近年来，随着算法和算力的飞速发展以及医学数据的不断积累，人工智能（artificialintelligence，AI）在基础医学和临床医学领域均有重要突破，诸如在蛋白质结构分析、强效抗生素分子构造、肿瘤起源预测等领域具有里程碑意义的研究成果不断涌现。同样，AI在心血管疾病领域也已取得了长足进展，涉及疾病诊断、危险分层、探索新的基因型与表型等[1]，例如先心病自动筛查[2]、冠心病风险预测和扩张型心肌病精细分类，部分成果甚至已运用于智能手机，走向社区[3]。
心血管影像学是心血管疾病临床诊疗不可或缺的检查技术，也是实现精准医疗的基石之一，这一学科蕴含着庞大的数据，而影像大数据的技术分析恰恰需要智能化。AI能够对心血管影像进行图像分割和关键指标的自动测量，提高诊断效率；能够提取更多维度的影像和临床特征，提高诊断精度并精细化疾病分型；进一步结合预后相关临床资料，可以优化危险分层，进而指导临床决策。在心血管超声、CT、MRI、核医学等各学科领域，高质量的AI研究层出不穷，近两年发表的研究数量超越以往的总和，这无疑将会对心血管疾病的诊疗模式、医疗格局和资源分配产生深远影响。鉴于此，笔者就AI在心血管影像领域的新研究进展进行综述，以飨读者。
一、AI的技术介绍
AI是计算机科学的一个分支，旨在模仿人类在执行识别、计划和解决问题等任务时的认知。机器学习是诸多AI分支学科中最为重要的，也是心血管影像领域应用最广泛的AI技术。机器学习可通过算法从诸多临床和影像数据中加以学习和改进，完成图像分析、疾病诊断和预后评估等多种任务，最常用的学习模式为监督学习和无监督学习。监督学习基于有标签的数据集，根据输入数据及目标值训练出判断或预测模型，旨在完成各种分类和回归任务，主要算法包括决策树、随机森林、支持向量机以及boosting类集成算法等。无监督学习则从无标签数据中预测特征间的未知关联，或按近似性将数据划类分组，实现疾病亚型的聚类，主要算法有K均值聚类和主成分分析等。
深度学习是机器学习的一种特殊形式，试图模仿大脑神经元的工作模式，其本质为包含多个隐含层的神经网络结构。卷积神经网络（convolutionalneuralnetworks，CNN）是深度学习的代表算法，尤其适用于计算机视觉分析，能够出色地完成心血管图像的分类、分割和测量等任务。值得一提的是，生成式对抗网络兼有判别模型和生成模型，甚至可以做到基于平扫图像生成虚拟的增强图像，具有极大的开发价值。
二、AI在心血管影像中的应用
（一）AI与图像分析
图像分析包括心功能计算、钙化积分计算、斑块性质评估等，准确、高效的图像分析是心血管疾病诊断的重要依据。传统的人工分析方法耗时费力，且观察者间变异性较大，已无法满足日益增长的临床需求。基于计算机视觉等技术，AI能够准确、快速、高效地进行图像分割，并进行关键指标的自动测量，还能提取更高维度的图像特征，挖掘新的......
查看原文请复制下方链接到浏览器查看：