心血管疾病作为全球范围内的主要健康挑战，对人类健康构成了严重威胁。近年来，人工智能（AI）在心血管医学中的临床应用取得了显著进展，为心血管疾病的诊断、治疗和预防带来了新的机遇。

本次我们邀请到解放军总医院张然教授，为我们评述AI在心血管医学中的临床应用进展，重点讲述AI在冠状动脉粥样硬化性心脏病（CAD）诊疗方面的具体应用，分析其优势和局限性，并对未来的发展趋势进行展望，以期为推动AI在心血管医学领域的进一步发展和应用提供参考。

KANG XUN WANG

AI为精准医学提供重要支持

AI是指利用计算机科学和算法来模拟人类的智能行为，以支持和增强医疗决策、诊断、治疗以及管理等方面的能力。机器学习（ML）和深度学习（DL）是AI关键核心技术。ML能补充和拓展传统的统计方法，可从数据中识别特征、进行预测，还能提供工具和算法来剖析大型、复杂和异构数据的模式。因其假设较少，ML能提供更优异、稳健的预测。而DL算法能够分析大型数据集，自动发觉模式，且无需人工干预即可学习。DL神经网络由图像、音频或视频等数字化输入构成，通过多层“神经元”连接逐步识别特征并输出。在心血管影像领域，DL是至关重要的基础平台，血管造影、超声心动图、计算机断层扫描等心血管影像的处理和分析都离不开DL。ML和DL在精准医学中发挥着重要作用，有力推动了医学发展。

在医学领域，AI可用于辅助诊断和预测疾病、医学图像分析、个性化治疗制定、医疗机器人研发升级、健康管理和预防、传染病监测等方面。

AI在心血管医学领域的应用

1.人工智能心电图（AI-ECG）：利用ML和DL技术，可以快速准确地分析心电图数据，识别心脏电活动中可能表明心肌缺血性变化的任何异常，特别是细微异常。例如，AI-ECG应用于急性ST段抬高型心肌梗死的辅助诊断，缩短了急诊室患者的Door-to-Balloon时间和ECG-to-Balloon时间；ML/DL技术还可从心电图数据和临床变量中提取信息，预测冠状动脉钙化评分和心血管事件风险。

2.人工智能冠状动脉CT血管造影（AI-CCTA）：AI技术可提升CCTA图像质量，自动分割图像，辅助检测冠状动脉狭窄和斑块，进行钙化评分，评估冠状动脉功能和预后。例如，基于人工智能的新型CCTA评估技术可快速、准确地识别和排除重度狭窄，提升血管管腔狭窄程度评估的准确性；应用动脉粥样硬化成像定量CT（AI-QCT）技术发现斑块负荷对主要不良心血管事件显示出重要的预后判断价值，且总斑块体积量化与心血管死亡或心肌梗死显著相关；基于AI的定量计算机断层扫描缺血算法有助于改善疑似CAD风险分层；基于AI的脂肪衰减指数评分能捕捉到炎症风险，AI-风险（Risk）算法将这些信息整合到预后算法中，可作为传统风险计算器的替代方案；基于ML的CT-血流储备分数（FFR）降低了接受侵入性冠状动脉血管造影的无阻塞性CAD患者或90 d内需要介人治疗的稳定型CAD患者的比例，但没有改善症状或生活质量，也没有减少主要不良心血管事件。

3.人工智能血管腔内影像（AI-IVUS/AI-OCT）：AI可实现血管腔内影像自动分割并深入剖析斑块特征，准确识别冠脉狭窄，预测心血管事件风险，继而优化支架选择及精准评估支架扩张效果。例如，基于ML模型的IVUS图像分割测量结果与专家的测量结果相关性良好，并能在大多数图像中选择合适的球囊大小；基于术前IVUS的DL算法可以准确预测术后支架膨胀不全的发生；基于DL的血管内光学相干成像（IVOCT）减少图像解读的主观性，促进IVOCT对斑块组成的量化，有望应用于研究和IVOCT引导的经皮冠状动脉介入术；ML用于IVUS和NIRS融合影像分析，可提升分析斑块成分特征的准确性。

4.人工智能冠脉造影（AI-CAG）：CAG是评估冠状动脉狭窄严重程度的标准方法，但受到观察者内部和观察者之间差异的限制，ML可以提升CAG图像评估质量和疗效，进行斑块特征及血流动力学评估，预测未来事件结局；同时有助于非动脉粥样硬化性冠状动脉疾病的诊断。例如，采用深度学习技术对CAG图像进行分析，检测冠状动脉迂曲的模型测试准确率为（87±6）%；一种基于弱监督学习的血管狭窄识别算法，可自动对冠状动脉造影图像中的血管狭窄进行分类和定位；基于卷积神经网络模型的深度学习技术可以实现在冠状动脉造影中识别直径狭窄、钙化、血栓和夹层等病变特征；基于ML的DenseNet169网络可以在CAG图像中计算冠状动脉血流储备分数。

5.人工智能冠脉介入治疗（AI-PCI）：AI辅助图像和视频分析、临床决策支持、机器人辅助手术以及临床数据库分析，改善实时临床决策、简化导管室的工作流程并规范介入手术操作。ML可评估PCI术后并发症风险，指导冠状动脉慢性完全闭塞病变（CTO）介入治疗，且基于DL的预测模型在预测导丝穿刺和PCI成功率方面的准确性高于基于人工CCTA的评分，图像重建和分析效率也更高。ML算法在判断冠状动脉介入治疗的合理性和策略制定方面与专家共识决策相当，而利用ML等自我学习系统来模仿人类思维过程的临床决策支持系统正在开发中。未来，AI支持的导管室将会配备临床决策支持系统、语音驱动的虚拟助手、增强现实平台和半自主/自主机器人系统。

6.AI-风险分层模型：通过分析现有的风险和病史，AI可以帮助识别可能从更密切的监测和预防措施中受益的个人，还可以确定他们如何从这些措施中受益。基于面部照片的DL算法可以帮助检测CAD，有望用于门诊或社区的CAD筛查；ML模型可在不使用高灵敏度肌钙蛋白的情况下，对急性胸痛患者进行临床前管理并预测心血管事件；“心肌缺血损伤指数”（MI3）算法可预测急性心肌梗死的可能性；基于多种ML方法建立的预测模型可预测影响急性非ST段抬高型心肌梗死患者PCI后再入院的因素；基于ML的风险评估用于非ST段抬高急性冠脉综合征患者，可实现高度准确的风险预测和早期治疗分层。

结语

当前，心血管领域正迈向一个由AI与ML算法引领的新纪元。这些技术为医生揭开了前所未有的信息层面，尤其是在复杂的影像学以及心电图解读方面，实现了“透视未知”的突破。AI/ML不但加速了信息传递，还让医生拥有了更丰富的数据资源，进而能更深入地和患者探讨治疗策略。

这也预示着影像分析领域（包括放射科、病理科、皮肤科等）对专业人员的需求可能会发生转变。例如，慢性病患者的日常监测任务或许将更多地由在AI/ML辅助下的高级护理专家来执行，而医生则负责监督与指导工作，以确保医疗质量的稳步提升。

此外，由AI/ML驱动的机器人技术会在导管介入手术中发挥重要作用，但人类医生的关键地位仍然不可动摇。

然而，心血管领域在拥抱AI/ML技术的同时，也需要直面一系列挑战。比如，数据质量与数量的不足、算法透明度与可解释性的欠缺以及通用性的限制等问题都亟待解决。而且，技术层面的复杂性以及整合难题同样不能忽视。除此之外，伦理与法律层面的考量也极为关键，包括如何保障数据隐私与安全、明确责任归属等相关事宜。

但我们坚信，在未来，掌握数字健康、人工智能以及数据科学知识的医生将会备受关注，这将为年轻一代开辟全新的职业道路。

专家简介

解放军总医院 张然副教授

解放军总医院心血管病医学部副主任医师，副教授，博士研究生导师，北京理工大学生命学院和华南理工大学医学部博士研究生导师。

第四军医大学医学博士，美国斯坦福大学医学院博士后。

临床主要从事冠心病介入诊断和治疗，以及心血管急危重症救治。

参加6部心血管疾病指南/专家共识撰写，参编专著4部。

主要研究方向为缺血性心脏病基础与临床研究，以及特种环境下心血管系统损伤与防护研究。

目前任中华医学会心血管病分会心血管临床研究学组委员、全军心血管内科专业委员会青年委员、北京市医学会心血管病学分会心血管急重症学组委员、中国抗癌协会整合肿瘤心脏病分会委员。出生缺陷防控关键技术国家工程实验室首席研究员，肾脏疾病全国重点实验室首席研究员。国家自然科学基金同行评议专家，北京市科学技术委员会科技项目评审同行评议专家。Frontiers in Cardiovascular Medicine Guest Associate Editor/Review Editor，Military Medical Research Section Editor，Journal of Translational Internal Medicine Guest Editor，Journal of Geriatric Cardiology Scientific Editor/青年编委，《中华老年多器官疾病杂志》、《中国体外循环杂志》和《中国心血管病研究》编委。

主持承担国家自然科学基金面上项目4项、科技部国家重点研发计划课题3项、北京市科技新星计划项目1项、军队医学科技青年培育计划1项、军事医学青年专项1项等科研项目13项。在国际学术期刊发表SCI收录论文47篇，国际学术会议报告4人次。研究成果获得军队科技进步二等奖、中国产学研合作创新成果一等奖和解放军总医院医疗成果二等奖多项成果。获得发明专利4项。北京市科技新星，享受军队优秀人才二类岗位津贴。