编者按：近年来，随着冠心病流行负担的加重，深度学习技术的人工智能（AI）被应用于冠状动脉（冠脉）造影图像的识别，并取得了良好的效果。希望已然存在，那么，我们应如何更好地深入应用这种新技术、新思路做好冠脉造影图形的智能识别并辅助疾病的诊治？在2019年长城国际心脏病学会议上，来自阜外医院的徐波教授介绍了其牵头开发的冠脉造影图像智能识别与辅助诊断系统，该系统首次将深度学习技术应用于冠脉血管分割、管腔直径计算和病变形态检测，为冠状动脉疾病的诊治提供了新思路、新希望。

 

阜外医院 徐波教授

 

　　2018年，我国PCI总量已经超过91万例。冠心病患者数量的不断增加给心血管病医生带来了沉重的负担，而冠心病的诊断主要依赖医生的经验判断，主观因素会导致误判。基于深度学习技术的AI能够在几秒钟之内“阅读”冠脉造影影像，并减少观察者之间及观察者自身在判断冠脉病变诊断方面的差异，从而提高诊断冠脉病变的效率和准确性。基于AI的冠心病辅助医疗技术，可以方便且迅速地推广到全国各级医院，实现对基层医院的资源共享，为提高基层医院诊疗水平提供帮助，有助于提高整体诊断效率。

 

　　深度学习可以通过自动提取学习特征，将实际问题抽象转化为能被电脑解决的问题。当然，更深层的模型通常意味着更强大的抽象能力且需要更大的数据量来训练。近年来，深度学习技术的AI在冠脉CT、心电图以及X射线血管造影等心血管领域做了许多尝试。这些研究都取得了良好的效果，证明了深度学习的有效性和应用潜力。

 

　　但是，基于深度学习的AI在冠脉造影方面的研究尚只停留在初级阶段的血管提取，且都是在小规模样本上进行的，不足以进一步探索更深层的模型，结果也不足以应用于临床实践。

 

 

 

　　徐波教授牵头开展研究，收集大量冠脉造影图像数据，由专业的核心实验室中经验丰富的影响分析师进行图像标注实现对冠脉影像的定性及定量分析，最终开发了基于深度学习技术及AI的冠脉造影智能识别及辅助诊断系统即DNN。该系统首次将深度学习技术应用于冠脉血管分割、管腔直径计算和病变形态检测，并取得了一定成果，证明了深度学习在冠状动脉疾病诊断和治疗上的有效性和巨大应用潜力。该模型探索了新的神经网络构架，对视频中冠脉左右优势及均衡性的判别准确率高达95%；判断CTO断端是否有侧支的准确率高达82%；对狭窄、钙化、血栓、慢性完全闭塞、夹层的平均识别召回率达到80.6%，准确率超过70%；对分叉病变的分析准确率也达到了83%。

 

　　人工智能技术可实现在几秒内完成影像图像判读，提高了冠脉造影诊断的效率。基于深度学习技术的冠脉诊断系统模型的诊断效能极大地依赖于训练数据量，为了训练更复杂和有效的模型，一个大型的精细标记数据库是至关重要的。未来，我们有必要进一步创建大型精细标记数据库；在血管分割、病变识别及病变形态检测基础上进一步开发SYNTAX Score自动计算模型；努力实现冠脉血管的三维重建；力争开发更多AI诊断系统产品。此外，我们有必要进一步探究AI在给出治疗建议中的作用，使之真正成为辅助心脏病专家的有效工具。