卷積神經網絡在醫學的應用范文

導語：如何才能寫好一篇卷積神經網絡在醫學的應用，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

關鍵詞：人工智能 心血管 超聲

大數據是現代醫學模式的重要特征。在這種醫療模式下，要求醫療人員在確保患者安全和健康的同時追求效率的最大化[1]。對于高分辨率的醫學影像成像，集中體現在醫務人員快速、準確、有效地解釋影像數據（包括肉眼可見和不可見），挖掘利于診斷和治療的有用信息。在此背景下，人工智能（artificial intelligence,AI）應運而生，它為促進圖像采集、測量、報告和隨后的臨床路徑以及影像和臨床數據的整合提供了有效手段[2]。心血管影像的精確性成為AI臨床應用中的主要領域之一，本文對此作一綜述。

1 人工智能及其在醫學上的應用

AI是一個廣義的術語，指的是機器或計算程序執行具有人類智能特征的任務的能力，如模式識別和解決問題的能力等。AI可以通過彌補人類智能，使現有醫療診斷和預后價值最大化，同時使醫師負擔最小化，從而顯著改善健康診療過程和結果。AI在臨床實踐中的應用預示著醫學領域一個更為劇烈變化時代的到來，在影像學方面尤其如此。一項通過分析科學網數據庫的研究[3]發現，目前AI在醫學的研究領域主要集中在大數據分析、腦卒中康復、心臟手術和醫療診斷和預后預測等方面。其中，用于醫學診斷、預后預測和分類的神經網絡和支持向量機是主要熱點，占所有文獻的26%；而未來最引人關注的研究主題是基于AI的微創手術。然而，關于AI數據管理、模型可靠性、模型臨床效用驗證等問題尚未進行廣泛研究。

2 人工智能的機器學習法

大數據是一個經常用來描述大量收集數據的術語，如來自大型生物信息庫的基因組數據、電子健康記錄檔案和大型研究隊列數據以及影像學掃描數據等。AI系統通過識別和提取一組觀測數據（數據集）的模式來自主獲取知識的過程稱為機器學習（machine learning,ML）。ML是人工智能的一個組成部分，描述為計算機從經驗中學習的過程，并在沒有事先知識的情況下執行預定的任務[4]。機器學習可以進一步分為監督學習、半監督學習和無監督學習，這取決于用于學習的樣本是否完全標記、部分標記或未標記。ML的典型例子是人工神經網絡，后者基于人類大腦的神經元及其連接，神經元之間的相互依賴關系反映出不同的權重，每個神經元接受多個輸入，所有的輸入一起決定了神經元的激活。通過樣本訓練找到這些合適權重的過程就是學習。學習過程的復雜性和所需的樣本量隨著神經元數量的增加而增加。由于計算能力和樣本大小的限制，機器學習應用程序的成功依賴于從原始樣本中手工提取特征來減少神經元的數量。為了解決這一問題，人們提出了深度學習的方法，即自動學習代表性的樣本。深度學習是指一種特別強大的ML方法，它利用卷積神經網絡模擬人類的認知，常用于影像模式識別和分類。

模型訓練是所有ML類型的共同過程，它是利用模型分析所提供的數據中的各種特性來學習如何生成輸出標簽的過程[5]。如在超聲心動圖中，一個模型可以分析各種特征，如左心室壁厚度和左心室射血分數，以確定患者是否具有特定的條件。然而，在分析中包含不相關的特征可能會導致模型過度擬合，從而在呈現新數據集時降低其準確性。這強調了擁有一個能夠代表總體的訓練數據集的重要性。數據集的質量對于最終ML模型的質量至關重要。盡管ML算法可以使用小數據集或大數據集進行訓練，但大數據集可以最大限度地提高訓練算法的內部和外部有效性，降低過度擬合的風險。正確模型的選擇通常取決于操作員的專業知識、數據集的性質和最終人工智能系統的目的。

3 人工智能在心血管超聲的應用

心血管成像領域，包括超聲心動圖、心臟計算機斷層掃描、心臟磁共振成像和核成像，具有復雜的成像技術和高容量的成像數據，處于精準心臟病學革命的前沿。然而，在基于AI的臨床轉化方法中，心血管成像一直落后于腫瘤學等其他領域。人工智能在超聲心動圖中的應用包括自動心室定量和射血分數計算、應變測量和瓣膜形態及功能評估以及ML在心臟疾病自動診斷中的應用。

3.1 心室定量和EF自動化。

自動心室量化和EF計算的算法旨在提供準確、快速和可重復的心尖視圖分類、解剖標志檢測、心室壁分割和心內膜跟蹤。有研究[6]比較了AI軟件自動測量（AutoEF）和手工追蹤雙平面Simpson法測量左室EF的準確性，并與心臟MRI進行了比較。結果表明AutoEF與手動雙平面Simpson法測得的EF相關性較好，且與MRI相關性良好，但AutoEF低估了左室舒張末期容積（EDV）和收縮期末期容積（ESV）。此外，在不同切面，測量的準確性存在差異，以胸骨旁長軸切面的準確性最高，達96%，而在心尖切面時整體精度降低（84%）。腔室定量和左室EF測量的中位數絕對偏差在15%～17%，其中ESV的絕對偏差最小；左房容積和左室EDV被高估。

3.2 心肌運動和應變測量。

Kusunose等[7]研究發現與傳統二維超聲心動圖相比，利用深度卷積神經網絡可更好的檢測區域壁運動異常并區分冠狀動脈梗死區域。Cikes等[8]利用復雜超聲心動圖數據（整個心動周期的左室容積和變形數據，而不是單個數據點）和臨床參數的ML算法識別心衰并對心臟再同步化治療的反應進行評估，證實通過整合臨床參數和全心周期成像數據，無監督的ML可以為表型異質性心力衰竭隊列提供一個有臨床意義的分類，并可能有助于優化特定治療的反應率。另有研究證實[9-10],ML算法有助于區分縮窄性心包炎、限制性心肌病以及肥厚性心肌的重塑。Zhang等[11]采用AI軟件和手工勾畫對左室心肌的縱向應變進行了比較研究。發現AI自動測量的心肌全局縱向應變與手動應變變化最小（絕對值為1.4%～1.6%）。

3.3 心臟瓣膜評估。

有學者[12]采用AI軟件對二尖瓣幾何形狀進行測量，測量參數包括二尖瓣環面積、瓣環高度和寬度、瓣葉連合間距、前后葉長度等。發現相對于常規超聲心動圖，所有評估的成像參數均獲得了更好的觀察者間一致性，而且所花費的時間明顯較少。Prihadi等[13]研究證實，經食管超聲心動圖AI軟件能夠精確地對主動脈瓣結構以及冠狀動脈開口進行測量和定位，且與多層螺旋CT的測量結果具有良好的相關性。

4 展望

在海量醫學信息和影像數字化日益積累的現代醫學時代，AI和ML為疾病診斷和風險預測等問題提供了新的解決方案。通過AI對超聲心動圖數據進行預測、建模和精確分析，可以幫助超聲醫師快速、準確地處理大量心臟超聲影像學數據，既有利于應對當前醫療信息數量的急劇增長，又有利于提高處理數據信息的能力。未來，針對AI的研究應關注超聲圖像數據特征定義及其提取方法的標準化，以確保可推廣性和可再現性，促進AI向更加個性化的醫療模式轉變。此外，AI系統與遠程醫療等軟件的集成，將使智能心臟超聲診斷系統滲透到資源消耗負擔最繁重的地區，提高經濟效益。

參考文獻

[1]Oikonomou EK,Siddique M,Antoniades C.Artificial intelligence in medical imaging:A radiomic guide to precision phenotyping of cardiovascular disease[J].Cardiovasc Res,2020,Feb 24;cvaa021.

[2]Dey D,Slomka PJ,Leeson P,et al.Artificial Intelligence in Cardiovascular Imaging:JACC State-of-the-Art Review[J].J Am Coll Cardiol,2019,73(11):1317-1335.

[3]Tran BX,Latkin CA,Vu GT,et al.The Current Research Landscape of the Application of Artificial Intelligence in Managing Cerebrovascular and Heart Diseases:A Bibliometric and Content Analysis[J].Int J Environ Res Public Health,2019,16(15):2699.

[4]Gandhi S,Mosleh W,Shen J,et al.Automation,machine learning,and artificial intelligence in echocardiography:A brave new world[J].Echocardiography,2018,35(9):1402-1418.

[5]Alsharqi M,Woodward WJ,Mumith JA,et al.Artificial intelligence and echocardiography[J].Echo Res Pract,2018,5(4):R115-R125.

[6]Xu B,KocyigitD,Grimm R,et al.Applications of artificial intelligence in multimodality cardiovascular imaging:A state-of-theart review[J].Prog Cardiovasc Dis,2020,19;S0033-0620(20)30060-8.

[7]Kusunose K,Abe T,Haga A,et al.A Deep Learning Approach for Assessment of Regional Wall Motion Abnormality From Echocardiographic Images[J].JACC Cardiovasc Imaging,2020,13(2 Pt 1):374-381.

[8]Cikes M,Sanchez-Martinez S,Claggett B,et al.Machine learningbased phenogrouping in heart failure to identify responders to cardiac resynchronization therapy[J].Eur J Heart Fail,2019,21(1):74-85.

[9]Narula S,Shameer K,Salem Omar AM,et al.Machine-Learning Algorithms to Automate Morphological and Functional Assessments in 2D Echocardiography[J].J Am Coll Cardiol,2016,68(21):2287-2295.

[10]Sengupta PP,Huang YM,Bansal M,et al.Cognitive machine-learning algorithm for cardiac imaging:a pilot study for differentiating constrictive pericarditis from restrictive cardiomyopathy[J].Circ Cardiovasc Imaging 2016,9(6):e004330.

[11]Zhang J,Gajjala S,Agrawal P,et al.Fully automated echocardiogram interpretation in clinical practice[J].Circulation,2018,138(16):1623-1635.