人工智能(artificial intelligence，AI) 是基于计算机科学来模拟人脑学习知识、储存知识、思考规划的思维过程的一种技术，人工智能包括一系列操作：机器学习(ML)，深度学习(DL)，自然语言处理(NLP)，认知计算，计算机视觉和机器人等。近年来，人工智能技术发展突飞猛进，自动驾驶、人脸识别、文本处理等已经出现在我们的生活领域。然而，与金融技术、信息技术和航空航天等其他行业相比，人工智能在医疗领域的应用速度相对缓慢。目前，人工智能在心脏病学中的应用主要包括两个方面，一是基于电子健康记录和医学图像等来源的ML/DL、NLP和认知计算等，另一个代表是介入机器人。

　　AI是可执行一般性人类智能任务的计算机程序。它也可视为机器或者仪器基于所收集数据自动做出决策的能力。而机器学习（machine learning，ML）是目前AI的主要亚类，它包括了监督学习，非监督学习及深入学习（deep learning，DL）等。监督学习中目前最常用的算法是人工神经网络（artificial neural network，ANN）和支持向量机。非监督学习包括了聚类算法和关联规则算法等。而DL包括了循环神经网络、卷积神经网络（convolutional neural networks，CNN）以及深度神经网络（deep neural networks，DNN）

　　机器学习在心血管精准医疗中的应用机器学习是AI技术分支之一，可分为3种类型：监督、非监督和增强学习，其中增强学习被视为监督学习和非监督学习二者的结合体，目的在于最大化运算的准确性。

　　（一）监督学习：监督学习是利用人工标记的数据集预测临床转归，适用于解决分类性及回归性问题，但所需数据量大，人工标记耗时多。监督学习算法主要包括：人工神经网络（ANN）、支持向量机（SVM）、决策树、随机森林、朴素贝叶斯分类器、模糊逻辑以及K⁃最近邻算法（KNN）。在心血管领域，应用于处理电子病历文本分类、心电图的结果判读、检测心律失常、心肌梗死心电信号分类、超声心动图的图像识别、缺血性心肌病影像数据分析、冠状动脉CT图像数据处理、药物治疗剂量、心血管疾病风险分层、疾病生存预测、临床决策系统等。监督学习的局限性：需要较大数据集训练模型，并且通过其他数据集进行验证；如果训练集存在偏倚，将会影响测试集的准确性。另外，监督学习需要手动标记训练集，预测已知的输出结果。尽管监督学习能够通过多种方式与给定的训练集匹配，自动选择“最好”的假设来匹配数据，但可能导致因学习算法更倾向于某种假设而带来偏倚。

　　（二）非监督学习：非监督学习是识别隐藏在数据中新的疾病机制、基因型或者表型。与监督学习侧重依据标记病例预测临床转归不同，非监督学习是寻找未被标记的、隐藏在数据中的模式。非监督学习常常用于深度学习。可用于心电图和心脏影像的自动分类、构建左心室腔自动分割参数，寻找心力衰竭、冠心病疾病亚型，指导临床对不同亚型采取个体化治疗。非监督学习的局限性：主要在于对初始聚类模式的识别存在困难，因此，非监督学习模型需要在多个队列中进行验证。除此之外，其需要手工去除噪音数据，并且需要人工标记数据选择合适的算法。因此，为了获得最佳效果，往往需要非监督学习和监督学习的联合应用。

　　（三）深度学习：深度学习是使用多层ANN模拟人脑的运行，根据输入的数据自动做出预测。应用ANN的深度学习包括：循环神经网络（RNN）、卷积神经网络（CNN）以及深度神经网络（DNN）。深度学习具有强大的图像识别和处理噪声能力，以更高时空分辨率处理人工实时心血管图像，通过整合斑点追踪超声心动图数据，有研究证实机器学习算法能够帮助识别运动员的生理性和病理性心肌肥厚、提高单光子发射计算机断层成像术心肌灌注成像预测阻塞性心脏病发生的能力，自动分析静息状态下冠状动脉CT血管造影下的左心室心肌图像，避免患者经历有创心脏血流储备分数的检测，对川崎病的冠状动脉光学相干断层成像图像的自动分类，心电图异常的检测等。2.深度学习的局限性：其过度拟合可能导致预测效果欠佳。深度学习需要大量的训练数据集，需要各科室与电子病历系统链接之间的紧密联系。此外，深度学习需要具有深度学习能力的设备。另外，多层面深度学习可能增加训练时间，而且建立神经网络同样费时。

　　随着ML方法的成熟，包括卷积神经网络用于图像分类，临床超声心动图数据的累积量增加，给超声心动图人工智能平台的研发提供了充足的机会。在这方面的创新可以通过自动测量、病理特征(瓣膜疾病、局部室壁运动异常、心肌病)的识别在治疗中快速应用，可以改进和标准化目前流程。超声心动图人工智能研究的优势和前景在于识别可能提示亚临床疾病或预后的细微或未被识别的影像学特征。

　　尽管人工智能模型的性能持续改善，但重要的是要承认，人工智能必须克服一些重要的挑战，才能安全地应用于临床实践。与任何模型一样，研发数据的质量和临床特征是必须的参考因素。超声心动图相关的数据数量大且复杂，一个强大的超声心动图人工智能平台将需要对大量研究进行培训和验证，这些研究包括广泛的临床特征、病理特征、超声机器供应商和图像质量等。目前关于超声心动图人工智能的研究通常存在样本规模小、受机构、地理因素、超声心动图机器品牌限制，这就可能存在过度融合和限制平台通用性的风险。此外，目前超声心动图研究很大程度上依赖于人的解释，人在解释和测量方面存在内在的差异性。

　　超声心动图人工智能代表了一个激动人心的机会，它将彻底改变临床实践。经过验证的超声心动人工智能模型将有能力提高质量，进行即时医疗决策，并促进公平获得诊断评价。预计超声心动图人工智能将影响患者诊治，期待相关改善临床结果和成本效益的临床研究。

　　与心脏病学的其他学科不同，人工智能技术已经被纳入心脏核医学的一些常规操作。人工智能算法已被应用于图像处理，允许进行完全自动的单光子发射计算机断层扫描(SPECT)、心肌灌注成像(MPI)运动校正、重建、量化和高水平分析。

　　商业化和美国食品药物管理局批准的图像软件已经纳入正常心肌灌注分布的数据库，为专家读者提供计算机辅助诊断工具，用于识别低灌注心肌。这些类型的自动化，以及机器学习的数字图像数据，以及人工智能算法的SPECT MPI数据，单独使用或者结合临床特点，进一步提高了冠心病诊断的预后判断价值，为是否血运重建提供合理的临床决策依据。

　　在一项单中心研究中，ML算法包含成像变量(通过定量软件进行的静息和压力SPECT的灌注缺失、缺血变化和射血分数变化)在总体患者诊断准确性方面优于单个定量成像参数(86% vs 81%;P＜0.01)。ML算法检测阻塞性CAD的曲线下总面积(AUC) ( 0.92 ± 0.01)也显著高于两个人工读片者(0.87±0.01和0.88 ±0.01; P＜0. 05)。使用不同的数据集，同一组人创建了集成临床和成像变量(由自动化软件生成的总灌注不足[TPD])的人工智能算法。研究证明ML(87.3%±2.1%)的准确性高于一个或者两个专家读片者 (82.1% ±2.2%)或自动TPD (82.8% ±2.2%)。在检测检测阻塞性CAD方面有更高的敏感性。一项1638名参与多中心研究显示：无已知CAD的患者使用SPECT扫描仪也发现与传统相比，深度学习(DL)利用原始和定量的MPI极地图的AUC值均更高。基于这些研究，人工智能算法在预测梗阻性CAD方面比目前的临床方法提高了大约2.5%。其他研究发现一致，与专家医师视觉分析相比，训练有素的神经网络在识别特定冠状动脉狭窄病变引起的低灌注分布方面具有类似的良好性能。

　　在首次MPI扫描后90天内进行相关侵入性血管造影的713例SPECT MPI研究中，人工智能方法也被用于预测疑似CAD患者的早期血运重建。通过ML算法对几个自动衍生的影像学变量和临床参数进行整合，包括性别、高血压和糖尿病史、基线心电图ST段压低、运动心电图和临床变化 (总共33个变量)，以预测血运重建事件。ML预测血流量重建的AUC(0.81±0.02)与单个医生的AUC(0.81±0.02)相近，优于另一个医生的AUC (0.72+0.02; P＜0. 05)。因此，在本研究中，ML在预测MPI后早期血运重建方面与有经验的医生相当或更好。在预后方面，Betancur等人研究了2619例SPECT MPI患者，并将28个临床、17个压力测试和25个成像变量(包括TPD)整合到人工智能算法中来预测主要心脏事件。在超过3.2+0.6年的随访中，他们比较了AUC对以下结果的预测:(1)ML与所有可用数据(ML combined)， (2) ML与仅影像学数据(ML-imaging)，(3) 5分制诊断(内科诊断)，(4)自动化定量成像分析(负荷TPD和缺血性TPD)。他们发现，ML联合组的MACE预测显著高于ML成像组(AUC, 0.81 vs 0.78; P＜0.01)。ML组合模型的预测精度也高于内科诊断、自动压力TPD和自动缺血TPD (AUC，分别为0.81 vs 0.65、0.73和0.71; P＜0.01)。与医生的诊断相比，联合治疗的风险重分类为26% (P＜0.01)。基于他们的研究结果，建议人工智能可以整合临床和影像数据，对接受SPECT MPI的患者进行个性化MACE风险计算。

　　人工智能驱动的结构化报告CDS。人工智能驱动的算法也被纳入了第一个也是唯一一个获得美国食品和药物管理局批准的核成像软件，使用CDS工具和自然语言自动生成报告。该系统集成了超过230条规则、可逆性、功能和患者人口学特征，包括俯卧位与仰卧位、衰减校正与未衰减校正的图像结果以及质量控制数据等额外信息。一项对1000名患者的研究验证了这种人工智能驱动的报告系统检测CAD，结果显示人工智能驱动的结构化报告与9名专家对CAD缺血印象之间一致性没有显著差异。

　　定量工具已经在核心脏病学的实践中常规使用，但结合多种特征和临床数据的更高水平的工具还不普遍。最近的研究表明，在临床实践中有很高的应用潜力。除了精炼和构建研究以提高诊断和预后，即将到来的人工智能在核心脏病学的重点应该包括开发人工智能驱动算法，以帮助临床决策的适宜性测试、选择测试、调度、工作流优先级、协议、报告、和患者管理。这些发展不会取代医生和其他卫生保健专业人员的角色，但将为他们提供高度精确的工具，以更一致的方式检测疾病，风险分层，并优化针对患者的管理。

　　在电生理学中集成AI的几个重要机会包括数据管理(即，如何允许管理大量患者数据)、数据解释(即，如何复杂数据专家解释的大众化)，以及多种模式获取的数据的实时集成。此外，使用人工智能增强的、经济效益获得的电生理学数据(如ECG)的不断发展的发现表明，筛查通常与心电图无关的疾病的能力可能为改善人口健康提供可扩展的机会。

　　目前电生理学的主要争论之一是如何将动态获得的心电图纳入临床实践。一些工具，包括可植入记录仪和面向消费者的智能手机或支持智能手表的心电图设备，在许多情况下，在他们被确定为已知的心血管疾病患者之前，允许对人群进行更具成本效益的筛查。例如，个人可以通过互联网购买自己的心电图设备，记录自己的心电图，然后需要对这些数据进行准确的解释。尽管能够准确和自动解释这些心电图的系统已经得到了改进，但仍然存在假阳性或假阴性的风险。阅读心电图的专业知识被下放到基层医疗机构，使得ECG在获得变得更加方便，初步数据表明，人工智能技术可能进一步改善这些心电图的解读，并为那些需要看医生(包括心脏病专家或电生理学家)的人提供合适的分流。然而，目前还无法在人口水平上评价计算的需要和效力。

　　电生理学的另一个当前问题是如何更好地促进复杂的电生理学数据的解释。例如，QT间期的测量对于识别那些有猝死风险或抗心律失常药物毒性风险的人很重。