人工智能在儿童心血管磁共振成像中的作用
本文综述人工智能在儿童心血管磁共振成像中的应用,覆盖预约、扫描、分析和报告全流程。文中指出目前临床验证的儿童心脏影像人工智能应用很少,但多项技术已显示出缩短扫描时间和自动分析的潜力。
要点
- 儿童心血管磁共振的实时电影成像可将扫描时间从近5分钟缩短至18秒,图像质量无损失。
- 三维全心脏成像的超分辨率机器学习重建可将扫描时间从8分钟缩短至3分钟,图像质量与现有方法相似。
- 深度学习心室分割已可用于先天性心脏病,但右心室测量的准确性低于左心室。
核心结论
- 目前儿童心脏影像中经临床验证的人工智能应用很少,但人工智能在改善儿童和临床医生医疗体验方面有明显潜力。
- 人工智能有望推动精准患者医疗和疾病发现,并最终构建基于智能的医学时代。
- 在儿童实践中验证人工智能技术仍需大量工作,包括改变护理提供方式、构建高质量大数据集、从单中心验证走向普遍适用性、理解数据保密、所有权和价值问题、监管以及连接性等。
研究设计与样本
- 本文为综述,聚焦人工智能在儿童心血管磁共振成像中的应用,并引用儿童心血管磁共振、成人心血管磁共振及其他放射学经验的例子。
- 文中以儿童心血管磁共振扫描的患者路径为框架,涵盖预约、组织、执行和报告心血管磁共振扫描的过程,以及这些数据如何用于研究和患者获益。
- 文中还描述了人工智能影响超声心动图和心血管CT的一些方式。
诊断标准与关键数值
- 一项机器学习工具分析神经系统磁共振检查申请的非结构化文本临床指征并自动制定扫描方案,准确率为95%。
- 儿童心血管磁共振实时二维电影成像可将扫描时间从略低于5分钟缩短至18秒,图像质量无损失,需在10例先天性心脏病患者中训练。
- 先天性心脏病患者三维全心脏成像的超分辨率机器学习重建可将扫描时间从8分钟缩短至3分钟,图像质量与当前方法相似。
- 基于深度卷积神经网络的全自动算法在肥厚型心肌病患者中自动量化左心室质量和瘢痕体积,与手动分割具有良好一致性。
- 基于图谱的计算机辅助方法在60例全心脏磁共振图像上评估,诊断准确性为97.3%。
临床应用与阅片要点
- 人工智能可帮助心血管磁共振方案制定,使方案按临床指征自动加载到序列列表,例如基本先天性心脏病方案、心力衰竭方案、心肌病方案。
- 基于学习的算法可用于心室成像平面的自动规划,完成时间可少于10秒。
- 深度学习心室分割已显示可用于先天性心脏病,但右心室测量准确性低于左心室测量。
- 人工智能可生成针对转诊心内科医生、患者和家庭或非心内科医生的定向报告,确保最相关信息以适合对方的语言传达。
- 人工智能可基于放射学报告数据自动通知转诊临床医生并驱动随访建议,例如「建议2年后进行右心室容积评估随访」自动生成心血管磁共振预约。
局限性
- 目前儿童心脏影像中经临床验证的人工智能应用很少。
- 自动诊断先天性心脏病需大量工作来构建和验证算法。
- 从单中心验证走向普遍适用性仍需努力。
- 在罕见病中构建高质量大数据集可能困难。
- 需理解决策支持工具和护理模式的作用,以及人工智能信息不适用的情形。
全文中译16 节 · 点击展开
引言
与影像学的所有方面一样,儿科心脏影像学预计在未来十年将在工作的各个方面经历由人工智能(AI)应用驱动的剧烈变革。最近一篇关于文献中AI的综述确定了AI预计将产生巨大影响的五个医疗保健领域[1]:医疗保健系统管理、诊断、临床决策、患者数据和预测医学。
关于AI如何在儿科心脏影像学中应用的例子很少。本综述介绍了其中一些进展,并展示了AI和其他技术所能提供的机遇。我使用儿科心血管MRI扫描的患者路径来突出可能受AI影响的领域——心血管MR扫描的开单、组织、执行和报告过程,以及这些数据随后如何被用于研究和患者获益(图1)。我还描述了AI影响超声心动图 和心血管CT的一些方式。
重要的是,AI的发展应有助于将临床实践从循证医学时代推向基于智能的医学[2]和精准患者管理时代,即利用大数据中的信息创造知识,然后将这些知识深入细化以实时满足个体患者的特定需求。最终,这有望改善患者结局以及患者和临床医生的体验。理想情况下,它还将把临床医生从我们目前需要执行的许多平凡流程中解放出来。
人工智能如何影响心血管磁共振成像中的患者路径
开单、排程和制定方案
任何放射学程序的第一步是检查开单。目标是拥有正确的检查(最适合临床问题的检查),在正确的时间(临床紧迫性、患者选择),并且高效(最大限度减少失约并提供最具成本效益的检查)。
改善影像申请单上的信息——这些信息通常质量较差——是推动所有这些过程的关键第一步。最近一项研究发现,80%的影像申请缺乏相关临床信息[3]。AI工具可以从临床电子患者记录(EPR)中提取临床信息,以改善影像模态选择[4],然后驱动影像方案制定以解决相关临床问题[3]。一个这样的机器学习工具能够分析神经性MR成像申请中临床指征的非结构化文本,并以95%的准确率适当地制定MR扫描方案[5]。对于心血管MR成像,先前的临床数据和既往影像方案(来自个体或具有相似基础心脏病的患者)可用于潜在地预测扫描时间。此外,算法可用于搜索EPR以确保没有MRI禁忌症,并将此信息预先填入MR知情同意书。
算法还可用于支持排程优化:确定预约登记的最佳时间[6];
预测哪些患者可能失约[7];以及
确定最佳随访时间[8],自动预约随访影像检查。
这可以提高效率——更少的员工打电话、发短信进行预约提醒等——所有这些都可以通过更及时地提醒影像检查预约的日期和时间、减少错过预约、改善昂贵扫描仪时间的利用率和工作人员的合理使用,来改善患者体验。机器学习也被用于预测影像检查当天的等待时间和延迟,以使患者和家属更好地了解情况[9]。
心血管磁共振序列
众所周知,MRI本质上是一个缓慢的过程。因此,算法可以减少所需的数据量并支持更快速的扫描。在心血管成像中更是如此,因为数据不仅在三个维度上采集,还随时间采集。
多年来已开发了多种技术,包括并行成像和压缩感知,以减少心血管MR序列的采集时间。这些成像技术容易出现信号衰减和混叠,并且需要先验信息,而目前的先验信息往往较为粗糙。AI方法擅长发现模式,已被用于改善稀疏采样数据的心血管MR图像质量。深度神经网络,特别是卷积神经网络(CNN)和循环神经网络,已被用于解决机器学习问题,主要以监督方式(使用已知的地面真实数据)进行[10]。示例包括:去噪数据(以实现k空间欠采样),
去混叠数据(以实现k空间欠采样),
超分辨率(使用低分辨率数据预测高分辨率细节),以及
减少场不均匀性和涡流引起的误差(更准确的血流成像)。
在儿童心血管MR中,经临床验证的机器学习研究表明,二维(2-D)电影成像的实时采集可将扫描时间从不到5分钟缩短至18秒,且图像质量无损失[11]。这需要在10名先天性心脏病(CHD)患者中进行训练。对于CHD患者的三维(3-D)全心成像,超分辨率机器学习重建已被证明可将扫描时间从8分钟缩短至3分钟,图像质量与当前方法相当[12]。类似地将AI整合用于快速重建四维(4-D)血流[13]和3-D晚期钆增强[14],虽然尚未在CHD环境中进行测试,但也可能加速心血管MR成像。
最终,所有这些方法都使图像采集更加快速,将总体扫描时间缩短最多达4倍(60分钟的扫描现在15分钟即可完成)。对于儿童心血管MR,这意味着可以减少幼儿对全身麻醉的需求(更短的扫描,无需屏气;图2)、因更好的配合度而获得更好的整体图像质量(同样是更短的扫描,无需屏气)以及提高扫描仪利用率(每次会话完成更多扫描)。
心血管磁共振扫描
如前所述,人工智能可能有助于心血管磁共振的方案制定,使方案能够根据相应的临床指征自动加载到序列列表中(例如,基础先天性心脏病方案、心力衰竭方案、心肌病方案)。此外,基于学习的算法可用于实现心脏心室成像平面的自动化规划,完成时间可少于10秒[15]。另一种可能缩短扫描时间的方法是确定在特定情况下哪些序列能够提供相关的临床信息,从而再次聚焦成像方案。
使用卷积神经网络(CNN)的类似自动化算法已应用于超声心动图,包括基于对超过8,000例人工分割超声心动图的验证进行切面识别,实现了准确的成像平面识别(胸骨旁长轴为96%)[16]。
这些方法在影像技师规划心血管磁共振扫描时为其提供支持,减少了对操作者的依赖,并提高了本地及跨机构成像方案的同质性,从而为多中心研究增强数据质量。这可能意味着,需要儿童前往远方专科中心进行的复杂心血管磁共振扫描,可以在离患儿家庭更近的磁共振扫描仪上,以相同的标准和同等程度的专业知识来完成——这有可能减少扫描等待时间,并缩短患者和家庭的出行时间。
心血管磁共振分析
图像分割/数据分析
随着我们继续缩短心血管磁共振扫描时间,使患者受益并增加可执行的扫描数量,我们消除了心血管磁共振等待名单上的一个瓶颈。然而,负担现在转移到了报告环节。目前,复杂的 cardiovascular 磁共振扫描报告可能需要超过60分钟,其中心室容积的人工分割(令人头疼的画圈)、血流后处理(包括4维血流)、三维解剖分割和组织表征,都需要耗费大量心脏影像医师的时间来分析。因此,必须使这些繁琐任务更加自动化,以减少报告时间并防止出现第二个瓶颈(不再需要等待心血管磁共振预约,因为扫描可以快速完成,但转诊医生现在需要等待扫描报告——新的瓶颈)。此外,能够比较患者各项检查以确定容积、血流、功能和其他成像特征变化的算法将极为有用,可节省大量比较检查的时间,并提供患者疾病进展的趋势以追踪管理(例如,对药物治疗的反应、对手术或介入心导管术的反应,或作为常规监测一部分的观察等待)。
幸运的是,一整套人工智能算法——机器学习和深度学习——正在被开发用于辅助数据分析,包括心室容积的自动量化、血流自动分析、用于组织表征的自动分割以及心血管MR组织指纹图谱的自动生成。这些将在下文中进行描述。
心室容积的自动量化
使用多厂商左心室(LV)数据的卷积神经网络(CNN)已显示出极好的相关性(r2 ≥ 0.98),并与临床专家获得的测量结果具有良好的一致性[17]。同样,使用基于深度学习的全自动量化算法对左心室容积和功能评估也发现了良好的一致性[18]。使用大规模标注数据集的全卷积网络对左心室、左心房(LA)、右心室(RV)和右心房(RA)容积的测量也被证明是准确的,与使用英国生物银行数据的人类观察者间变异性相当[19]。深度学习算法现在可以整合到心血管MR心功能评估的框架中,从而提供一定程度的质量控制。其中一个框架包括分析前深度学习图像质量控制,随后是用于长轴和短轴视图双心室分割的深度学习算法、心肌特征追踪,以及用于检测错误结果的分析后质量控制[20]。该框架在无临床监督的情况下取得了良好的一致性,尽管该框架在某些右心室测量方面的表现不如手动评估。重要的是,左心室和右心室的深度学习心室分割现已被证明可用于先天性心脏病(CHD),尽管右心室测量的准确性不如左心室测量[21]。
血流自动分析
尽管对于大多数心血管MR后处理工具而言,血流分割相对自动化,但进一步自动化以在有限或无操作者输入的情况下分析图像将是有用的。最近一项关于主动脉瓣水平升主动脉血流测量的研究表明,准确的机器学习分割均能成功,无需人工干预,在外部验证队列中手动与算法分割及测量之间具有极高的相关性(r = 0.99)[22]。
用于组织表征的自动分割
晚期钆增强可用于指导临床治疗,而该信息的临床实施需要对梗死区域进行可重复且可靠的分割[23]。一种使用深度CNN自动量化肥厚型心肌病患者左心室质量和瘢痕体积的自动化方法显示出潜力,与手动分割具有良好的一致性[24]。
心血管MR组织指纹图谱的自动生成
结合T1、T2、细胞外容积和晚期钆增强数据来创建多参数心肌组织表征已被证明可行,使用模式识别算法将采样信号与预定义的预测信号演化字典进行匹配[25]。这种自动组织表征可用于心肌病和急性心肌炎的自动诊断以及心脏移植排斥反应的监测。
自动诊断
冠心病的自动化诊断并非易事。一种尝试是使用基于图谱的计算机辅助方法,该方法利用图谱与目标图像之间的相似性度量,用于正常心脏解剖结构以及接受心房或动脉调转术后的完全性大动脉转位患者。该方法使用标注图像进行了验证,随后在一组60幅全心磁共振图像上评估时显示出97.3%的诊断准确率[26]。深度学习算法已被证明可从电影心血管磁共振和晚期钆增强图像中诊断心脏淀粉样变性[27]。此类算法或许不仅能在成人中,还能在儿童中区分心肌病。
构建和验证能够从三维图像自动诊断冠心病的算法需要大量工作。然而,作为第一步,能够区分正常与异常心血管磁共振图像的算法可能有助于确保复杂的冠心病异常——这些异常罕见,因此在常规临床实践中不常遇到——不被遗漏,即使未能做出确切诊断,也能确保进行专家意见转诊。
心血管磁共振报告生成
算法可用于基于临床转诊和来自电子病历(EPR)的临床患者信息生成报告模板。这些信息还可用于检索本地和国际临床指南及研究文献,使与病例相关的同期文献在报告时即时可得。例如,在报告一例特纳综合征病例时,实时获取最新共识论文中当前的主动脉尺寸以指导临床决策将具有巨大价值。
报告生成显然可以得到自动语音识别的支持,该技术以结构化形式收集数据或使用自然语言处理工具提取数据[28],以确保数据可用于大数据集。放射学报告中的数据还可用于自动通知转诊临床医生并用于驱动随访建议——例如,“建议2年后进行右心室容积评估的随访评估”会在该时间点自动为患者生成心血管磁共振预约[29]。此外,人工智能可用于生成有针对性的报告,分别针对转诊心脏科医生、患者及家属、或非心脏科医生,以确保最相关的信息以适合他们理解和影响患者诊疗的语言传达给正确的人。
为研究和精准医学提供数据
整合来自多个来源的数据——临床、影像(放射学、数字病理学、照片)、基因组学、蛋白质组学和实验室医学——可用于创建庞大的数据库,供人工智能算法探索(图3)。在这些数据库被探索和验证之后,信息可以向下追溯至个体患者,基于其临床病史、影像、实验室检查结果和遗传学,结合实时收集的最新结局,驱动每个人的精准医学。
已有少数研究利用机器学习将心脏影像与其他检查及临床特征相结合来预测预后。在一项研究中,心血管磁共振(MR)成像数据与成人肺动脉高压患者的临床、血流动力学和功能标志物相结合[30]。研究表明,与常规参数相比,包含源自心血管MR的心脏运动参数的机器学习生存模型具有增量预后价值[30]。
在第二项研究中,利用自动化深度学习分析从法洛四联症患者的心血管MR图像中提取心脏尺寸和功能的测量值,并将其与既有的临床参数和心电图(ECG)标志物相结合[31]。深度学习模型在单中心的原始医学数字成像与通信(DICOM)数据上进行训练,然后应用于全国队列数据集以预测成人先天性心脏病(CHD)的预后。
人工智能在心血管影像其他领域的应用概述
作者Xu等人[32]对超声心动图和心血管CT领域的人工智能进展及已开发的工具作了出色的总结。
超声心动图
人工智能适用于超声心动图的各个领域,包括心腔、射血分数和应变的自动化分析[16]、瓣膜评估[33]和主动脉尺寸测量[34],并朝着自动诊断的方向发展,已在多个领域得到验证,包括缩窄性心肌病与限制性心肌病的鉴别诊断[35]以及肥厚型心肌病与运动员心脏的鉴别诊断[36]。
心血管计算机断层扫描
目前,为心血管CT开发的大多数算法集中于缺血性心脏病的评估,包括支持解剖诊断、冠状动脉斑块定量、冠状动脉血流和心肌灌注的算法。
研究表明,使用机器学习框架将临床参数与心血管CT参数相结合,比使用Framingham风险评分的常规指标能更好地预测5年死亡率[37]。冠状动脉血流——血流储备分数——可通过计算流体力学建模[38]计算,其卓越的准确性已在多项前瞻性多中心研究中得到证实。
此类算法可能在CHD心血管CT中小狭窄血管的分析中发挥作用,而为三维心血管MR图像开发的CHD自动诊断方法在可用时也应能应用于心血管CT。
结论
关于在儿科心脏影像中应用经临床验证的人工智能,目前具体的例子还很少。然而,利用人工智能将整个患者诊疗路径中各自孤立的数据集整合起来,以推动精准患者医疗和疾病发现,显然在改善儿童和临床医生在医疗保健中的体验方面具有巨大潜力。最终,这有望构建一个基于智能的医学时代,随着时间的推移,应能实现更主动而非被动的照护,以支持预防医学和早期疾病检测。
在儿科实践中验证人工智能技术并解决其中一些问题上仍有大量工作要做:改变照护提供方式/临床团队管理方式;
构建高质量(优秀数据)的大型数据集,这在罕见病中可能较为困难;
从单中心验证转向普遍适用性;
理解数据相关问题:保密性(儿科环境中的患者和家庭)、所有权(谁拥有医疗保健数据?)和价值(医疗保健数据值多少?);
监管对于数据的伦理使用很重要,但不应过度监管而扼杀关键创新;
理解决策支持工具/照护模式的作用很重要,以及人工智能信息在哪些情况下不合理;以及
需要连通性,以连接来自家庭、初级保健和医院环境的不同数据集,并将临床团队、患者和家庭,以及数据科学家和工程师联系在一起。
如果我们能够减少必须做的琐碎工作,加快数据采集并实现数据分析和诊断的自动化,同时将 all 相关信息置于指尖,以便根据最新指南规划患者照护,提供随后可用于推动下一个人照护的信息,形成良性循环,那么理想情况下,人工智能将给我们更多时间来思考和与患者及其家属交谈,矛盾的是,这会增加对患者照护至关重要的医患人文关怀。
引用
- Taylor AM. The role of artificial intelligence in paediatric cardiovascular magnetic resonance imaging. Pediatr Radiol. 2021. PMID: 34936019. doi:10.1007/s00247-021-05218-1
- 全文:PMC9537201(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9537201/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。