心血管疾病是全世界引发死亡的重要原因^[1]，其中冠状动脉粥样硬化性心脏病（冠心病）是严重威胁人类健康生存的心血管疾病之一。近年来，冠心病的发病率及死亡率呈逐年上升趋势^[2]，患者常因诊断不及时，延误治疗，而引发心肌梗死，甚至猝死，因此临床上对冠心病的早期发现、早期诊断和早期干预治疗成为提高患者生存率和改善预后的关键^[3]。目前，冠心病的常用影像诊断方法有DSA、冠状动脉CTA（coronary computed tomography angiography，CCTA）、超声心动图、血管内成像、心血管磁共振（cardiovascular magnetic resonance，CMR）等。随着医学影像技术的不断发展，其产生的大量影像数据给放射科医师带来了前所未有的压力和负担。因此，人工智能辅助放射科医师进行图像分析和诊断被认为是医学成像领域的一个重要研究和发展方向。深度学习作为人工智能机器学习的一个重要分支，越来越多地应用于冠心病的诊断中。

1 深度学习概述

人工智能是计算机科学的一个分支，其中机器学习是通过使用大数据集提取变量特征来模仿人类学习的方式。深度学习又是近年来机器学习中蓬勃发展的最重要分支之一，可看作是人工智能机器学习的延伸，其也是模拟人脑神经网络自动学习数据特征和关系的学习方法。深度学习算法包括：监督学习、非监督学习和强化学习，其中监督学习模型中深度学习卷积神经网络（convolutional neural network，CNN）是目前大多数计算机视觉应用和医学图像分析的主流架构^[4]。CNN算法可有效地简化图像分析过程，有助于节省人力和提高工作效率。近年来，CNN算法在医学成像定量分析中的应用显著增加且已展现出强大的应用潜力，如应用于肺结节的检出^[5]及对乳腺病变自动识别和分类等^[6-7]。深度学习可最大限度地提高诊断和预测效能，减轻医师负担。

2 深度学习在冠心病影像诊断方面的应用 2.1 DSA

DSA是目前诊断冠状动脉（冠脉）疾病的金标准^[8]，可提示冠脉梗阻病变范围、位置及狭窄程度，这也是预测预后的有力因素，但DSA是三维冠脉在二维平面上的投影，易出现图像伪影。目前，人工观察是冠脉造影常用的判读方法，要求操作者对图像判读有一定经验，主观性较强。深度学习算法可辅助冠脉造影结果的分析，使其更客观和自动化。Zhao等^[9]构建了基于深度学习算法的伪影去除网络模型，认为深度学习算法能有效去除DSA图像中的伪影，并呈现出高质量的图像。Gao等^[10]提出了一种基于残差密集网络的全DSA图像生成方法，其可在不使用掩模图像的情况下提取血管，从而避免图像中运动伪影的出现。Yang等^[11]提出了一种基于图像增强技术的全CNN算法的大血管稳健分割方法，并使用具有不同图像特征的外部数据集进行稳健性验证。结果表明，该算法在冠脉主要血管分割中的平均F1分数达0.917，93.7%的图像F1分数 > 0.8。深度学习算法在DSA图像处理和诊断领域具有很强的自主学习能力，值得应用和推广。

2.2 CCTA

CCTA通过3D重建心脏结构和冠脉走行，可清楚显示冠脉的阻塞情况^[12]，已广泛用于冠心病的诊断，但CCTA图像判读缺乏客观性，过程复杂耗时，低年资医师易误诊和漏诊。人工智能深度学习算法的应用有望克服其局限性。目前，深度学习算法在CT图像采集、后处理、病灶检测、图像解释及报告等流程中均有应用。Liu等^[13]的一项前瞻性研究显示，生成式对抗网络可通过降噪有效提高低剂量CCTA的采集图像质量，采用80 kV的心电门控CCTA图像质量与采用100 kV时相当，且处理速度快于迭代重建技术，有望将低辐射剂量CCTA应用于冠心病的诊断。Zreik等^[14]通过CNN算法实现了冠脉斑块类型分类和冠脉狭窄程度检测的一体化，准确率达0.77。通过CCTA获得的血流储备分数（fractional flow reserve，FFR）是近年来血管成像领域的新技术，已成为无创评估冠脉血流动力学的有效方式之一，适用于冠心病的筛查。Wang等^[15]提出用多层神经网络及双向递归神经网络算法开发DEEPVESSEL-FFR在线平台，该平台能快速半自动化获取CCTA重建的冠脉树FFR的分布，但该研究纳入受试者数量较少，需进一步验证其准确度。Kumamaru等^[16]设计了一种全自动三维深度学习模型，其可通过未分割和重建的CCTA数据自动分析计算FFR，该模型由条件生成对抗性网络算法、三维卷积梯形网络算法和2个独立的神经网络集成虚拟对抗性训练算法组成，蒙特卡罗交叉验证表明该算法的AUC为0.78。

2.3 超声心动图

超声心动图是一种很好地评价心脏节段性室壁运动异常的无创影像研究工具，但其诊断依赖于医师主观经验分析。Tabassian等^[17]通过输入不同特征来增强模型对心肌梗死的自动识别，采用应变率曲线识别心肌梗死的平均分类准确率为87%。另一项研究使用从超声信号的离散小波变换获得的纹理描述对心肌梗死进行分析，准确率为99.5%^[18]。Ouyang等^[19]提出一种基于超声心动图视频数据的算法EchoNet-Dynamic，其利用多个心脏周期的视频信息，可实现分割左心室、计算射血分数和评估心功能等，在外部验证数据集中，预测射血分数平均绝对误差为6.0%，识别射血分数降低性心力衰竭的AUC为0.96。因此，深度学习可能会在超声心动图中用于自动分割和分析左、右室轮廓，并自动计算容量参数等，从而减少医师的工作量。

2.4 血管内成像

血管内成像包括血管内超声（intravascular ultrasound，IVUS）和血管内光学相干断层成像（intravascular optical coherence tomography，IVOCT），其在评估斑块进展或消退、识别易损斑块、评估斑块负荷和指导介入治疗方面具有优势。Yang等^[20]提出了一种基于完全卷积网络的深层结构算法DPU-Net，可实现IVUS图像的管腔和外膜的自动分割。Lee等^[21]利用CNN算法对IVUS图像进行自动分割，使用独立测试样本来评估二分类器检测缺血性病变的诊断性能。结果表明，预测FFR≤0.80的总准确率为82%。目前，IVOCT图像是由医师手动解释，较依赖于医师的临床经验，因此开发一种自动识别血管病变的算法十分必要。Avital等^[22]提出了一个基于损失函数、精度函数和骰子系数的定量图像评估结果的自动分割模型，可实现光学相干断层扫描（optical coherence tomography，OCT）中冠脉钙化自动分割，且准确率非常高，该算法在1 500帧大小的测试集上达到了0.90±0.01的准确率，并可发现医师手动无法识别的钙化灶。Balaji等^[23]构建了一种基于胶囊网络的深度学习算法DeepCap，该方法可有效自动分割冠脉管腔；将经过充分训练的DeepCap与3种最先进的分割算法UNET-ResNet18、FCN-ResNet50和DeepLabV3-ResNet50架构进行比较，结果表明DeepCap在测试集上达到了相似的性能，且推理时间更快、占用磁盘空间更少。以上研究表明，深度学习在血管内成像临床辅助诊断系统中的应用具有可行性。

2.5 CMR

CMR可对心肌组织进行客观的功能评估，可用于显示冠心病患者心肌及心肌梗死病灶的结构、功能、血流灌注、活动性及范围，已逐渐成为心血管检查中不可或缺的工具，因此深度学习与CMR结合同样具有重要临床应用价值。Baessler等^[24]应用深度学习算法对CMR图像进行纹理分析，根据可重复性和相关性分析选取纹理特征来区分心肌梗死组织和正常组织，多元逻辑回归分析显示AUC为0.92，表明该算法能更好地区分正常心肌组织和梗死组织。Tan等^[25]利用短轴和长轴扫描的CMR图像，提出一种全自动CNN算法，该算法分割从心尖至心底的左心室心肌，覆盖了完整的心脏时相，无需放射科医师手动勾画，即可获取左心室结构和功能指标。Scannell等^[26]构建了CNN模型用于CMR图像的预处理，包括心肌的分割、心肌灌注定量等，其显示出图像数据处理的高精确度，得到与人工阅片相似的量化值且所需时间更短。上述研究结果提示，基于深度学习的CMR通过图像分割、加速成像等手段可快速准确地诊断冠心病并评估心功能。

3 小结

随着人工智能技术的快速发展，其在影像诊断领域方面的应用为冠心病风险分层和预后预测提供了新的研究方向，可提供给医师标准和客观的辅助诊断参考，帮助医师提高诊断效率，在部分影像图像的分析工作中，深度学习模型的某些表现可与该领域的专家相当，对辅助低年资医师诊断有一定价值。人工智能技术不仅能缓解医院的诊疗压力，而且可解决地区医疗资源分配不均的问题，尤其适用于医疗水平欠发达的基层医院，但冠心病的智能诊断模型目前还不能完全取代传统的诊断方法，只能用于其早期筛查或辅助诊断，其准确率还有待进一步提高。将深度学习技术真正应用于临床上还存在一些问题：①数据标注需多位医学专家完成，标注过程时间成本高；②深度学习在“黑匣子”下诊断，可解释性较差；③单一化小样本的数据会导致模型泛化性欠佳，对新患者或复杂临床环境的普适性是未知的；④目前图像识别和疾病诊断的深度学习方法大部分还未达到足够的准确度以用于临床。

随着国内外医学数据库的完善和数据共享的加强，利用标准化的数据可实现算法的进一步优化，深度学习技术也会激发出更大的研究和临床应用潜力。这就要求医师们掌握一定的人工智能技术知识，以便提高工作效率。尽管某些特定的人工任务将被人工智能代替，但这并不意味着人工智能将完全代替放射科医师。