采集、自动化心腔量化，到病变特征描述、功能评估以及多模态诊断流程的整合。例如，基于卷积神经网络(CNN)的处理流程在从二维(2D)超声心动图数据中实现切面分类、分割和功能指标（如容积、应变）计算方面表现出高准确性。类似地，人工智能(AI)已成功用于从非对比增强门控CT扫描中自动化测量心腔容积，与金标准参考相比达到了接近完美的相关系数。此外，介入影像学综述强调了人工智能(AI)如何将CT、磁共振成像(MRI)、超声心动图和核医学数据融合到统一的诊断工作流程中，以遵循精准医学的原则。

基于人工智能(AI)的全自动三维(3D)超声心动图（使用HeartModel^AITM）在左心室(LV)容积和射血分数(LVEF)评估中表现出优异的观察者间和观察者内可重复性，与心脏磁共振成像具有强相关性。虽然左心室(LV)容积被系统性低估而射血分数(LVEF)被高估，但手动轮廓校正提高了射血分数评估的准确性，这支持了人工智能辅助量化在可重复纵向评估中的价值。此外，三维(3D)超声心动图在连续左心室射血分数评估方面比二维(2D)技术具有更优的可重复性，这在肿瘤心脏病学中尤为重要，临床决策依赖于射血分数的微小时间变化。在接受化疗的患者中，非对比增强三维(3D)超声心动图显示出最低的时间变异性，可检测到的最小左心室射血分数变化约为5-6%，而使用二维(2D)方法时约为10-13%，从而降低了将测量变异性误分类为心脏毒性的风险。由于其优于二维(2D)技术的可重复性，推荐使用三维(3D)超声心动图对接受癌症治疗的患者进行左心室(LV)功能的系列评估。非对比增强三维(3D)超声心动图在左心室射血分数测量方面表现出比二维(2D)超声心动图更低的时间变异性，支持其在肿瘤心脏病学监测中用于检测有临床意义的变化。

总的来说，这些发展加速了临床决策制定，并支持更公平地获得高质量心血管影像学服务。自动化应用的具体示例如下：

• •
  超声心动图：可自动或半自动评估心腔尺寸、室壁厚度、容积、收缩/舒张功能、瓣膜形态、瓣膜狭窄和反流分级等参数。
• •
  心脏磁共振(CMR)：可自动评估心肌质量、容积、射血分数，以及通过T1/T2 mapping等技术（无论是否使用对比剂）进行组织表征（如水肿/炎症、细胞外容积扩张、纤维化）。
• •
  心脏计算机断层扫描(CT)：可自动评估冠状动脉钙化评分(CACS)、管腔狭窄程度、血流储备分数(FFR-CT)，并实现定量和定性斑块分析，准确识别低衰减斑块和正性重构等高危特征，其准确性高于手动测量或临床风险评分。
• •
  核心脏病学：可自动检测和量化心肌灌注缺损。
• •
  血管内成像：可进行斑块表征和分类，并以更高准确性识别易损斑块特征，评估狭窄严重程度。

2.3. 图像解读（诊断与预后）

在图像解读方面，基于正常和病理性心脏解剖和生理特征开发的机器学习(ML)模型正日益增多。这些模型能够可靠地区分正常心功能和各种疾病状态，以及区分不同的心脏病变。此外，通过将机器学习(ML)和深度学习(DL)技术整合到影像学发现和临床变量中，研究人员正在开发预测模型来预测患者结局和治疗反应。影像组学(Radiomics)是一项前沿分析学科，它将标准医学图像转换为高维定量数据集。通过从放射学研究中提取包括纹理、形状、强度梯度和体素相互关系在内的大量特征，影像组学能够检测到远超出人类视觉评估阈值的细微影像表型。在心血管影像学中，这一新兴领域在多种模态中显示出应用前景。例如，对冠状动脉计算机断层扫描血管成像(CCTA)上冠状动脉斑块的影像组学分析已被用于通过检测传统成像通常忽略的微结构异质性和细微重构特征来识别易损斑块。同样，应用于心脏磁共振(CMR)的心肌影像组学通过分析T2 mapping上的纹理模式，有助于区分急性心肌炎与其他炎症性疾病。除了诊断之外，影像组学还能提升预后建模能力。然而，要将这些发现转化为临床实践，需要解决重大问题，包括标准化采集协议、跨供应商的可重复性以及进行稳健的外部验证研究。尽管人工智能(AI)在增强心血管影像的图像分析、工作流程效率和决策支持方面具有显著前景，但目前基于人工智能的工具不应被视为完全自主或普遍可靠的系统。大多数算法是在特定的数据集和临床环境中开发和验证的，这引发了关于其普适性、潜在的过拟合问题以及在应用于外部人群或次优成像条件时性能变异性的担忧。此外，与模型可解释性和透明度相关的问题仍然存在，尤其是在复杂的临床决策场景中。重要的是，评估人工智能辅助工作流程与标准临床实践的直接比较研究仍然相对有限，且现有证据在影像学模式和应用中常常存在异质性。

2.4. 教育

现代数字系统为心血管影像学教育引入了变革性的途径。一个重要应用是培训非专业人员进行影像学检查：由机器学习和深度学习算法驱动的专用教育软件现在可以在超声心动图检查期间为非专业人士（如护士或技术员）提供实时引导。这些平台持续提供探头定位提示，直到获得符合诊断要求的切面并被自动存储。类似地，超声波引导技术（如Caption Guidance和UltraSight）已获得美国食品药品监督管理局(FDA)批准。这些人工智能工具通过图形反馈和定位提示实时协助用户，以最少的培训获取标准的二维经胸超声心动图切面。除了基于软件的引导，沉浸式模拟已成为现代课程中不可或缺的重要组成部分。源自真实人体心脏扫描构建的高分辨率虚拟现实(VR)模拟器为受训者提供了高保真解剖模型进行实践学习，消除了学习初期阶段对患者的风险。这些培训工具有效地补充了研讨会式教育。模拟器项目（无论是使用虚拟现实还是高保真人体模型）为经胸和经食管超声心动图培训提供了标准化、可重复的环境。尽管现场患者培训仍然必不可少，但随机试验表明，模拟器显著提高了理论理解和操作技能，尤其是在复杂的影像学协议方面。

3. 局限性/伦理-法律问题

尽管技术进展迅速，但人工智能在心血管影像学中的临床部署仍受到诸多限制。在普适性、数据集偏移和外部验证不足方面存在局限：许多基于单中心或特定供应商数据集开发的模型在面对扫描仪类型、成像协议或患者人口统计学特征的变化时，常常表现不佳。这强调了在临床采用之前进行严格的多中心验证和校准的必要性。与此同时，透明度和可重复性方面存在显著不足；医学影像学中更新的报告标准（如CLAIM）和试验报告指南（如SPIRIT-AI/CONSORT-AI）要求清晰地记录数据集、参考标准、预处理、模型版本控制和人工监督，以降低这些风险并实现可复现性。除了技术准确性，伦理和法律考量也至关重要：算法偏见可能加剧健康不平等；有限的可解释性增加了临床医生的信任和问责难度；大规模数据使用带来了隐私、知情同意和治理方面的挑战。在法律层面，欧盟的《人工智能法案》将大多数临床影像学人工智能归类为“高风险”，规定了风险管理、高质量数据、人工监督、技术文档、透明度和上市后监测等义务。为了弥合这些差距，像FUTURE-AI这样的共识框架将这些要求转化为可操作的原则：公平性(Fairness)、普适性(Universality)、可追溯性(Traceability)、可用性(Usability)、稳健性(Robustness)和可解释性(Explainability)。此类框架为人工智能安全、公平、负责任地整合到心血管影像学中提供了必要的治理架构。

4. 未来展望

心血管影像学中的人工智能(AI)正通过与多模态数据的协同融合，快速朝着无缝临床整合的方向发展。通过将影像学发现与电子健康记录(EHR)、基因组学以及可穿戴设备的纵向数据相结合，人工智能(AI)能够实现一种全面的风险评估和精确个体化治疗方法。可解释人工智能(XAI)的进展有望通过增强模型输出的可理解性和透明度来提高临床医生对人工智能(AI)系统的信任。同时，联邦学习(FL)为多机构模型开发提供了一种可扩展的解决方案，无需直接共享数据，从而减轻隐私问题并增强互操作性。