|
本文原载于《中华心血管病杂志》2019年第2期 本文作者：刘军 尹彤  近年来，大数据以及人工智能（artificial intelligence，AI）技术发展突飞猛进。医疗大数据规模巨大、种类繁多，变化快至难以储存、分析和使用。AI技术具有梳理和分析医疗大数据的能力，突破传统统计模型准确性和应用范围的局限，实现真实世界风险预测模型的灵活实时建立和校正，以及自动化实时临床决策系统的建立和应用[1]。 AI技术主要包括机器学习和智能计算，其中机器学习包括深度学习。按照学习类型，机器学习又分为监督学习、非监督学习和增强学习。应用AI分析大数据已经在心血管领域崭露头角[2]，心血管疾病领域对AI的需求主要包括：在具有异质性特征的心血管疾病中发现新的疾病表型或基因型，指导个体化靶向治疗；发现心血管疾病或治疗相关的未知风险因素；识别心血管影像、超声和心电图；辅助制定心血管疾病临床决策支持系统。鉴于此，本文将以AI技术类型为主线，重点阐述不同类型的AI技术在心血管疾病精准医疗中的主要适用范围、局限性和发展方向。   机器学习是AI技术分支之一，可分为3种类型：监督、非监督和增强学习，其中增强学习被视为监督学习和非监督学习二者的结合体，目的在于最大化运算的准确性。机器学习包括深度学习（表1）。 表1 机器学习在心血管精准医疗中的应用 （一）监督学习 监督学习是利用人工标记的数据集预测临床转归，适用于解决分类性及回归性问题，但所需数据量大，人工标记耗时多。监督学习算法主要包括：人工神经网络（artificial neural network，ANN）、支持向量机（support vector machine，SVM）、决策树、随机森林、朴素贝叶斯分类器、模糊逻辑以及K-最近邻算法（K-nearest neighbor，KNN），其中ANN和SVM是最常用的监督学习算法（表1）。 1．ANN和SVM在心血管精准医疗中的应用： ANN能模拟人类神经元，在处理心电图及超声心动图数据上占有优势。ANN的使用条件和特点包括：可应用于非线性关系和传统数据分析失败时，比线性和逻辑回归的预测准确性更高，可灵活运用于各种数据类型，并可在深度学习运算式中应用。其局限性在于容易发生数据过度拟合、计算时间长，比其他监督学习运算需要更多的参数。在心血管领域，ANN的应用主要侧重于深度学习中模拟人脑运行所使用的多层ANN（实例详见深度学习），同时，也广泛应用于缺血性心肌病影像数据分析、药物治疗剂量和疾病生存预测方面[3]。与ANN相比，SVM较少发生过度拟合，需要存储空间更少，适合处理电子病历文本分类和超声心动图的图像识别、心血管疾病风险分层、心肌梗死心电信号分类以及临床决策系统[4,5]。除此之外，SVM能灵活快速处理非线性数据和大量复杂数据，提高准确性，缩短数据处理时间[6,7]。通过采用线性SVM和随机森林法，能评价了血浆代谢组学标志物对于支架内再狭窄的诊断价值。预测准确率高达90%，而且比传统成像技术具有更好的早期诊断价值[8]。另外SVM还被证实，与多层感知器神经网络方法相比，更适合于心电图T波末端的识别[9]。 2．监督学习其他算法在心血管精准医疗中的应用： 监督学习的其他算法准确率虽然不如ANN和SVM，但便于操作，可用于小型数据集。决策树算法应用'是/否'来分类数据，一般不会发生过度拟合，对冠心病预测的准确性优于朴素贝叶斯分类器和神经网络[10,11]。随机森林是决策树的延伸，是由许多决策树组成，经常用于冠状动脉CT图像数据处理、心力衰竭患者再入院、风险和生存预测模型构建[12,13,14,15,16]。朴素贝叶斯分类器起源于贝叶斯理论的简单概率性分类器，对于小型训练集应用良好，也可用于文本分类，如心血管病风险因素鉴别及决策系统[17]。模糊逻辑采用模拟人脑的方式，解决规则型模糊信息问题，应用范围较广，例如可预测早期冠心病、心外科手术死亡率，检测心律失常[18,19,20,21]。KNN是最简单的非参数算法之一，可迅速执行小的训练集，可用于心电图的结果判读[22,23]。 3．监督学习的局限性： 需要较大数据集训练模型，并且通过其他数据集进行验证；如果训练集存在偏倚，将会影响测试集的准确性。另外，监督学习需要手动标记训练集，预测已知的输出结果。尽管监督学习能够通过多种方式与给定的训练集匹配，自动选择'最好'的假设来匹配数据，但可能导致因学习算法更倾向于某种假设而带来偏倚。 （二）非监督学习 非监督学习是识别隐藏在数据中新的疾病机制、基因型或者表型。与监督学习侧重依据标记病例预测临床转归不同，非监督学习是寻找未被标记的、隐藏在数据中的模式。非监督学习常常用于深度学习，可分成聚类算法和关联规则算法。 1．聚类算法和关联规则算法在心血管精准医疗中的应用： 聚类算法是将未标记的数据分类到不同类或者簇的过程。在心血管领域，聚类算法主要用于心电图和心脏影像的自动分类。通过聚类算法能实现对心电图的形态和RR间期、动态心电图中室性期前收缩的识别，准确识别心电图中的噪音和人工假象，发现具有特殊心电图特征的疾病亚型[24,25]。聚类分析还可用于识别心脏影像，通过非监督聚类分析，构建左心室腔自动分割参数，能够准确地评价心功能[26]。关联规则算法是指从大数据集内部发现数据项之间的关联性，建立表面上似乎无关联性的数据之间的联系。通过关联规则算法，能发现更多真正具有因果关系的药物之间不良交互作用[27]。 在心血管领域，非监督学习最有前景的应用之一是对心血管疾病进行精准分型。由于许多心血管疾病（例如心力衰竭、冠心病）往往由多种不同病理生理机制所致，非监督学习能够通过寻找疾病亚型，实现对疾病亚型的精准治疗和预后改善。通过将生物样本库中基因数据与电子病历系统相结合，应用非监督学习技术能够将2型糖尿病分型，进而指导临床对不同亚型采取个体化治疗[28]。同时，应用非监督学习聚类技术，能够鉴别出射血分数保留的心力衰竭及射血分数降低的心力衰竭之间危险因素的差异，进一步证实两种心力衰竭亚型的病因学差异[29]。 2．非监督学习的局限性： 主要在于对初始聚类模式的识别存在困难，因此，非监督学习模型需要在多个队列中进行验证。除此之外，其需要手工去除噪音数据，并且需要人工标记数据选择合适的算法。因此，为了获得最佳效果，往往需要非监督学习和监督学习的联合应用[30]。 （三）深度学习 深度学习是使用多层ANN模拟人脑的运行，根据输入的数据自动做出预测。应用ANN的深度学习包括：循环神经网络（recurrent neural networks，RNN）、卷积神经网络（convolutional neural networks，CNN）以及深度神经网络（deep neural networks，DNN）。 1．深度学习在心血管精准医疗中的应用： 深度学习具有强大的图像识别和处理噪声能力，以更高时空分辨率处理人工实时心血管图像。因此，深度学习在心血管影像数据处理方面具有很大的应用潜能[31,32,33]。通过整合斑点追踪超声心动图数据，有研究证实机器学习算法能够帮助识别运动员的生理性和病理性心肌肥厚，其诊断的敏感性和特异性均超越传统的超声指标。同时，利用CNN深度学习能够提高单光子发射计算机断层成像术心肌灌注成像预测阻塞性心脏病发生的能力[32]；在不做冠状动脉解剖结构分析的情况下，利用CNN深度学习，通过自动分析静息状态下冠状动脉CT血管造影下的左心室心肌图像，能够准确识别功能性冠状动脉狭窄患者，从而避免患者经历有创心脏血流储备分数的检测[31]。应用CNN还实现了对川崎病的冠状动脉光学相干断层成像图像的自动分类[34]。除影像数据外，深度学习还被应用于心电图异常的检测，分类准确率高达99%[35,36]。 2．深度学习的局限性： 其过度拟合可能导致预测效果欠佳。深度学习需要大量的训练数据集，需要各科室与电子病历系统链接之间的紧密联系。此外，深度学习需要具有深度学习能力（例如对图像处理的加速计算）的设备。另外，多层面深度学习可能增加训练时间，而且建立神经网络同样费时。  利益冲突 利益冲突 所有作者均声明不存在利益冲突 （参考文献略） |
|
|
