心血管疾病人工智能應(yīng)用兩大研發(fā)方向

1、心血管疾病人工智能應(yīng)用兩大研發(fā)方向面向急性心肌梗死的智能心電圖診斷一、背景及意義急性心肌梗死(Acute myocardial infarction , AMI)是內(nèi)科急診 的常見急危重癥，也是手術(shù)科室常見的并且致命的并發(fā)癥。AMI 按照心電圖診斷，分為ST段抬高心梗和非ST段抬高。盡管兩者治療策略不盡相 同，但是不論ST段是否抬高，AMI能從早期侵入性策略和強化的抗血栓 藥物治療中獲益。如何盡早地診斷AMI 無疑是此類病人獲益最大的保證。然而， AMI 的早診斷在臨床實踐中極具挑戰(zhàn)性。根據(jù)第四次UDM，I符合快速診斷的條件有心肌壞死標(biāo)志物、缺血性癥狀和新發(fā)的心電圖改 變。很顯然，病人的癥狀和

2、病史是首次醫(yī)療接觸(first medicalcontact ， FMC) 人員能在第一時間內(nèi)獲取的有價值的信息。但是， 以胸痛為首要表現(xiàn)的疾病超過20 種，涉及循環(huán)、呼吸、消化、神經(jīng)、肌肉、皮膚等多個系統(tǒng)，疾病譜既包括心肌梗死、主動脈夾層、急性肺栓塞等威脅生命的重大疾病，也包括皮膚皰疹、胃食管返流等低風(fēng)險疾病。人口統(tǒng)計資料、心臟危險因素、胸痛和體格檢查可以輔助決策和風(fēng)險評估，但不足以確定AMI 的存在與否。以心臟肌鈣蛋白(cardiac troponin , cTn)為代表的生物標(biāo)志物是診斷 AMI 的必要條件。傳統(tǒng)的cTn 存在 4-6 小時的“陰性”窗口期，這使得早期就診(v 2h)的病

3、人無法得到陽性證據(jù)支持。hs-cTn的應(yīng)用將“陰性” 窗口期降低至3 小時內(nèi)， 然而床旁的快速檢測儀仍需至少20 分鐘。ECG是在眾多場景中診斷 STEMI最快的客觀依據(jù)。根據(jù)中國胸痛中心統(tǒng)計數(shù)據(jù)，首份ECGF均在分診后5min內(nèi)完成。在臨床實踐中，醫(yī)護 人員甚至在獲取病史信息、體格檢查的同時可進行心電圖檢查和結(jié)果判讀。然而ECG勺診斷AMI的效率并不高，錯誤診斷率 5.9%至29%假陽性率11%-14%，假陰性率5-28%。目前已有研究表明，人工智能識別心電圖能顯著提高準(zhǔn)確率，減少時間，降低人力成本。本項目擬采用大樣本深度學(xué)習(xí)的方式，利用首次醫(yī)療接觸ECG自動預(yù)測胸痛病人急性心梗的診斷，盡早

4、給與強化抗血栓治療，盡快轉(zhuǎn)運至PCI 醫(yī)院、激活導(dǎo)管室、啟動會診，以使病人得到最大獲益。二、研發(fā)流程1. 數(shù)據(jù)收集：急性胸痛病例資料，包括基本信息和首次醫(yī)療接觸心電圖；2. 數(shù)據(jù)處理：對病例數(shù)據(jù)進行清洗、脫敏；3. 數(shù)據(jù)標(biāo)注：逐份人工瀏覽，根據(jù)第四次UDMI的標(biāo)準(zhǔn)將心電圖標(biāo)注為 AMI 和AMI、 STEMI和 NSTEM;I4. 機器學(xué)習(xí)：采用深度學(xué)習(xí)的方式，建立通過分析心電圖結(jié)合基本臨床信息，預(yù)測診斷結(jié)果的模型；5. 模型驗證：驗證對入院首份心電圖分類的敏感性、特異性、陽性預(yù)測率、陰性預(yù)測率及準(zhǔn)確性（AUC） ?？紤]采用多中心數(shù)據(jù)進行外部檢測，驗證模型的普適性。三、應(yīng)用場景本心電圖智能檢測

5、模型整合于信息化心電圖網(wǎng)絡(luò)，配合胸痛中心 “心電一張網(wǎng)”的建設(shè)目標(biāo)，可實現(xiàn)胸痛病人院前 -急診 -院內(nèi)的實時診斷，具體應(yīng)用于：1. 遠(yuǎn)程心電圖傳輸輔助急救人員的院前判斷和轉(zhuǎn)運建議，減少胸痛中心會診人員的讀圖工作量；2. 胸痛中心首份心電圖的判斷和分診建議，對于急需侵入性治療的高危病人，減少延誤時間，對于非AMI 的病人，加快進行其它檢查的周 轉(zhuǎn)流程；急性胸痛的判斷和會診3. 住院病人 （包括手術(shù)室和非心內(nèi)科病區(qū)）建議。第 7頁 共 8頁冠心病介入影像的智能分析一、背景和意義冠狀動脈介入是以影像分析為核心的操作過程，不僅是明確冠狀動脈病變嚴(yán)重程度的主要方式，而且是治療血流阻塞性病變的重要手段。目

6、前，導(dǎo)管室中常用的侵入性影像學(xué)檢查有冠狀動脈造影（ICA） 、血管內(nèi)超聲（IVUS） 、光學(xué)相干斷層掃描（OCT） 。據(jù)2018 年統(tǒng)計數(shù)據(jù)，我國有冠心病患者1100 萬，接受經(jīng)皮冠狀動脈介入術(shù)的病患已超過90 萬。2019年全國冠狀動脈介入術(shù)將超過100萬例， 年冠狀動脈造影例數(shù)逾300萬例，血管內(nèi)超聲病例數(shù)約10 萬例。然而，冠狀動脈影像的解讀卻受醫(yī)生的經(jīng)驗、知識等主觀因素影響而產(chǎn)生觀察者間的差異，尤其是對中等程度的病變差異高達20-30%。 人工智能的自動化技術(shù)應(yīng)用于影像的判讀，將產(chǎn)生巨大的臨床、社會和經(jīng)濟價值，預(yù)期能將影像診斷準(zhǔn)確度提高10-20%，速度提高5-10 倍。此類技術(shù)應(yīng)用于

7、臨床將顯著降低誤診率和漏診率，提高初級醫(yī)師和醫(yī)療資源不發(fā)達地區(qū)醫(yī)療水平，改善醫(yī)師的工作效 率和準(zhǔn)確性，節(jié)約醫(yī)療資源，使病人受益。二、研發(fā)流程1. 數(shù)據(jù)收集：冠心病介入病例影像資料；2. 數(shù)據(jù)處理：對影像數(shù)據(jù)進行清洗、脫敏；3. 數(shù)據(jù)標(biāo)注：介入醫(yī)師利用專用的影像標(biāo)注工具，人工標(biāo)注管腔、管壁結(jié)構(gòu)輪廓，以及病變分類；4. 模型訓(xùn)練：構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練自動化的圖像分割和病變分類模型；5. 模型驗證：采用多中心數(shù)據(jù)進行外部檢測，驗證模型的普適性。三、應(yīng)用場景（ 1）冠狀動脈病變自動定量分析用于導(dǎo)管室內(nèi)指導(dǎo)介入手術(shù)：實時測量病變狹窄程度，確定介入治療的指征；自動選擇支架尺寸和植入位置，優(yōu)化介入手術(shù)的效果，提高冠心病介入的效率。（ 2）冠狀動脈病變類型和特征的自動分析在介入治療前，根據(jù)斑塊類型預(yù)測發(fā)生慢血流、邊支閉塞等并發(fā)癥的可能；對鈣化斑塊的準(zhǔn)確測量對合理選擇介入策略具有指導(dǎo)意義。自動識別富含脂質(zhì)、斑塊破裂等特征的動脈粥樣斑塊，形成風(fēng)險評估積分對非阻塞