人工智能(artificial intelligence，AI) 是基于計算機科學來模擬人腦學習知識、儲存知識、思考規劃的思維過程的一種技術，人工智能包括一系列操作：機器學習(ML)，深度學習(DL)，自然語言處理(NLP)，認知計算，計算機視覺和機器人等。近年來，人工智能技術發展突飛猛進，自動駕駛、人臉識別、文本處理等已經出現在我們的生活領域。然而，與金融技術、信息技術和航空航天等其他行業相比，人工智能在醫療領域的應用速度相對緩慢。目前，人工智能在心臟病學中的應用主要包括兩個方面，一是基于電子健康記錄和醫學圖像等來源的ML/DL、NLP和認知計算等，另一個代表是介入機器人。

AI是可執行一般性人類智能任務的計算機程序。它也可視為機器或者儀器基于所收集數據自動做出決策的能力。而機器學習（machine learning，ML）是目前AI的主要亞類，它包括了監督學習，非監督學習及深入學習（deep learning，DL）等。監督學習中目前最常用的算法是人工神經網絡（artificial neural network，ANN）和支持向量機。非監督學習包括了聚類算法和關聯規則算法等。而DL包括了循環神經網絡、卷積神經網絡（convolutional neural networks，CNN）以及深度神經網絡（deep neural networks，DNN）

機器學習在心血管精準醫療中的應用機器學習是AI技術分支之一，可分為3種類型：監督、非監督和增強學習，其中增強學習被視為監督學習和非監督學習二者的結合體，目的在于最大化運算的準確性。

（一）監督學習：監督學習是利用人工標記的數據集預測臨床轉歸，適用于解決分類性及回歸性問題，但所需數據量大，人工標記耗時多。監督學習算法主要包括：人工神經網絡（ANN）、支持向量機（SVM）、決策樹、隨機森林、樸素貝葉斯分類器、模糊邏輯以及K⁃最近鄰算法（KNN）。在心血管領域，應用于處理電子病歷文本分類、心電圖的結果判讀、檢測心律失常、心肌梗死心電信號分類、超聲心動圖的圖像識別、缺血性心肌病影像數據分析、冠狀動脈CT圖像數據處理、藥物治療劑量、心血管疾病風險分層、疾病生存預測、臨床決策系統等。監督學習的局限性：需要較大數據集訓練模型，并且通過其他數據集進行驗證；如果訓練集存在偏倚，將會影響測試集的準確性。另外，監督學習需要手動標記訓練集，預測已知的輸出結果。盡管監督學習能夠通過多種方式與給定的訓練集匹配，自動選擇“最好”的假設來匹配數據，但可能導致因學習算法更傾向于某種假設而帶來偏倚。

（二）非監督學習：非監督學習是識別隱藏在數據中新的疾病機制、基因型或者表型。與監督學習側重依據標記病例預測臨床轉歸不同，非監督學習是尋找未被標記的、隱藏在數據中的模式。非監督學習常常用于深度學習。可用于心電圖和心臟影像的自動分類、構建左心室腔自動分割參數，尋找心力衰竭、冠心病疾病亞型，指導臨床對不同亞型采取個體化治療。非監督學習的局限性：主要在于對初始聚類模式的識別存在困難，因此，非監督學習模型需要在多個隊列中進行驗證。除此之外，其需要手工去除噪音數據，并且需要人工標記數據選擇合適的算法。因此，為了獲得最佳效果，往往需要非監督學習和監督學習的聯合應用。

（三）深度學習：深度學習是使用多層ANN模擬人腦的運行，根據輸入的數據自動做出預測。應用ANN的深度學習包括：循環神經網絡（RNN）、卷積神經網絡（CNN）以及深度神經網絡（DNN）。深度學習具有強大的圖像識別和處理噪聲能力，以更高時空分辨率處理人工實時心血管圖像，通過整合斑點追蹤超聲心動圖數據，有研究證實機器學習算法能夠幫助識別運動員的生理性和病理性心肌肥厚、提高單光子發射計算機斷層成像術心肌灌注成像預測阻塞性心臟病發生的能力，自動分析靜息狀態下冠狀動脈CT血管造影下的左心室心肌圖像，避免患者經歷有創心臟血流儲備分數的檢測，對川崎病的冠狀動脈光學相干斷層成像圖像的自動分類，心電圖異常的檢測等。2.深度學習的局限性：其過度擬合可能導致預測效果欠佳。深度學習需要大量的訓練數據集，需要各科室與電子病歷系統鏈接之間的緊密聯系。此外，深度學習需要具有深度學習能力的設備。另外，多層面深度學習可能增加訓練時間，而且建立神經網絡同樣費時。

人工智能在心血管特定領域的

當前和未來應用

超聲心動圖

超聲心動圖可以便捷、及時、經濟的評估心臟結構和功能，在診斷和評價心血管疾病方面有重要價值。然而，超聲心動圖在圖像質量和診斷效用方面仍存在相當大的變異性。超聲心動圖仍然高度依賴于操作者的經驗，因此，通過人工智能，可以進行增強和標準化超聲心動圖評價。

隨著ML方法的成熟，包括卷積神經網絡用于圖像分類，臨床超聲心動圖數據的累積量增加，給超聲心動圖人工智能平臺的研發提供了充足的機會。在這方面的創新可以通過自動測量、病理特征(瓣膜疾病、局部室壁運動異常、心肌病)的識別在治療中快速應用，可以改進和標準化目前流程。超聲心動圖人工智能研究的優勢和前景在于識別可能提示亞臨床疾病或預后的細微或未被識別的影像學特征。

盡管人工智能模型的性能持續改善，但重要的是要承認，人工智能必須克服一些重要的挑戰，才能安全地應用于臨床實踐。與任何模型一樣，研發數據的質量和臨床特征是必須的參考因素。超聲心動圖相關的數據數量大且復雜，一個強大的超聲心動圖人工智能平臺將需要對大量研究進行培訓和驗證，這些研究包括廣泛的臨床特征、病理特征、超聲機器供應商和圖像質量等。目前關于超聲心動圖人工智能的研究通常存在樣本規模小、受機構、地理因素、超聲心動圖機器品牌限制，這就可能存在過度融合和限制平臺通用性的風險。此外，目前超聲心動圖研究很大程度上依賴于人的解釋，人在解釋和測量方面存在內在的差異性。

超聲心動圖人工智能代表了一個激動人心的機會，它將徹底改變臨床實踐。經過驗證的超聲心動人工智能模型將有能力提高質量，進行即時醫療決策，并促進公平獲得診斷評價。預計超聲心動圖人工智能將影響患者診治，期待相關改善臨床結果和成本效益的臨床研究。

心臟核醫學

與心臟病學的其他學科不同，人工智能技術已經被納入心臟核醫學的一些常規操作。人工智能算法已被應用于圖像處理，允許進行完全自動的單光子發射計算機斷層掃描(SPECT)、心肌灌注成像(MPI)運動校正、重建、量化和高水平分析。

商業化和美國食品藥物管理局批準的圖像軟件已經納入正常心肌灌注分布的數據庫，為專家讀者提供計算機輔助診斷工具，用于識別低灌注心肌。這些類型的自動化，以及機器學習的數字圖像數據，以及人工智能算法的SPECT MPI數據，單獨使用或者結合臨床特點，進一步提高了冠心病診斷的預后判斷價值，為是否血運重建提供合理的臨床決策依據。

提高診斷性能

在一項單中心研究中，ML算法包含成像變量(通過定量軟件進行的靜息和壓力SPECT的灌注缺失、缺血變化和射血分數變化)在總體患者診斷準確性方面優于單個定量成像參數(86% vs 81%;P＜0.01)。ML算法檢測阻塞性CAD的曲線下總面積(AUC) ( 0.92 ± 0.01)也顯著高于兩個人工讀片者(0.87±0.01和0.88 ±0.01; P＜0. 05)。使用不同的數據集，同一組人創建了集成臨床和成像變量(由自動化軟件生成的總灌注不足[TPD])的人工智能算法。研究證明ML(87.3%±2.1%)的準確性高于一個或者兩個專家讀片者 (82.1% ±2.2%)或自動TPD (82.8% ±2.2%)。在檢測檢測阻塞性CAD方面有更高的敏感性。一項1638名參與多中心研究顯示：無已知CAD的患者使用SPECT掃描儀也發現與傳統相比，深度學習(DL)利用原始和定量的MPI極地圖的AUC值均更高。基于這些研究，人工智能算法在預測梗阻性CAD方面比目前的臨床方法提高了大約2.5%。其他研究發現一致，與專家醫師視覺分析相比，訓練有素的神經網絡在識別特定冠狀動脈狹窄病變引起的低灌注分布方面具有類似的良好性能。

治療和預后預測

在首次MPI掃描后90天內進行相關侵入性血管造影的713例SPECT MPI研究中，人工智能方法也被用于預測疑似CAD患者的早期血運重建。通過ML算法對幾個自動衍生的影像學變量和臨床參數進行整合，包括性別、高血壓和糖尿病史、基線心電圖ST段壓低、運動心電圖和臨床變化 (總共33個變量)，以預測血運重建事件。ML預測血流量重建的AUC(0.81±0.02)與單個醫生的AUC(0.81±0.02)相近，優于另一個醫生的AUC (0.72+0.02; P＜0. 05)。因此，在本研究中，ML在預測MPI后早期血運重建方面與有經驗的醫生相當或更好。在預后方面，Betancur等人研究了2619例SPECT MPI患者，并將28個臨床、17個壓力測試和25個成像變量(包括TPD)整合到人工智能算法中來預測主要心臟事件。在超過3.2+0.6年的隨訪中，他們比較了AUC對以下結果的預測:(1)ML與所有可用數據(ML combined)， (2) ML與僅影像學數據(ML-imaging)，(3) 5分制診斷(內科診斷)，(4)自動化定量成像分析(負荷TPD和缺血性TPD)。他們發現，ML聯合組的MACE預測顯著高于ML成像組(AUC, 0.81 vs 0.78; P＜0.01)。ML組合模型的預測精度也高于內科診斷、自動壓力TPD和自動缺血TPD (AUC，分別為0.81 vs 0.65、0.73和0.71; P＜0.01)。與醫生的診斷相比，聯合治療的風險重分類為26% (P＜0.01)。基于他們的研究結果，建議人工智能可以整合臨床和影像數據，對接受SPECT MPI的患者進行個性化MACE風險計算。

人工智能驅動的結構化報告CDS。人工智能驅動的算法也被納入了第一個也是唯一一個獲得美國食品和藥物管理局批準的核成像軟件，使用CDS工具和自然語言自動生成報告。該系統集成了超過230條規則、可逆性、功能和患者人口學特征，包括俯臥位與仰臥位、衰減校正與未衰減校正的圖像結果以及質量控制數據等額外信息。一項對1000名患者的研究驗證了這種人工智能驅動的報告系統檢測CAD，結果顯示人工智能驅動的結構化報告與9名專家對CAD缺血印象之間一致性沒有顯著差異。

定量工具已經在核心臟病學的實踐中常規使用，但結合多種特征和臨床數據的更高水平的工具還不普遍。最近的研究表明，在臨床實踐中有很高的應用潛力。除了精煉和構建研究以提高診斷和預后，即將到來的人工智能在核心臟病學的重點應該包括開發人工智能驅動算法，以幫助臨床決策的適宜性測試、選擇測試、調度、工作流優先級、協議、報告、和患者管理。這些發展不會取代醫生和其他衛生保健專業人員的角色，但將為他們提供高度精確的工具，以更一致的方式檢測疾病，風險分層，并優化針對患者的管理。

電生理學

在電生理學中集成AI的幾個重要機會包括數據管理(即，如何允許管理大量患者數據)、數據解釋(即，如何復雜數據專家解釋的大眾化)，以及多種模式獲取的數據的實時集成。此外，使用人工智能增強的、經濟效益獲得的電生理學數據(如ECG)的不斷發展的發現表明，篩查通常與心電圖無關的疾病的能力可能為改善人口健康提供可擴展的機會。

目前電生理學的主要爭論之一是如何將動態獲得的心電圖納入臨床實踐。一些工具，包括可植入記錄儀和面向消費者的智能手機或支持智能手表的心電圖設備，在許多情況下，在他們被確定為已知的心血管疾病患者之前，允許對人群進行更具成本效益的篩查。例如，個人可以通過互聯網購買自己的心電圖設備，記錄自己的心電圖，然后需要對這些數據進行準確的解釋。盡管能夠準確和自動解釋這些心電圖的系統已經得到了改進，但仍然存在假陽性或假陰性的風險。閱讀心電圖的專業知識被下放到基層醫療機構，使得ECG在獲得變得更加方便，初步數據表明，人工智能技術可能進一步改善這些心電圖的解讀，并為那些需要看醫生(包括心臟病專家或電生理學家)的人提供合適的分流。然而，目前還無法在人口水平上評價計算的需要和效力。

電生理學的另一個當前問題是如何更好地促進復雜的電生理學數據的解釋。例如，QT間期的測量對于識別那些有猝死風險或抗心律失常藥物毒性風險的人很重要，但已經發現其變異性大，即使在心臟病學專家和一些電生理專家中評價一致性也存在。初步數據表明，DL人工智能技術可能有助于僅從心電圖圖像識別特定QT間期帶來的風險。此外，利用專家級QT解釋來訓練神經網絡可能有潛力提高非電生理學家和非心臟病學家的解釋準確性。這些原則適用于其他電生理數據，如心律失常心腔圖的解釋。

當前電生理學的另一個主要機遇是如何整合通常多種不同的互補但單獨獲得的數據，以促進對特定患者的治療的正確解釋和優化。在心律失常患者接受侵入性電生理檢查和消融術,術前影像的組合(例如,磁共振成像評估疤痕分布、心電圖評估心律失常的起源)和術中成像(如心臟內的超聲心動圖、透視)可用來優化治療。然而，由于這些數據都是在通過不同技術不同時間點獲得的。最近的數據表明，人工智能技術可以促進數據集成，這反過來可以幫助醫生更有效率，或者更有效地識別和定位與患者病情有關的部位。

最后，將人工智能技術應用于電生理數據的一個主要機會不僅是大眾化、規模化和促進數據的準確解釋和合成的能力，而且是通過非人類可解釋的見解來改善人口健康的能力。這一原則的關鍵在于心電圖可能包含一些人類無法輕易理解的微妙之處。舉個例子，有研究顯示，僅使用心電圖來識別低EF的可能，并且有高精確度。又有幾個其他條件可能同樣從心電圖識別，從而提高風險分層人口水平可伸縮的、低成本的方式。因此，從心電圖中識別診斷不足、有可能治療的疾病的能力具有成本效益的改善人口健康問題。

冠心病檢測與預后

急性冠脈綜合征(ACS)是冠心病最危急的類型，通常根據心電圖和生物標志物分為ST段抬高型心肌梗死(STEMI)、非ST段抬高型心肌梗死(NSTEMI)和不穩定型心絞痛(UA)。快速心電圖評估進行診斷對STEMI的及時治療至關重要。通過單導智能手機平臺，快速診斷現已被證明是可行的。這項技術可以廣泛傳播，并與ML相結合，對STEMI患者進行快速分診。加速轉運到經皮冠狀動脈介入治療機構可以更及時改善治療結果。醫院外心臟驟停的研究也在進行中，其中大部分是由ACS引起的。機器學習算法已被用于分析通過智能家庭揚聲器和電話的家庭錄音，以識別窒息樣呼吸，這是心臟驟停的典型跡象。對這類記錄的準確檢測可使人們發現心臟驟停，并對家中發生的大量未被目擊的心臟驟停患者啟動緊急措施。

在STEMI以外的ACS (即NSTEMI和UA)中，管理可能不那么明確。在這個方面早期診治嘗試用ML進行12導聯心電圖解釋是有意義的。UA/NSTEMI的治療主要基于風險分層，據研究ML改善了先前驗證過的模型，如TIMI或GRACE風險評分。同樣，對死亡率和/或治療并發癥的長期預測可以提高。對高風險和低風險患者的識別的改進將有助于提高資源的利用率和更個體化的治療。目前研究正在努力綜合多種非心臟數據，以進一步完善ACS的診斷、治療和預后。病情穩定的CAD患者也可能通過人工智能得到改善，例如，識別可能受益于血運重建的患者，或平衡抗栓益處和出血風險，選擇最合適的抗血小板策略。

上述的工作代表了人工智能在冠心病從預防到治療廣泛應用的可能性。很明顯，在目前的許多情況下，通過隨機對照試驗進行臨床驗證仍需要繼續進行。然而，令人鼓舞的是，即使是在ML對CAD影響的初期階段，它也有望提供更好的預后和挖掘新的危險因素，這將進一步幫助CAD患者的治療。

冠狀動脈造影和介入

介入心臟病學傳統上一直處于心血管創新的前沿。在過去的十年里，侵入性血管內成像、生理學、血流動力學、機器人技術、和雜交心血管外科手術等得到了快速發展。診斷預測、治療策略設計、設備選擇、程序優化和并發癥的避免都是人工智能應用有望取得快速進展的領域。

早期應用人工智能評估冠狀動脈的研究包括最近的CEREBRIA-1研究，這些研究驗證了在冠狀動脈病變重要生理功能評價和推薦血管重建中，ML和人工智能非劣于常規診治。

目前各地都有很好的心血管急救系統，但在關鍵的早期診斷和管理決策存在相當大的差異。未來，智能算法可能會在第一次呼叫時立即審查患者的病史和危險因素，并通過一系列預測性問題在運輸服務到達醫院之前建立初步診斷。隨著可以掃描皮膚行靜脈穿刺設備的發展，無需人工干預的高分辨率計算機斷層掃描儀可提供冠狀動脈的解剖和生理評估。快捷的心電圖可能提供明確的診斷信息，并在5到10分鐘內抵達急診室。上述步驟甚至可能不需要任何人工干預或評估，并可能導致不會首選侵入性冠狀動脈造影，可以在必要時進行。基于人工智能的診斷方法已被用于分析冠狀動脈病變功能學評價，迄今為止結果不一。Cho等人的一項研究表明，總的來說，血管造影功能學分析的準確性可能接近82%的FFR。

在過去的十年里，用于冠狀動脈介入治療的磁導航系統和機器人技術已經出現，但一直受到高昂成本和低效界面的阻礙。人工智能引導的血管通路和介入設備導航到病變部位將是可行的，多模式技術將實時熱、超聲和流量數據與機器人和以前獲得的診斷計算機圖像融合在一起。同樣，通過人工智能引導設備進行冠狀動脈血運重建或藥物治療也是可行的，心臟介入團隊可以在不暴露于電離輻射的情況下監測和控制設備。能夠自動導航到動脈粥樣硬化區域并提供靶向治療的納米顆粒已經在開發中，內部和外部的磁性引導和配體連接聚集，可以進一步產生有益的效果，同時最大限度地減少對其他器官的不利影響。

瓣膜疾病、先天性和后天異常以及生命維持技術也將是人工智能應用的主要領域。將來在心導管實驗室，在時間和空間上實時評估和整合患者解剖結構信息，結合自體活細胞和聚合物剛性金屬復合材料，進行3D打印,可能介入心臟病學的一個重要方向。

心臟衰竭

目前心力衰竭(HF)診治模式不成熟，診斷延遲常見，心力衰竭的許多危險因素并沒有認識，治療和控制相對較低。大多數射血分數減低和射血分數保留的心衰患者沒有接受已被證明的降低死亡率和發病率的治療或者在進行低劑量的治療。此外，HF表型的病理生理學特征仍處于研究階段。人工智能支持的策略有潛力解決這些問題。

心臟衰竭預防

臨床試驗證實，心衰預防可顯著降低心衰發病率。心衰預防需要一種方法來識別心衰風險患者和心衰預防干預過程。心衰風險識別部分可以幫助集中干預這部分患者，從而提高可行性，降低總體成本。干預部分的效果將決定整體人群心衰防治的效益。

目前心衰危險評分應用于臨床少見。Ng等人開發了監督ML算法，利用EHR數據預測突發HF。ML算法預測未來HF的AUC約為0.79，在檢測即將到來(6個月)HF時更為準確。雖然AI算法可能沒有比傳統模型更好的預測價值, ML算法嵌入到電子健康檔案可以為醫生提供即時風險信息(病人)，可以調整隨著時間的推移風險的變化，如果危險因素變化，并整合心電圖或圖像分析、可穿戴設備和其他數據，風險預測算法可能會更精確的預測個體獨有的風險因素。

未來人工智能心衰風險評估工具的開發，預先與有計劃的干預相結合，以降低心衰發病率。這些干預措施可以包括一種新的治療模式，一些特定的治療藥物或智能決策，以鼓勵臨床醫生和患者治療心衰危險因素。臨床試驗應該評估風險預測和干預策略，以驗證采用有效的策略來降低心衰發病率。

心衰住院預防

心衰住院預防措施也需要一種方法來識別有風險的患者和住院防治監測。傳統的統計模型在再入院預測方面的性能較差，而且基于人工智能的模型也受到了限制。有三項研究使用監督ML(包括大隊列的DL算法)來預測心衰住院后的再入院，報告的AUC從0.63到0.71。因此，需要更多的工作來提高不同算法的預測能力，識別心衰再入院的風險。

雖然ML可能提升風險預測，但更令人煩惱的問題是，一旦認識到風險增加，如何防止再入院。醫療機構為減少再入院而采取的多種策略所產生的影響微乎其微。使用外部遠程監測系統或植入設備(除顫器或起搏器)診斷的遠程監測在防止入院或再入院方面是無效的，只有基于肺動脈壓的遠程監測策略被證明對減少心衰住院有效。最令人震驚的是，減少再入院的策略與心衰住院后短期和長期死亡率的增加相關。因此，必須在臨床試驗中仔細研究人工智能的住院風險預測和新的干預策略，以確保有效性和安全性。

心衰管理

人工智能分析可以在心力衰竭患者實時提供可操作的信息，通過識別那些確診患者，有無按照規定GDMT或接收的最佳劑量，有無依從治療計劃，或最有可能受益于某些特定的心衰療法。這類人工智能生成的信息可以以更新穎的、便捷、智能的方式提供給患者和醫生，這些信息可能會影響患者的治療 (為患者提供決策輔助、特定問題的醫生或患者教育、支持聯系，或其他區域或衛生保健系統特定的資源)。這種方法更類似于高度成功商業的人工智能分析所提供的數據，而人工智能在醫療保健領域的應用尚未達到這種成功水平。

人工智能在闡明心衰病理生理學、

精準醫學和新療法中的作用

目前，HF的廣泛特征是EF和推測的病因。非監督ML分析(如聚類分析)可以識別獨特的HF表型，然后使用傳統統計方法或監督學習技術來確定所識別的表型是否具有不同的預后或對治療的耐受性或反應。此類分析已在HFpEF和HFREF的HF患者中進行，使用臨床數據作為輸入變量，確定具有不同預后的HFpEF和HFrEF表型。將來需要臨床特征以外的數據比如基因組、蛋白質組數據、微生物組、新的臨床數據，心電圖或圖像分析，來進一步診斷心衰患者的表型，可以通過新的治療靶點或診斷/預后生物標志物識別獨特的病理生理變化，并確定其精確性或新的心衰治療方法。

預防心臟病學

冠心病的研究已經產生了一些概念，這些概念被認為是現代醫學的基礎，包括識別和添加相關條件的風險因素到風險分層的整體模型。人工智能的定位是通過分析大量的變量，識別非線性關聯，并幫助識別新的危險因素。

目前，在冠心病和動脈粥樣硬化性心血管疾病的初級風險分層中最常用的工具是美國心臟病學會/美國心臟協會聯合隊列方程風險計算器，這是一種有價值但不精確的工具。使用相同的9個傳統風險因素，ML算法能夠顯著地改善風險分層，包括發現13%的高風險個體和推薦25%的低風險個體的他汀類藥物治療，部分原因是非線性關系的識別。相比之下，一項單獨的研究使用了每個人多達735個變量來改進隊列風險計算器，并強調了包括非傳統風險因素的重要性。有趣的是，與在算法中包含大量數據后的預期相反，與前面提到的僅使用標準CAD風險因素的算法相比，使用數百個變量的預測性能并沒有更好。

機器學習是一種創新和強大的工具，可以將非傳統和未知的危險因素納入心血管風險分層。例如，利用生物信號如視網膜眼底圖像作為生物樣本庫的一部分，并在沒有任何其他臨床特征的情況下用于預測心血管風險因素。同樣，通過使用ML算法通過智能手機錄音進行的語音分析揭示了與CAD相關的特征。這些例子只是許多可能有用的新數字生物標記信息中的一小部分。預測動脈粥樣硬化性心血管事件的方法可能需要改變一些公認的范式,例如時間范圍評估結果低于10年的隨訪，使用串行數據獲得多個時間點，并考慮更多的無監督學習方法而不是選擇變量生物合理性。

臨床決策支持

在一個醫學知識不斷增長和病人管理的復雜性日益增加的時代，對診斷和治療選擇，需要標準化的方案。事實上，應授權將CDS系統與電子病歷相結合，向醫護人員提供最新的醫學知識和循證指導。直到最近，大多數部署在醫療保健中的CDS系統都僅限于訪問電子病歷中的結構化數據，如實驗室結果。然而，非結構化臨床敘述中的信息可能會被NLP提取。以前，NLP工具僅限于研究，并沒有用于生成自動輸入到CDS系統。重要的是，利用NLP來搜索數字電子病歷的電子工具也能夠為CDS程序提供自動輸入，從而提供針對患者的個性化信息，以便在治療時以患者為中心做出決定。為了實現這種情況，進行自然語言處理，以提供高性能、可擴展和實時的解決方案。梅奧診所最近報道了這種方法對特定疾病的可行性，方法是將經過驗證的基于規則的NLP算法安裝到梅奧診所EHR的大數據基礎設施中，從而為外周動脈疾病患者的CDS系統生成個性化輸入。還能夠顯示相關的實驗室檢測結果和外周動脈疾病患者的自動預后評估，使用結構化數據元素和自動風險計算器，這些數據來自基于社區的研究生成的模型。原則上，類似的方法將可能用于廣泛的其他心血管健康疾病，建設標準化和高質量文檔的醫療保健系統，最終實現將正確的信息在正確的時間為正確的病人提供正確決策。

人工智能在優化心血管研究中的應用

人工智能(包括ML和DL)可應用于全基因組測序、移動設備生物識別和EHR數據處理。機器學習正在改變心血管疾病的診斷、風險預測、預防和治療方法。這些新方法提供了可觀的前景，包括快速整合大量數據，個體化的診斷和治療，以及潛在關系的評價。然而，它們確實產生了新的方法論上的挑戰。表型必須標準化，優化其可靠性，數據集成等。數據的可追溯性、有效性和再現性必須體現。在研究設計和結果解釋時，必須考慮新的偏倚，包括地理、人口和社會經濟地位造成的數字鴻溝和互聯網接入差異等。最后，必須考慮到數據缺失和治療方式的變化。的確，與原始數據收集不同，醫療記錄數據是在給定的臨床事件中收集的，直接與患者的健康狀況和求醫行為以及臨床醫生的治療有關。因為決定觀察時間的是病人和醫生，而不是研究人員，所以從數據中得出的結論會有所不同。這些重要問題強調了團隊科學的重要性，將臨床醫生、數據科學家和統計學家聚集在一起，以確立這些工具的有效性和可靠性。

表型和風險預測

目前的方法和評分系統對于有效的臨床應用來說往往過于繁瑣，并且在不同人群中不能很好地復制，因此在臨床上必須提高病例識別和結果預測的準確性和有效性。除了電子病歷的豐富數據之外，其他類型的結構化或非結構化數據也適用于ML技術。這些因素包括但不限于心電圖、超聲心動圖和其他影像學研究的數據。使用ML進行表型分析的一個例子是HFpEF患者的特征描述和這些患者的生存預測。Shah等人使用無監督ML，在HFpEF患者中確定了3個不同的組，通過監督學習，他們檢查了不同組在死亡和住院方面的差異。這些有意義的結果需要在其他隊列中驗證，但從兩一方面說明了人工智能可以應用到EHR的豐富環境中。另一個例子是Attia等人將人工智能應用于心電圖數據，以識別無癥狀左心室44,959例患者出現功能障礙。訓練一個卷積神經網絡來識別心室功能障礙患者，定義EF為35%或更少，僅使用心電圖數據。在52870名患者的獨立測試中，網絡模型的AUC值、敏感性、特異性和準確性分別為0.93、86.3%、85.7%和85.7%。這些研究結果說明了將人工智能應用于心電圖數據，可以提供一種識別心室功能障礙的篩查工具。

臨床試驗

招募試驗參與者被普遍認為是低效、耗時耗力，這會延緩新治療的進展和最終的病人治療的延誤。將人工智能應用于電子病例將患者特征與試驗納入和排除標準匹配，可以提高預篩的效率。

傳感器

可穿戴傳感器在健康預防和疾病管理中的應用是一個有意義的課題，而人工智能在這個新興領域的貢獻是獨一無二的。一個例子是使用智能手表數據來檢測房顫數據。一個深度神經網絡，使用依賴于R-R間隔近似表示的啟發式預訓練，與參考標準心電圖相比，表現出有意義的性能。在9750名參與者中進行的這項研究建立了概念證明，與標準心電圖相比，智能手表可以檢測心房纖顫，但靈敏度和特異性有所降低。

未來: AI的挑戰

由于人工智能在醫學上的應用似乎越來越不可避免，我們必須靜心思考實施中的困難。事實上，許多最初有希望的技術在更廣泛的測試中失敗的例子已經出現在其他領域的新聞上。這些例子包括面部識別軟件在不同人群中的失敗，刑事司法系統中特別令人擔憂的例子，人工智能可能在其中錯誤持續下去，從而使不公平一直存在，甚至還有一些可推廣性差的醫療篩查測試。

當用于訓練算法的數據集質量差、多樣性有限，或者它們反映結果的差異或現實偏倚時，就會出現這樣的問題。“垃圾進，垃圾出”同樣適用于人工智能技術。例如，從隨機臨床試驗數據中獲得的模型，在應用于從計費代碼或從電子病歷中提取的相對不精確的數據時，可能表現不佳。類似地，檢測靜態圖像的DL方法不能區分病理生理學的重要特征和圖像采集的偽影。因此，如果圖像采集類型與疾病狀態相關，則與圖像采集類型(像素特征)相關的特征可能虛假地與特定結果相關。這些技術甚至可以暴露系統性的偏倚，例如，如果某一特定的亞組患者更有可能被拒絕給予挽救生命措施干預(如心臟移植)，那么風險預測模型可能會錯誤地確定他們不太可能受益。因此，我們必須意識到，執行不力的人工智能有可能誤導我們，它甚至可能惡化、擴大和加劇醫療保健差距，這是在嘗試開發或實施人工智能算法時，都必須考慮的一個因素。同樣，無論是在醫院、地區還是國家一級，在財政資源非常有限的情況下，實施人工智能很可能具有挑戰性。如果提供人工智能僅限于高收入人群，這一因素可能加劇醫療保健的不平等。盡管與醫療保健專業人員的能力或判斷相關的錯誤將僅限于特定的個人評估或治療的患者，但如果人工智能算法得到廣泛應用，可能會出現成千上萬或數百萬人次的錯誤。當解釋結果和應用技術實踐時，臨床醫生必須能夠認識到這些陷阱，一個有用的方法可能是跟蹤給定技術從初始到應用程序的開發。首先，我們必須檢查構成培訓過程基礎的數據輸入。數據質量高嗎?它們是如何收集的?它們是否與目標應用程序數據集和人口相似? 接下來，我們應該檢查模型性能。這個評估必須超出曲線下面積的區域。這些發現有多可靠?研究者是否提供了亞組分析和外部驗證?接下來，我們可以檢查模型是如何應用的。應用程序數據集是否類似于派生數據集?模型性能是否可以根據標準定期測試?最后，我們可以把模型的結果放在我們已知的環境中。這些發現是否與我們自己的臨床直覺或使用其他方法的臨床指導一致?只有采用系統的方法，我們才能對這些危害保持警惕，確保在醫學中負責任地使用人工智能。

管理挑戰和發布人工智能數據

人工智能在大數據和開放科學時代蓬勃發展。研究人員現在能夠將大量數據與復雜的算法結合起來，生成可以媲美甚至超過人類表現的統計模型。2009年Netflix Prize等競賽數據的公開發布，通過昂貴的研發工作，刺激了創新，從而有機會贏得大筆獎金。醫療保健部門采取類似策略的速度較慢，部分原因是與健康相關數據的數據共享限制。這種情況引發了一個問題，在世界范圍內共享電子病歷中包含的豐富數據的障礙是什么?圍繞共享健康職業相關數據的問題在全球各地各不相同，而且正在迅速演變。然而，一些學術期刊制定了數據共享政策，要求公開共享可能與這些規定相沖突的數據。盡管傳統研究傾向于分享容易被識別的數據，但人工智能現在正在使用大量更難、甚至可能既往不可能被識別的數據。前進的道路可能是通過戰略伙伴關系。如何共享，甚至是否共享數據，都需要根據具體情況來決定。此外，還有一個問題是，如果合作組織不復存在或被另一個組織機會主義地收購，會發生什么情況。當谷歌獲得了DeepMind數據檔案的訪問權限后，人們意識到了這一點，這實際上終止了之前不公布數據的承諾。盡管如此，我們必須繼續加快努力，通過協作和獲取數據來促進醫療保健。

結論

心臟病學處于人工智能在醫學領域的前沿，在信號處理、圖像分割和結構化數據分析方面取得了重大進展。近年來在心臟病學的幾乎所有領域都取得了重大成就，在心電圖分析、影像研究的自動解釋和風險預測方面取得了一些具體進展。然而，人工智能很容易在解釋、有效性和概括性方面出現重大錯誤，以及需要提前解決的安全和倫理問題。很明顯，人工智能需要計算機科學家、臨床研究人員、臨床醫生和其他用戶之間的密切合作，以確定最相關的問題，并找到解決問題的最佳方法和數據來源。這項合作證明，人工智能在心臟病學和醫學領域的未來是光明的。