麻醉中人工智能在心脏超声中的应用

2021
01/23

+
分享
评论
古麻今醉
A-
A+


对于心血管疾病患者,心脏超声在诊断或者管理上具有重要作用,是围术期心血管监测和评估的独特手段。然而,围术期心脏超声结果相对主观并且因不同人的技术差异使结果存在较大异质性,将严重影响围术期对患者病情的判断和处理。人工智能(artificial intelligence , AI)的出现可以帮助麻醉医师高效快速的分析心脏超声复杂的数据,提高围术期心脏超声的准确性和减少分析判断结果所需要的时间。该篇文章旨在介绍人工智能在心脏超声中实际临床应用并探讨其潜在的局限性和对麻醉医生未来的挑战。

AI用于左心室收缩力的评估

左室射血分数和心输出量的评估(2D)

射血分数(ejection fraction,EF) 是超声心动图最常用的临床参数之一,但通过手动描记心内膜边界来确定EF不仅费时且结果因人而异。通过自动分析心脏超声图像(Fig1)获得参数可以使临床实践从中获益,包括使初级保健和农村医疗非专家人员能够对心脏功能进行评估。

Fig 1. GE Vscan LVivo (GE Healthcare, Chicago, IL) EF tool automatically traced the endocardial borders during systole and diastole based on a 2-dimensional speckle-tracking algorithm and Simpson’s rule. This second-generation tool offers view recognition enabled by artificial intelligence. It automatically selects the most appropriate images to speed quantification and workflow. EF, ejection fraction. Image courtesy of GE Healthcare.

Knacksted等测试了一款全自动软件,能够支持机器学习图像并分析。从四个中心收集255例窦性节律患者,收集经胸测量超声心动图(心尖部两腔和四腔心),通过视觉评估和人工描记( Simpson 法)测定EF,而该机器学习软件通过全自动测量EF和纵向张力(longitudinal strain,LS),自动测量左心室可以获得左心室收缩末和舒张末容积。自动测量左心室在98%的研究中是可行且高效,平均花费时长为8±1秒/例。自动测量EF和本地中心手动测量、参考中心手动测量显示出较高的一致性,同样的自动测量LS和手动测量LS也显示出良好的一致性,表明超声心动图全自动分析能够提供快速且可重复的LVEF和LS评估。

Asch等基于机器深度学习(deep learning,DL)的新算法自动测量297组EF以评估机器深度学习的准确性和可重复性,研究结果表明深度学习测量EF的准确性和心脏病学专家的结果相当,可重复性优于超声医师。因此建议把深度学习测量EF算法添加到超声心动图阅读中以提高结果的准确性和可重复性。

新发布的Venue平台(GE健康医疗)可实时计算速度时间积分(velocity time integral,VTI)和心输出量。Venue自动运行后,可帮助临床医生观测到实时趋势变化并做出决定。与专家手动计算方法相比,自动VTI最多能够节省82%的时间。Bobbia等通过建立失血性休克模型发现,与自动超声心动图分析相比Venue-VTI工具与通过稀释法测量心输出量有更好的相关性(Fig2)。

Fig 2. Automatic identification of left ventricular outflow tract in transthoracic echocardiography 3-chamber view measuring the left ventricular outflow tract diameter and performing Doppler calculation to provide a continuous cardiac output display on GE Venue machines. CO, cardiac output; LVOT, left ventricular outflow tract; VTI, velocity time integral. Image courtesy of GE Healthcare.

AI对左室射血分数的评估(3D)

多项研究表明三维超声心动图(3DE)优于二维超声心动图(2DE),但获取时间较长和较高的培训要求限制了其在临床中的运用。常规操作中,自动心腔测量技术与3DE整合来测量左心室容积和左心房容积极少或不需要人工矫正心内膜边界。3DE自动分析软件通过算法可以同时检测左室和左房心内膜边界(Fig3),该自动定量分析可以同时准确地测量左室舒张末容积、左室收缩末容积、左室射血分数、左房容积。该软件结果可重复、减少检查时间并提供比手动测量更大的体积,比不进行轮廓调整的心血管共振成像的值小,与轮廓调整后的共振成像的值相似。此外,加载完3D数据集并自动测量后,该软件不需要任何的手动输入,但该软件的缺点是不能应用于心律不齐和心内膜可视性差的患者且未进行超声心动图造影剂与该算法配合使用的方法研究。

Fig 3. Automatic left ventricular volume and ejection fraction calculation from 3-dimensional transesophageal dataset using the Philips EPIQ CVx system (Philips, Amsterdam, Netherlands).

AI在心室形变中的应用

新型超声心动图技术能够评估心肌固有的机械性能,包括心肌变形或张力。与传统基于心腔超声心动图参数相比,心肌张力更能准确地反映心肌收缩功能。该定量方法可用于评估部分或整体心室功能,已广泛用于检测心肌病、心脏肿瘤以及存在LVEF在正常范围内有心肌重塑情况下左心室收缩功能障碍。心室总纵向张力(global longitudinal strain,GLS)的评估能够为心室收缩的异质性和时间性提供更多其他相关的信息。此外,可视化特定疾病的变形模式和心肌功能区域差异在临床上可作为定性的坐标图使用(Fig4 和Fig5)。

由于人类视觉对时间分辨率有限,因此在应力超声心动图检查过程中,心肌节段和时间间隔之间的细微差异可能难以识别。Tabassian等利用机器学习对速度、形变和形变率追踪空间特性进行分析,四组患者(心力衰竭但射血分数正常患者、高血压患者、呼吸困难患者、健康组)在休息和次最大运动时左心室18个节段,主要经过数据预处理、统计建模和自动分类这三个节段。结果表明机器学习根据形变率将四组患者每组分为两个特定类别(无症状vs有症状)。与传统测量相比,机器学习通过形变率区分的两个特定类别准确率提高(+23%,p<0.001)、速度提高11%(p<0.001)、比形变提高4% (p<0.05)。形变率是预测6分钟步行实验的最佳参考指标。休息和运动期间机器学习对左心室空间上形变率分析可用于识别心力衰竭但保留EF的患者,并未诊断分类提供客观依据。

在每次检查期间,超声心动图能够产生数千个数据点,这些数字可能随着多维心脏成像技术的出现(如:斑点追踪超声心动图)而增加。对于临床医生而言,如此大量复杂的数据很难全部吸收和解释,只有一小部分可用的潜在信息用于临床诊断和决策。有趣的是与传统的2D超声和多普勒相比斑点追踪超声心动图(speckle-tracking echocardiography ,STE)衍生的测量值具有更高的可重复性。此外,最近SET自动化方法已经得到开发,且研究已证明其能够提高效率并减少观察者之间的差异性。研究表明基于计算机的机器学习的SET软件显示出在缩窄性心包炎和局限性心肌病方面的诊断价值,也可以帮助区分肥厚性重构的生理和病理模式(Fig6)。

机器学习算法和自动SET的应用可以直接从2D超声心动图图像开发出针对不同疾病表型的实时决策,这对经验有限的新手尤其有用。使用这种方法处理大量的数据并将其与超声心动图结果整合起来有可能明显改善超声心动图实验室繁忙的工作流程。

Fig 4. Left ventricular strain analysis using artificial intelligence in the GE Vivid system. The system automatically recognizes appropriate views; defines region of interest; traces the endocardium, myocardium, and epicardium borders; and calculates regional and global left ventricular strain. Image courtesy of GE Healthcare.

Fig 5. Autostrain left ventricle analysis of peak strain and time to peak strain for 17 segments of the left ventricle on the Philips EPIQ CVx system.

Fig 6. A machine-learning model was developed to differentiate between left ventricular hypertrophy in athletes (ATH) versus patients with hypertrophic cardiomyopathy (HCM).

AI用于右心室收缩力的评估

临床上右心室(right ventricular,RV)的大小和功能在心脏和非心脏手术的评估中很重要,但由于右心室腔复杂的形状和运动使得超声心动图的评估比较复杂。过去视觉评估一直是评估的主要方法最近美国超声学会组织建议进行定量评估,因此,开发用于快速、准确和可重复的测量工具来测量RV指数将满足临床需求。

有研究表明使用基于AI的算法量化GLS作为术中RV功能评估方法的可行性。这些数据表明RV分数面积变化(fraction area change,FAC)与GLS有较强的相关性,而右心室收缩期偏移速度和三尖瓣环平面收缩期偏移(TAPSE)与GLS和FAC没有类似的相关性,该研究虽然评估了基于AI自动化分析RV参数的可行性但并未进一步对观察者之间的异质性进行研究。

另一项研究使用斑点追踪技术自动测量RA大小和功能并将评估结果与传统的手动测量进行比较,该软件通过逐帧自动跟踪心肌内斑点来测量心内膜边界去量化整个心动周期中RV区域。结果表明,半自动方法获得的参数与手动测量结果一致。

由于右心室复杂的几何形状和功能,很难准确评估其收缩功能。平时使用的M型超声和2D参数准确性和一致性并不理想。最近,已经开发了使用斑点追踪技术对RV进行自动分析并已应用于临床(Fig7)。

Fig 7. Autostrain right ventricle analysis of peak strain and time to peak strain for right ventricular free wall and interventricular septum on the Philips EPIQ CVx system.

AI用于主动脉瓣的评估

技术的进步使得将基于AI的算法能够运用用瓣膜的分析,并具有高度可重复性,这对于主动脉根部疾病的诊断和主动脉置换术后主动脉的成像等都具有重要作用。

Calleja 等成功展示了自动算法根据经食管超声心动图3D数据和CT断层扫描数据对主动脉瓣和主动脉根部进行建模,且可以量化主动脉关闭不全和严重的主动脉瓣狭窄中房室和根部解剖学变化。不幸的是,该算法并不能独立进行故不能在手术期间进行测量,此外瓣环的病理变化也会对其结果有所影响。故该AI软件很有前途但技术仍存在局限性。

AI用于二尖瓣的评估和手术

客观和定量的超声心动图分析对二尖瓣患者诊断、治疗计划和围术期管理至关重要。随着微创和经皮干预的普及,对瓣膜的视觉性评估在手术过程中比较受限,依靠超声心动图对二尖瓣进行准确的形态学和病理学的诊断至关重要。目前有多种算法(Fig8)可用于此类分析但大多都是半自动化需要用户输入大量的数据。最新的人工智能和机器学习开发了全自动分析包,不需要用户输入,尽管这些都是自动和机器学习的,但它们的临床可行性和可重复性仍存在较大的问题。

Jeganathan等使用eSie Valve软件回顾性分析了四例冠脉搭桥患者正常二尖瓣患者术中3D TEE数据,选择了6个参数(1)二尖瓣环后内测直径,(2)二尖瓣环前外侧直径,(3)二尖瓣环面积,(4)二尖瓣环肥平面角,(5)二尖瓣环总周长,(6)二尖瓣环前后小叶面积。结果表明,该软件可重复性较好无需手动输入大量数据即可获得MV常用的几何参数。

一种新的计算机技术“超声解剖智能”可以半自动分析瓣环和小叶的参数,可以更准确和高效的定义二尖瓣脱垂但该软件专门用于定位脱垂但并不识别非脱垂病理变化例如二尖瓣断裂。Sotaquira等人从实时的3D TEE数据中提出一种用于二尖瓣环(MA)和二尖瓣小叶分割的半自动算法,该算法可快速出结果且可重复性强增加MV疾病诊断准确性,尤其对二尖瓣脱垂的检测可以检测围术期残留的二尖瓣脱垂,从而避免修复失败。作者还尝试建立虚拟MA平面的可行性,发现添加3D虚拟半透明二尖瓣环的MV分析是可行的且具有较高的准确性,为诊断二尖瓣脱垂提供了一种快速且主观的方法。该方法可改善术前诊断并在二尖瓣病变中更准确地定位和定量二尖瓣脱垂组织。

受外科医师在进行心脏重建手术干预时面临的挑战和激励,Brulina等发明了一种用于执行建模和仿真的方法,该方法基于3D TEE解剖学信息来预测MV的闭合。预测MV闭合行为的能力时开发个性化仿真工具过程中的重要一步,这将帮助外科医师制定手术方案,这将指导手术经验不足的外科医师进行二尖瓣修复。

Fig 8. Automatic mitral valve analysis on mitral valve morphology, coaptation, and dynamic movements using the Philips EPIQ CVx system.

AI在自动诊断中的作用

最近,Zhang等使用DL模型构建了全自动超声心动图解析程序,包括图像识别,图像分割,结构和功能量化以及疾病监测。应用于超过14000项超声心动图研究,该算法在广泛应用切面(胸骨长轴和短轴)的准确率达96%,图像分割的准确率在72%-90%之间。此外,作者表明,在11种内部一致性指标(如:LA,LV容积)上,自动测量比手动测量更好。而且CNN已经成功的训练为可以检测出肥厚型心肌病,心脏淀粉样变性和肺动脉高压并具有很高的准确性。

述评:

人工智能(artificial intelligence , AI)的使用早已渗入至麻醉学亚专科的各个领域,其能够帮助麻醉医师高效快速的分析心脏超声复杂的数据,提高围术期心脏超声的准确性和减少分析判断结果所需要的时间。对于麻醉医师来说,在患有心胸疾病的心脏和非心脏手术中超声心动图已经成为围术期监测重要的工具。但这是一种依赖用户的方法需要进行大量培训才能做出准确的分析。AI技术的出现和普及可以帮助麻醉医生在有限的时间范围内对复杂的超声心动图数据进行精准的分析,以改善心血管疾病患者术后恢复。但是,机器不可能完全代替人类专家,对许多人来说AI仍然是“黑匣子”,为确保患者安全,人类必须保持临床护理和诊断中不可或缺的部分以防止机器出错。

  值得注意的是虽然AI可以帮助我们更快地获取数据进行高效准确地分析,无法像人类一样整合经验,在没有大型数据库时,AI很难罕见疾病进行诊断。目前最受关注的局限性之一时“黑匣子”问题(即:与人脑神经网络工作方式不同,人工智能算法将问题分解成数百万个片段,无法将其概念化)。目前该技术的最佳用途是为医生节约一些重复的低技术含量操作的时间。总之,AI运用于心脏超声的评估现阶段尽管仍存在诸多局限性,但其仍然是未来超声心动图中不可或缺的概念,且还需要进一步研究,而我们麻醉医师需要认识到其在超声心动图中的优势与局限性。

编译:李雪燕,罗猛强

述评:邓萌


本文由作者自行上传,并且作者对本文图文涉及知识产权负全部责任。如有侵权请及时联系(邮箱:nanxingjun@hmkx.cn
关键词:
超声心动图,人工智能,机器学习,麻醉,心脏

人点赞

收藏

人收藏

打赏

打赏

我有话说

0条评论

0/500

评论字数超出限制

表情
评论

为你推荐

推荐课程


社群

精彩视频

您的申请提交成功

确定 取消
剩余5
×

打赏金额

认可我就打赏我~

1元 5元 10元 20元 50元 其它

打赏

打赏作者

认可我就打赏我~

×

扫描二维码

立即打赏给Ta吧!

温馨提示:仅支持微信支付!