谢稳1,2，姚泽阳1,2，邱海龙2，徐小维2，庄建1,2

1. 华南理工大学附属广东省公民医院 心外科（广州 510100）；2. 广东省华南构造性心脏病重点实验室 广东省心血管病研究所 广东省公民医院 广东省医学科学院 心外科（广州 510100）

通信作者：庄建，Email：Zhuangjian5413@tom.com

关键词：人工智能；先天性心脏病；机器学习；深度学习；神经网络

引用本文：谢稳, 姚泽阳, 邱海龙, 徐小维, 庄建. 人工智能在先天性心脏病学中的运用. 中国胸心血管外科临床杂志, 2020, 27(3): 343-353. doi: 10.7507/1007-4848.201911085

摘 要

人工智能属于打算机科学领域，在过去的几十年里，人工智能在医学领域展现了广泛的运用前景。
但直到最近几年，随着打算机技能的进步，年夜夫和打算机专家才真正开始创造其运用于临床的潜力，尤其是在先天性心脏病领域。
当前，人工智能已成功运用于先天性心脏病的预测、智能诊断、医学图像分割和识别以及临床决策支持等领域。
本文综述了人工智能在先天性心脏病学中的运用。

正 文

先天性心脏病（congenital heart disease，CHD）是指出生时即存在的心脏构造性缺损，是最常见的先天性心脏畸形疾病，占所有先天性畸形疾病的三分之一。
文献[1]宣布每 1 000 名活产婴儿中有 4.1～12.9 例 CHD 患儿。
在一项研究中，van der Linde 等[2]利用固定效应模型剖析了近 100 年 CHD 的发病趋势，创造随着韶光的推移 CHD 发病率越来越高，由 1930 年的 1/1 000 例活产婴儿到近年来的 9/1 000 例，并且不同地区的人群发病率不同。
海内宣布发病率由 1996 年的 6.15/10 000 上升至 2000 年的 11.40/10 000，南方发病率明显高于北方，且与孕产妇保健系统和产前诊断水平密切干系[3]。
研究[4-5]显示每 1 000 名活产婴儿中 6～19 例可能有中度到重度先天性心脏毛病，如果包括出生时涌现的眇小肌肉性室间隔缺损（ventricular spetal defect，VSD）和其他小病变，所有类型的 CHD 发病率都将增加至 75/1 000[6]。

随着人们对心血管系统疾病的认识逐渐加深，外科技能和参与手段的快速发展，CHD 患者生存率快速上升，乃至可存活至成年。
过去几十年中成人先天性心脏病患者（adult congenital heart disease/defect，ACHD）数量稳步上升，到 2010 年，ACHD 占患有严重 CHD 患者的 60%，占患有其他类型 CHD 患者的 66%[7]，且长期生存率较低[8-9]。
CHD 的治疗办法紧张为外科手术和导管参与手术，繁芜 CHD 患者以外科治疗为主。
心脏外科的手术治疗用度昂贵，治疗周期长，须要面临高去世亡率和再次手术的风险[10]，许多家庭都难以承担。
据 Apfeld 等[11]关于先天性毛病患儿住院期间用度的研究显示，与其他重症患儿比较，须要外科治疗的先天性畸形疾病在美国医疗保健系统中本钱过高。
Russo 等[12]也指出 2004 年美国先天性毛病住院用度可高达 26 亿美元，个中剖宫产和 CHD 干系的住院用度约占 14 亿美元。
同样海内也有宣布，每新发 CHD 病例生命周期的经济包袱均匀是 9.7 万元，2003 年全国新发病例的生命周期总经济包袱可达 28.88 亿元[13-14]。
先天性心脏畸形病种类型多且变异度大，其直接或间接产生的社会和家庭经济包袱以及政府对付公共卫生康健管理所面临的一系列应对方法等问题，对 CHD 医疗康健领域的长远发展来说是一个巨大的寻衅。

与此同时，人工智能（artificial intelligence，AI）技能得到了迅猛发展。
一方面，在摩尔定律[15]理论支持下，打算机性能不断打破，基于高性能打算和云运算的强大能力，尤其是图形处理单元（graphic processing units，GPU）的不断升级使得许多理念和算法成功实施[16]，这对机器学习运用于大量干系领域有主要推动浸染。
另一方面，AI 作为多领域交叉学科的研究方向，在图像识别、语音剖析、自动驾驶、药物合成等领域已经展现了超越人类的潜能，将极大提升上述领域的自动化和智能化水平。

AI 技能的发展为心血管系统疾病诊疗的高效自动化和经济节约化供应了一个可行的方案。
一方面，AI 通过利用打算机的算法优化流程和决策的能力已成功被运用于智能诊疗、医学影像剖析、电子康健病历的大数据管理、精准医疗、分子生物学及新药研发等方向，极大地改进了医疗环境。
另一方面，AI 在心血管疾病的诊治上已经展现了一定的潜力：它可以通过利用高效的算法从大量成像数据中检测和“学习”特色，帮助医师减少诊断和治疗干系缺点并促进个性化医疗，从而达到辅导临床实践的目的。
此外，AI 可以用于识别疾病特有的模式并关联新的特色，以得到具有创新性的科学见地。

本文综述了 AI 技能在心血管领域的干系运用，并进行了详细的分类剖析。
同时对文献中干系的 AI 技能进行了先容。
本文旨在通过对 AI 技能的先容和干系事情的总结剖析推动 AI 在心血管领域运用中的进一步发展与完善。

1 人工智能

AI 是打算机科学的一个分支，旨在仿照人类的思维过程、学习能力和知识储备。
AI 还出身出一些子学科，包括机器学习（machine learning，ML）/人工神经网络（artificial neural network，ANN）、打算机视觉（computer vision，CV）、自然措辞处理（natural language processing，NLP）、深度学习（deep learning，DL）、专家系统（expert system）/临床决策支持系统（clinical decision support system，CDSS）以及机器人学（robotics）等领域（图 1）。

图1 人工智能的各学科领域先容

1.1 机器学习/人工神经网络

ML 是指打算机实行预定义任务并从履历和输入中学习更多不雅观察的过程[17-18]。
1943 年，Warren 和 Walter 基于神经细胞生物过程的事理提出了神经元的 M-P 模型[19]，这是历史上首次提出的神经元数学模型，首创了 ANN 的研究时期。
之后的研究陆续提出了有关神经网络的 Hebb 学习规则[20]，以 M-P 模型为根本的感知器（perceptron）[21]以及自适应线性神经网络（adaptive linear neuron）[22]等算法，促进了 ANN 的研究运用和发展。
ANN 的设计类似于人的大脑，由许多层相互连接的数据处理器组成，这些处理用具有不同的权重，通过学习算法（例如反向传播）演习网络的权重，呈现成对的输入旗子暗记和期望的输出决策，模拟大脑依赖外部觉得刺激来学习实现特界说务的条件以反响决定目标输出或触发动作的相互依赖关系[23-24]。
ANN 的发展和演化使我们更靠近于复制机器在人类中学习的办法，更多的是要考虑到有多种算法可以用来知足不同目标的须要。
单个模型不能运用于全局，由于这样会导致次等结果，同时可能无法知足紧张用户的需求。
所有机器学习算法的根本都建立在预测建模的三个步骤上：数据准备、数据拟合的模型选择和模型验证。
ANN 可以学习的数据越多，它就能更好地通过算法构造微调度扩大其预测能力。

1.2 深度学习

DL 是 ML 的一个分支，它能够使打算机通过层次观点来学习履历和理解天下[25]。
基于 ANN 的知识构造和学科运用，DL 将 AI 技能向前推进了一步。
DL 与传统 ML 的不同之处在于如何从原始数据中学习到模型表示，即表示学习（representation learning），利用 ML 来发掘表示本身，而不仅仅把表示映射到输出[26]。
与 ANN 比较，它们的紧张差异在于深度神经网络具有多隐蔽层的维度、多隐蔽层的连接以及学习故意义的抽象输入的能力。
DL 的神经网络具有多个隐蔽层，一个层由一组节点组成，有时称为“特色”或“单元”，这些节点通过边缘连接到更早和更深的层[27]（图 2）。
此种算法可以自动设计具有适宜多种任务的特性，并为一个或多个特界说务自定义这些功能。
事实上，DL 被证明善于在高维数据中创造繁芜的构造，能够从大量数据，特殊是无监督数据中提取高等、繁芜的抽象和数据表示[29]，并在图像领域[30-32]、语音识别[33]、自然措辞理解[34]和翻译[35]等方面拥有显著的目标检测性能。
DL 在医疗保健方面也取得了较大进展，包括眼底视网膜检讨[36-37]、临床影像图像重修与分割[30, 38]、病理图像检测与识别[39-40]、基因组学[41-42]以及电子康健病历（electronic health record，EHR）管理[43-44]等干系专业领域。

图2 深度神经网络简化示意图

输入信息由输入层馈送，输入层又馈入一个或多个隐蔽层，这些隐蔽层终极链接到输出层，输入层以逐层非线性的办法处理馈入，以预先演习（初始化）后续隐蔽层中的节点，从而学习“深层构造”和可概括的表示，之后这些表示被馈入到监督层中，并利用反向传播算法对全体网络进行微调，使其朝向针对特定端到端任务而作优化的表示[28]

1.3 专家系统/临床决策支持系统

专家系统是为办理某一特定领域的繁芜问题而开拓的打算机运用程序，具有最高水平的人类聪慧和专业知识。
在神经网络发明之前，人们利用专家系统旨在利用知识系统的推理能力来办理繁芜的问题。
早期开拓创建的专家系统被运用于医学和生物学诊断的打算机赞助系统[45]，但由于其利用传统方法（概率论[46]或流程图[47]）而存在很大的局限性。
1965 年斯坦福大学利用列表处理（list processing，LISP）措辞开拓并推出了第一个专家系统 DENDRAL[48]，旨在确定化合物分子构造。
后来又创建了基于反向链接事理的 MYCIN 专家系统[49]，该系统可以识别引起严重传染的各种细菌，推举可利用的抗生素并根据患者体重调度合理的利用剂量。
这两个别系的推广使专家系统在医学领域迅速发展，在这个根本上后续也有其他系统推出，如 INTERNIST-I（一种打算机赞助诊断系统）[50]、CADUCEUS（一种内科诊断咨询系统）[51]和 CASNET（描述疾病过程的因果关联的网络模型，紧张用于青光眼的专家咨询操持）[52]等专家系统，但由于存在诸多问题而没有实现干系专业职员的常规利用[53]。
精良决策的哀求分为三点：准确数据、干系知识、适当办理问题的能力。
数十年来基于打算机的决策赞助事情为临床医师供应了强大的动力[54]，专家系统的领域局限性和被动性使人们意识到 CDSS 的主要性。
CDSS 的不同之处在于它因此 EHR 的广泛遍及为根本发展而成[55]（图 3），同时领悟了管理科学、运筹学、掌握论和行为科学等多门学科，以打算机技能、仿真技能和信息技能为手段，支持决策活动的具有智能浸染的人机系统，强调人机交互也是支持 CDSS 与从业职员事情流程相融洽的主要维度。
近年来，越来越多地将其作为实用性工具，DNN 技能的改造和医疗保健的繁芜性及其本钱不可避免地增长，以及引入医疗保健立法手段都促进了 CDSS 的发展[58]。

图3 CDSS 的基本事情流程

CDSS 分为基于知识的系统和基于异常识的系统，前者紧张包括三个部分：知识库、推理引擎和通信机制[56]。
知识库包含编译数据的规则和关联，这些关联和规则常日采取 If-then 规则运行；推理引擎利用康健记录，专业术语以及带有 CDS 规则的用户输入来实行决策支持逻辑；通信机制的功能是向用户界面显示警报时，接管临床年夜夫的输入。
基于异常识的 CDSS 是一种利用 ML 的人工智能形式，旨在从过去的履历中学习和/或在临床数据中找到干系模式。
基于异常识的 CDSS 有三种算法：支持向量机、ANN 和遗传算法[57] CDSS：临床决策支持系统；EHR：电子康健病历；CDS：临床决策支持

1.4 自然措辞处理

NLP 是 AI 的一个子领域，强调打算机与人类（自然）措辞的交互，通过编写打算机程序来处理和剖析人类书面和口头措辞的能力。
打算机认知程序通过运用 NLP 来阅读快速增量的科学文献进行医学知识的学习和储备，利用年夜夫的条记和处方以及医学图像以提取故意义的见地和医疗保健的干系内容，并整理各种年份的电子病历从而致力于影响医疗实践来完善 EHR 大数据精准而快速的管理[59]。

1.5 打算机视觉

CV 是一个跨学科领域，同时也是 21 世纪发展速率最快的领域之一。
CV 涉及如何利用机器从数字图像或***中得到高层次的认知和理解，它以人类的办法从***或图像中获取和学习信息。
与医疗领域干系的紧张内容包括医学图像和病理组织切片的自动扫描识别和剖析[60-61]，利用虚拟现实（virtual reality，VR）系统实现人体解剖构造的三维可视化功能从而为患者制订个性化手术方案[62]，并且能为术者供应繁芜手术的仿照辅导导航功能[63]，三维重修后的医学图像可通过 3D 打印模型用于术前手术策略方案、仿照手术的操控练习、医患之间病情沟通以及解剖辅导传授教化资源[64-66]。

2 人工智能技能在先天性心脏病学中的运用

早期 AI 运用于医学紧张是通过利用打算机，将几种数学技能用于赞助医学诊断的某些方面：向年夜夫供应与数据剖析和鉴别诊断干系的定量方法；在诊断测试过程的各个阶段，帮忙评估最佳替代行动方案；定期记录和评估个体生理规范，以更敏感地确定个体相对付疾病预防的康健趋势[67]。
受限于算法模型和打算机性能的不敷，早期诊断只能做到预估计算机精确诊断的后验概率，同时还要得到每种疾病的概率（即患者群体中患有每种疾病的人口比例）和给定疾病的每种症状子集的概率（即患有疾病的人也具有症状组合子集的比例）[68]。
随着数据矩阵的细化，打算机诊断的准确性仍在不断提高。
打算机准备数据和接管打算机以鉴别诊断形式反馈的履历对付年夜夫的诊断效率和精确性提高也有一定的浸染。

2.1 智能诊断运用

智能诊断在 CHD 领域紧张用于心脏杂音识别诊断和产前胎儿识别诊断。
产前胎儿识别诊断紧张用于 CHD 胎儿的受孕期快速筛查，对付 CHD 的疾病防控和管理具有主要社会学意义。
目前智能诊断技能紧张依赖于 ML 和 DNN 模型。

2.1.1 心脏杂音识别诊断

CHD 部分病种的心脏杂音可赞助诊断，虽然该方法的诊断准确性不及影像学，但可作为一种初筛的手段用于推广遍及至各个医院和诊所。
该领域于八十年代推出专家系统[69]。
基于 CHD 不同病种心脏杂音的特异性，已经开拓出了许多心脏杂音识别的智能模型。
Barschdorff 利用神经网络进行心脏毛病的语音记录并剖析心音旗子暗记，从而实现类似于年夜夫听诊心音旗子暗记后作出的主不雅观阐明[70]。
神经网络的精确识别率可达 70%，若进一步积累数据可以提高诊断的准确性[71]。
隐马尔科夫模型（hidden Markov models，HMM）作为 NLP 运用程序中最常利用的统计模型，对付心脏杂音的识别，其总体分类精确率可达 96%，特异度 98%，该模型可快速筛选并进行特异性毛病检测[72]。
Thompson 等[73]利用心脏听诊记录数据库选择病理性杂音、功能性杂音和无杂音的病例，研究基于 AI 的心脏杂音检测算法进行全面客不雅观评估，加入算法确定性度量、患者年事、心率、杂音强度、胸部记录位置和病理诊断等特色，准确率可达 88%（95%CI 85%～91%）。
这是首次利用大型数据库进行心脏杂音检测的全面评估，高敏感度和特异性使其可成为 CHD 潜在有用的筛选工具，并阐述了此类技能对付临床实用性的阐明。

2.1.2 产前胎儿识别诊断

利用算法模型建立的诊断识别系统，对付产前诊断也具有主要意义。
产前诊断有几率筛查尚未出生但患有繁芜先天性心脏毛病的胎儿，若病情严重可以考虑及时终止受孕。
Haghpanahi 等[74]设计了一种从非侵入性胎儿心电图旗子暗记中检测胎儿峰值的算法，该算法对临床碰着的各种不同形态和强度的旗子暗记都能很好地检测出胎儿 QRS 波的位置，可以帮助临床年夜夫在分娩过程中做出更得当的决策方案。
Yeo 等[75]宣布了一种利用智能导航技能对 9 种标准胎儿超声心动图图像进行可视化的新方法，该方法可标记包括胎儿心脏的七个解剖构造，简化了获取超声心动图视图所需的步骤，更少地依赖于操作职员，同时简化了对胎儿心脏的检讨流程。
通过超声智能导航检讨胎儿心脏和无创胎儿心电图可以简化操作流程，利用较少的步骤即可得到须要的结果。
临床年夜夫利用 ML 或 CV 专业知识可以从不同的角度去实现此类技能，从而达到专业化诊断识别平台的目的。
利用产前胎儿识别诊断技能和多中央区域化网络联合建立起 CHD 防控平台，有望从根源上降落 CHD 的发病率及患病率。
在算法不断优化升级的同时，须要审核者拥有专业的根本知识并肃清或规范主不雅观偏见以避免误诊，做到客不雅观公道、统一泛化的标准。

2.2 专家系统/临床决策支持系统

心音图（phonocardiogram）在早期运用是很多见的，其他的识别特色还熟年龄、X 线检讨、心电图、症状以及体格检讨等，利用网络的所有患者资料推导出条件概率方程以表示临床年夜夫从临床数据作出诊断的逻辑过程，并打算出每种疾病代表任何特定患者的精确诊断概率[76]，或利用基于贝叶斯概率模型用于 CHD 的诊断[46,77-78]，疾病的诊断精度可与该领域履历丰富的专家相媲美。
智能分类系统的设计是一个包含 2 500 多个条款标知识库，用于描述 CHD 领域内的非常、治疗、并发症等，结合特定领域知识和术语的目的是为数据输入和数据网络剖析供应一个有用的工具[79]。
Vanisree 等[80]利用 MATLAB 的图形用户界面特性，结合反向传播神经网络设计开拓的一种用于 CHD 诊断的决策支持系统，其诊断精确度高达 90%。
Leãot 等[81]利用决策树算法通过专家知识获取致力于建立一个 CHD 诊断研究专家系统，试图推理出年夜夫诊断 12 种常见 CHD 的启示式规则。
Fallot 模型旨在办理诊断多个相互浸染毛病的难题，单一毛病的诊断精确率表现很完美，合并毛病的精确诊断率也能靠近专家水平，此方法的分类和剖析可用于其他具有繁芜相互浸染的诊断任务[82]。
基于病例推理与神经网络相结合的诊断系统在办理新问题时，神经网络用于做出假设并辅导病例推理模块搜索之前类似病例并支持个中一个假设，稠浊诊断系统可以办理神经网络无法以高精确度办理的问题，此系统已用于开拓 CHD 的诊断系统[83]。
对付医疗行业而言，智能风险检测是一个具有寻衅性的领域，Moghimi 等[84]推出了可以实时智能检测并与医疗保健环境中的决策支持相结合的 CHD 智能风险监测模型，模型的决策过程分为 3 个阶段，年夜夫和患者父母都可以参与决策，包括手术过程和术后照顾护士记录以及病历档案记录，所有决策结果和医疗记录都会帮助患者进行实时风险监测并赞助作出相应的临床决策。
医疗保健模式的转变促进了 CDSS 的发展和升级，这些系统将与临床年夜夫一起事情而非替代或转换。
此外，基于打算机的 EHR、互联网以及共享的决策流程和现行法规也有助于完善 CDSS。
临床年夜夫也越来越多地为这些工具开拓做出贡献，而不仅仅是参与用户体验。
新技能包括互联网和软件的联合利用，将彻底改变未来供应决策支持的办法。

2.3 预测

近年来，诸如 DL 的技能正在快速发展，尤其是 ML 方法更加适用于临床数据构造的预测和评估。
ML 可以利用诊断系统比人类更快、更准确地检测疾病。
Laitinen 等[85]基于回归和 ANN 的方法通过 CHD 患者术前氧分压预测耗氧量，但由于 CHD 患者个体间生物学变异性大，进行建模以预测耗氧量较为繁芜，导致不能准确预测 CHD 患者的术前耗氧量。
此外，可预测紫绀型 CHD 术后患者的脑容量以评估手术对青少年患者的大脑发育和长期功能的影响[86]，或是通过预测 CHD 手术后运动和认知结果对风险较高的患者尽早履行干预[87]。
预测不仅仅适用于临床数据，同样也可用于基因组数据。
Bahado-Singh 等[88]宣布了人工智能结合表不雅观基因组学首次用于 CoA 的预测，并取得了较高的准确率。
利用基于 ML 方法的线性支持向量机预测修复后法洛四联症患者的心室大小和功能的恶化，从而研究心脏磁共振成像衍生的基线变量预测值，并供应识别有恶化风险患者的模型[89]。
ML 方法适宜基于现有数据做出预测，但是对付迢遥未来的精确预测每每是不可能的。
因此，临床实现的终极关键一步落在了更为紧要的目标上：足够早地预测事宜，利用精确、适当的干预影响医疗决策与结局。

2.4 图像智能识别和分割

卷积神经网络系统（convolutional neural network system，CNN）对付图像识别有出色上风，它们的容量可以通过改变深度和宽度来进行掌握，并且它们也能对图像的性子做出强有力且基本精确的假设[90]，以是诸如 DL 之类的 ML 技能迅速发展。

各种成像办法为 CHD 患者供应诊断信息。
心脏磁共振（cardiac magnetic resonance，CMR）和心脏打算机断层扫描血管造影（computed tomography angiography，CTA）以及超声心动图（ultrasonic cardiogram，UCG）是最常用的工具。
Vitanovski[91]提出了一种基于鲁棒性 ML 算法的分层框架来估计个性化模型参数用于自动分割胸主动脉和紧张分支腔脉，紧张用于主动脉缩窄（coarctation of aorta，CoA）和主动脉瓣二瓣叶畸形（bicuspid aortic valve defect，BAVD）的患者，基于个性化模型的精确丈量有助于选择最佳治疗方案、术者决策和修复机遇。
在超声心动图中，ML 方法已经被运用于心肌运动速率评估[92]、左心室边界分割[93]、M 型和 B 型超声心动图中央脏参数的丈量[94]、自动检测左心室边界[95]、自动识别超声心动图视图[96]以及室壁非常运动的量化[97-98]等方面。
右心室分割是一个不易办理的问题，与左心室比较，右心室的分割存在许多困难，例如繁芜的月牙形构造、小梁化心肌的存在和相对较薄的心室壁。
受到 CNN 强大的图像处理能力的启示[99]，研究职员提出了基于 CNN 的右心室分割方法。
Luo 等[100]提出一种利用深度 CNN 办理 CMR 中右心室分割问题的新方法，基于兴趣区域定位进行右心室心肌分割，该方法在一定程度长进步了分割精度和打算效率。
Tran 等[101]提出了一种基于完备 CNN 用于短轴 CMR 心脏分割的方法，可以同时处理左心室和右心室的分割问题。
还可利用扩展 CNN 自动分割 CHD 心血管 MR 图像，该方法能够准确地分割心肌和血池而无需任何专业职员的干预[102]。
许多心脏丈量工具可以实现心室划分和自动分割的模式，并且它们已经提高了诊断质量，用于繁芜 CHD 患者的潜在诊断和长期随访检讨事情[103]。
在心脏医学图像方面进行智能识别和分割剖析的根本上，目前已经实现心脏三维构造的 VR 和增强现实用于 CHD 繁芜手术的方案辅导和导航功能[104-105]。
VR 部分的紧张运用是 VR 系统，增强现实部分的紧张运用是 3D 打印（又叫增材制造），二者的结合运用称为稠浊现实（mixed reality，MR）技能。
这两个部分都非 AI 领域的发展学科，但借助于 CV 技能的强大功能可以具现出临床年夜夫须要的虚拟或实体三维心脏解剖模型，对付先天性心脏病学具有主要意义。
无论是 VR 系统或是 3D 打印，都须要心脏 CTA、超声心动图或 CMR 的图像经由分割和重修才能具现出一个三维立体数字可视化模型，用于不同的路子（图 4）。
此技能作为心脏三维构造模型的根本，借助深度学习神经网络的强大功能可以实现自动化心脏图像剖析[106-110]，从而实现 CHD 不同病种的自动化诊断功能。

图4 心脏医学影像的三维建模用于 VR 系统或 3D 打印的简化示意图

a～d：心脏 CTA 或 CMR 及超声心动图的影像数据网络后，利用建模软件的智能图像识别和分割功能天生三维立体数字化模型；e：利用 VR 系统读取天生后的心脏图像建模数据，头戴显示器与主机连接，通过空间定位器进行感应，利用掌握手柄操控虚拟空间中的三维模型；f：VR 系统操作下演示 1 例冠状动脉瘘病例的手术部位标记；g：3D 打印机和心脏三维模具打印；h：心脏 3D 打印模具效果演示；VR：虚拟现实；CTA：打算机断层扫描血管造影；CMR：心脏磁共振

在临床影像数据量足够的条件下，ML 可以通过调度演习集和测试集的比例以学习并识别医学图像，对付繁芜性和变异性高的疑难病例，图像分割技能可以帮助机器做出判断，优化机器在识别过程中的质量和速率，从而达到专业职员的判读标准。
图像智能识别技能可以帮助影像从业职员快速阅读医学图像的结果，并作出精确的判读决定，同时减少从业职员的事情强度以做事于更多的患者。
不同学科领域运用 AI 的效果和路子都有所不同，在医学方面运用 AI 比较成功的肺癌领域，医学成像和 AI 有望通过区分良性结节和恶性结节，在提高肺癌的早期创造和定性方面发挥主要浸染，可以很好地改进大部分患者的预后，以降落肺癌去世亡率[111]。
根据研究结果显示，利用深度 CNN 在低剂量下胸部 CT 扫描创造恶性肺结节的模型曲线下面积（area under curve，AUC）高达 94.4%，在没有 CT 的条件下，模型的表现优于放射科医师；而在拥有 CT 的条件下，模型的性能可与放射科医师相称[112]。
究其缘故原由在于肺癌的筛查基本手段是利用低剂量胸部 CT 进行扫描检讨，可以有效降落肺癌去世亡率[113-114]，并且由于低剂量的缘故对人体产生的辐射危害较小且阳性筛查率高，目前已经取代胸部 X 线片检讨手段。
而心脏 CTA 须要利用血管造影剂才能清晰显现出各个部分的心脏组织，由于 CHD 多发于儿童，须要对造影剂的剂量掌握得更加精确并在最大程度上减少辐射对患儿的危害。
AI 在肺癌方面的成功运用值得我们借鉴学习，CHD 的医工结合之路任重而道远。

３ 总结

正在进行的 AI 技能革命为 CHD 领域供应了一个积极的勾引趋势，我们希望 AI，包括但不限于 ML 以及 DL，可以对医学领域的各个学科产生积极深远的影响。
但为了做到这一点，须要尽快填补 AI 虚拟天下与临床医学现实之间的差距，AI 技能运用如此广泛，与医疗领域相互交叉形成多门学科，二者相互学习，但医学的繁芜性和伦理限定须要更多的发展空间去迎合和接管 AI 技能的改造，我们应该抱以合理的期望和严谨的态度。
未来的智能软件将霸占更加紧张的地位，比如更加真实且易于操作的多维 VR 技能，方便临床医师理解和利用，同时以科学合理的办法重复多次利用神经网络来更快更高效地做出决策，并减少干系学科操作职员的事情，使他们能够专注于自己的核心竞争力，可以将更多的韶光用于照顾患者。
利用 AI 的目的并非替代临床事情职员，二者该当通过相互学习从而促进双方共同进步，通过深度神经网络学习系统和 AI 相结合的强大推理能力用以改进 CDSS 的可靠性和稳定性。
AI 正在医学领域创造一个从根本研究到临床运用的转变，但仍有一些技能寻衅有待办理，须要谨慎对待。
数据安全和对抗性攻击等漏洞对 AI 技能的运用构成了潜在的威胁，在这些漏洞中，恶意操纵输入可能会导致完备的误诊，从而被用于谋取敲诈性利益等不正当行为[115]。
在强调人机交互和用户反馈的同时，也要看重加入关键技能以保护用户和患者的隐私安全。
为了并行 AI 与先天性心脏病学专业的发展进程，完善医疗行业的 AI 干系伦理法规和市场安全监管是非常必要的。
不同于 AI 在肺癌方面的成功运用以及广泛遍及，CHD 各个病种分型数目可达上百种之多，不同中央对付不同病种的手术策略也各有异同。
我们该当专注于自身的专业特性，未来的 CHD 方向该当因此医工结合的办法快速发展，通过各种智能识别诊断模型建立起 CHD 多中央区域化防治防控网络以降落发病率，利用 CNN 智能图像处理和剖析技能实现自动化重修心脏三维可视化模型，赞助心脏外科医师制订个性化手术治疗方案和术前病情谈论及方案，同时利用各种术前术后的临床大样本数据赞助医师做出临床决策并结合患者确当前病情做出风险预估评测。
AI 在先天性心脏病学领域具有强大的临床诊疗代价和运用潜力。

利益冲突：无。

参考文献略。

（本文封面图片来自网络，如侵删）

本文转载自其他网站，不代表康健界不雅观点和态度。
如有内容和图片的著作权异议，请及时联系我们（邮箱：guikequan@hmkx.cn）