當(dāng)前，心源性猝死（SCD）仍然是全球死亡的主要原因，在歐洲和北美的普通人群中，每 100,000 人中的發(fā)病率為 50-100 人，占所有死亡人數(shù)的 15-20% 。而冠狀動(dòng)脈疾病患者發(fā)生心律失常性心源性猝死（SCDA）的風(fēng)險(xiǎn)最高。
因此，迫切需要開(kāi)發(fā)個(gè)性化、準(zhǔn)確和具有成本效益的心律失常風(fēng)險(xiǎn)評(píng)估工具，以減輕這一巨大的公共衛(wèi)生和經(jīng)濟(jì)負(fù)擔(dān)。
近日，約翰霍普金斯大學(xué)研究人員領(lǐng)導(dǎo)的團(tuán)隊(duì)，開(kāi)發(fā)了一種基于人工智能的新方法，可以比醫(yī)生更準(zhǔn)確地預(yù)測(cè)患者是否以及何時(shí)可能死于心臟驟停。該技術(shù)以患者心臟影像學(xué)資料以及其它背景為基礎(chǔ)，將徹底改變臨床決策并提高突發(fā)性和致命性心律失常的存活率。
相關(guān)研究發(fā)表在近日的《自然心血管研究》上。
論文通訊作者、生物醫(yī)學(xué)工程教授 Natalia Trayanova 表示， “由心律失常引起的心源性猝死，占全球所有死亡人數(shù)的 20%，但我們對(duì)它發(fā)生的原因或如何判斷誰(shuí)處于危險(xiǎn)中知之甚少。有些患者心源性猝死的風(fēng)險(xiǎn)可能較低，可能不需要使用自動(dòng)體外除顫器（AED），而有些高風(fēng)險(xiǎn)患者如果沒(méi)有及時(shí)得到他們需要的治療，可能會(huì)在他們生命的黃金時(shí)期死亡。我們的算法可以做的是，確定誰(shuí)有心臟死亡的風(fēng)險(xiǎn)，以及何時(shí)發(fā)生，進(jìn)而讓醫(yī)生準(zhǔn)確地決定需要做什么?！?/p>
據(jù)了解，這也是第一個(gè)使用神經(jīng)網(wǎng)絡(luò)為每位心臟病患者建立個(gè)性化生存評(píng)估的團(tuán)隊(duì)。這些風(fēng)險(xiǎn)測(cè)量提供了 10 年內(nèi)心源性猝死的高準(zhǔn)確度，以及最有可能發(fā)生的時(shí)間。
研究人員為這種基于深度學(xué)習(xí)技術(shù)的工具起了個(gè)名字，叫做心律失常風(fēng)險(xiǎn)生存研究（Survival Study of Cardiac Arrhythmia Risk，SSCAR）。
圖 | SSCAR 示意圖（來(lái)源：Nature）
在當(dāng)前的臨床心臟圖像分析中，醫(yī)生僅提取簡(jiǎn)單的疤痕特征，如體積和質(zhì)量，并未充分利用相關(guān)圖像中的關(guān)鍵數(shù)據(jù)?！?/p>
這些圖像帶有醫(yī)生無(wú)法訪問(wèn)的關(guān)鍵信息，”第一作者、前約翰霍普金斯大學(xué)博士生 Dan Popescu 說(shuō)， “這種瘢痕可以以不同的方式分布，它說(shuō)明了患者的生存機(jī)會(huì)。只不過(guò)其中的信息被隱藏了?！?/p>
為此，研究團(tuán)隊(duì)首先使用對(duì)比度增強(qiáng)的心臟磁共振圖像，來(lái)可視化約翰霍普金斯醫(yī)院 156 名心臟磁心肌病真實(shí)患者的瘢痕分布，以訓(xùn)練一種算法來(lái)檢測(cè)肉眼不可見(jiàn)的模式和關(guān)系。
圖 | SSCAR在紅色圈出的心臟中檢測(cè)到高風(fēng)險(xiǎn)（來(lái)源：約翰霍普金斯大學(xué)）
研究小組還使用十年的標(biāo)準(zhǔn)臨床患者數(shù)據(jù)訓(xùn)練了第二個(gè)神經(jīng)網(wǎng)絡(luò)，患者數(shù)據(jù)包括年齡、體重、種族和處方藥使用等 22 個(gè)因素。
然后使用深度神經(jīng)網(wǎng)絡(luò)直接從 CMR 圖像和臨床因素中學(xué)習(xí)這些參數(shù)，從而對(duì)生存數(shù)據(jù)進(jìn)行最佳建模，產(chǎn)生高度個(gè)性化的生存概率預(yù)測(cè)，并得到患者的特異性生存曲線。
之后，研究人員在來(lái)自美國(guó) 60 個(gè)醫(yī)療中心的獨(dú)立患者隊(duì)列的測(cè)試中得到驗(yàn)證，這些患者具有不同的心臟病史和不同的成像數(shù)據(jù)，結(jié)果表明，算法的預(yù)測(cè)比醫(yī)生準(zhǔn)確得多，而且在結(jié)果表明該系統(tǒng)可以被廣泛應(yīng)用在任何地方。
值得注意的是，SSCAR 中使用的定制神經(jīng)網(wǎng)絡(luò)的整體設(shè)計(jì)中，采取了多個(gè)步驟來(lái)確保結(jié)果特征的相關(guān)性和可解釋性。人工智能算法的可解釋性對(duì)其廣泛應(yīng)用至關(guān)重要，圍繞它的擔(dān)憂在醫(yī)療保健領(lǐng)域尤為普遍。
心血管診斷和治療創(chuàng)新聯(lián)盟聯(lián)合主任 Trayanova 說(shuō)：“這有可能顯著影響有關(guān)心律失常風(fēng)險(xiǎn)的臨床決策，并且代表著將患者軌跡預(yù)測(cè)帶入人工智能時(shí)代的重要一步。它體現(xiàn)了將人工智能、工程學(xué)和醫(yī)學(xué)融合為醫(yī)療保健未來(lái)的趨勢(shì)?！?/p>
該團(tuán)隊(duì)當(dāng)前正在努力構(gòu)建算法來(lái)檢測(cè)其他類型的心臟病。根據(jù) Trayanova 的說(shuō)法，還可以為依賴視覺(jué)診斷的其他醫(yī)學(xué)領(lǐng)域開(kāi)發(fā)深度學(xué)習(xí)概念。
參考資料：
https://www-nature-com-443.webvpn.bjmu.edu.cn/articles/s44161-022-00041-9
https://hub.jhu.edu/2022/04/07/trayanova-artificial-intelligence-cardiac-arrhythmia/
關(guān)鍵詞： 心律失常 神經(jīng)網(wǎng)絡(luò) 心源性猝死
