1929年夏天的某一日，當(dāng)?shù)聡Ｋ孤t(yī)生將一根橡膠輸尿管導(dǎo)管盲插進自己身體的血管中，或許不曾想到在未來一百年中，除了在診斷中的應(yīng)用外，心導(dǎo)管術(shù)將被廣泛用于心臟、血管的治療，每年惠及的患者數(shù)以千萬計。

從假說形成，到動物實驗，再到人體試驗，在過去二十年，TAVR技術(shù)的發(fā)展經(jīng)歷了漫長的過程。隨著2002年Alain Cribier教授成功開展人類第一臺經(jīng)導(dǎo)管主動脈瓣置換術(shù)（transcatheter aortic valve replacement，TAVR），這一技術(shù)最終成為一種可以顯著改善生活質(zhì)量的成熟治療方式。

CT檢查是TAVR術(shù)前必不可少的醫(yī)學(xué)影像診療技術(shù)，2022年的“經(jīng)導(dǎo)管主動脈瓣置換術(shù)（TAVR）流程優(yōu)化專家共識”也明確指出該術(shù)前影像學(xué)評估的重要性。TAVR術(shù)前CT評估對于篩選解剖適應(yīng)證、制定術(shù)中策略，預(yù)判并規(guī)避風(fēng)險、保障患者安全起到了至關(guān)重要的作用[1]。其新型檢查和診斷的手段，可以讓術(shù)者在對照二維影像進行手術(shù)操作之前充分了解患者的三維解剖結(jié)構(gòu)。對于瓣環(huán)解剖特點、冠脈高度、心室及血管解剖，甚至毗鄰結(jié)構(gòu)的識別，都可以幫助術(shù)者在術(shù)前選擇瓣膜型號大小、制定釋放策略、術(shù)中并發(fā)癥風(fēng)險識別，甚至判斷預(yù)后方面提供必要信息，最終使得手術(shù)的操作更加安全高效[2]。

人工智能（Artificial Intelligence, AI）是計算機科學(xué)的一個領(lǐng)域。基于人工智能的算法能夠以更快、更精確的方式執(zhí)行傳統(tǒng)上由人類執(zhí)行的標(biāo)測任務(wù)，并以更多維度、更清晰直觀的方式進行呈現(xiàn)。

通過AI驅(qū)動的算法對解剖結(jié)構(gòu)進行全自動分割重建、標(biāo)測量化，能夠在數(shù)秒內(nèi)完成TAVR手術(shù)標(biāo)測主動脈瓣環(huán)及其他關(guān)鍵解剖結(jié)構(gòu)等任務(wù)，同時可以保證測量精度的高度一致性和穩(wěn)定性[3]。

AI還可以最大限度減少因測量者經(jīng)驗導(dǎo)致的測量值偏倚和手術(shù)并發(fā)癥風(fēng)險預(yù)測因素誤判，同時幫助術(shù)者在預(yù)測TAVR手術(shù)預(yù)后效果中扮演重要角色[4]。需要強調(diào)，AI對此類手術(shù)規(guī)劃方案的制定和完善可以促進臨床實踐中更廣泛地開展手術(shù)，這對于早期開展、實施頻率較低或者操作人員經(jīng)驗不足的醫(yī)學(xué)中心尤其重要。

建立以患者為中心、安全高效的術(shù)前評估的前提，是將不良事件高風(fēng)險患者與風(fēng)險較低的患者準(zhǔn)確識別并加以更為詳盡的分析，前者將成為更嚴(yán)格、更耗時、更耗費資源的后續(xù)監(jiān)測目標(biāo)。在預(yù)測TAVR、先天性心臟病、冠狀動脈疾病和心力衰竭患者的預(yù)后方面，AI已被證明優(yōu)于經(jīng)典的統(tǒng)計方法[5-8]。同時，因為AI的高效計算能夠同時整合眾多預(yù)測因子，從而成為預(yù)測大量變量及其相互作用因子的工具，“意外”的發(fā)現(xiàn)變量和潛在的新預(yù)測因子，可能會超出我們既有對于臨床治療決策的范疇。隨著TAVR適應(yīng)證的擴大，AI可以更好地支持臨床醫(yī)生評估TAVR預(yù)后，這對于協(xié)助篩選患者并準(zhǔn)確了解患者手術(shù)結(jié)果均至關(guān)重要[9-10]。

五大技術(shù)突破，Tavigator™開啟智慧醫(yī)療TAVR新型臨床診療路徑

在剛剛結(jié)束的第六屆中國結(jié)構(gòu)性心臟病周(中國結(jié)構(gòu)周2022)上，中國醫(yī)學(xué)科學(xué)院阜外醫(yī)院（國家心血管病中心）吳永健教授率領(lǐng)影像分析科研團隊歷經(jīng)5年潛心研究，先后實現(xiàn)了主動脈根部結(jié)構(gòu)多目標(biāo)小尺度像素級影像數(shù)據(jù)標(biāo)注與解剖結(jié)構(gòu)數(shù)據(jù)標(biāo)測、主動脈根部結(jié)構(gòu)三維卷積神經(jīng)網(wǎng)絡(luò)高精度自動分割算法研究、全自動高精度主動脈根部目標(biāo)定位及測量算法開發(fā)、智能化多平面測量算法研究、智能化TAVR手術(shù)風(fēng)險預(yù)測算法研究等五大技術(shù)突破。

吳永健教授團隊與拓微摹心數(shù)據(jù)科技(南京)有限公司合作完成了中國原創(chuàng)經(jīng)導(dǎo)管結(jié)構(gòu)性心臟病診療術(shù)前輔助決策平臺Tavigator™的算法研究、工程開發(fā)、云服務(wù)部署。通過AI技術(shù)助力我國TAVR的發(fā)展，為現(xiàn)代化智慧醫(yī)療特色的TAVR新型臨床診療開辟新路徑。

基于Tavigator™系統(tǒng)，醫(yī)生只需上傳主動脈根部CT影像，無需手工干預(yù)即可完整實現(xiàn)主動脈根部解剖結(jié)構(gòu)全自動分割與三維重建、瓣葉分型、瓣環(huán)及各平面定位測量、冠脈開口高度自動定位測量、瓣環(huán)角度分析、最佳投照角度計算、鈣化定量分析、左心室容積分析、解剖結(jié)構(gòu)風(fēng)險提示、瓣膜自動匹配選型建議、動態(tài)結(jié)構(gòu)化報告生成。完成TAVR主動脈根部全流程精細分析時間僅需一分鐘，速度遠快于臨床醫(yī)生目前行主動脈根部影像分析需要的幾十分鐘。在高性能并行計算系統(tǒng)的加持下，更大程度地提升了影像分析效率，極具科研價值和臨床意義。

二維CT影像與三維主動脈根部模型融合展示

在中國結(jié)構(gòu)周上同時發(fā)布了吳永健教授率領(lǐng)團隊開展的回顧性數(shù)據(jù)初步分析研究結(jié)果。納入阜外醫(yī)院已完成TAVR手術(shù)患者術(shù)前CT影像數(shù)據(jù)219例，數(shù)據(jù)涵蓋多種瓣葉分型（TAV、Type-0 BAV、Type-1 BAV、 Type-2 BAV、FBAV）。人工智能系統(tǒng)與影像核心實驗室低年資醫(yī)生對入組影像序列進行分析，以影像核心實驗室高年資醫(yī)生的術(shù)前測量評估報告為金標(biāo)準(zhǔn)，將瓣環(huán)平面周長導(dǎo)出徑、面積導(dǎo)出徑作為主要指標(biāo)進行對比分析，從而驗證人機一致性。在此基礎(chǔ)上，進一步對不同瓣葉分型、不同鈣化程度的病例進行亞組分析，比較瓣葉分型、鈣化體積對人工智能測量評估結(jié)果的影響。同時，對臨床醫(yī)生手工測量和人工智能系統(tǒng)就主動脈瓣環(huán)定位測量所需耗時進行對比分析。

分析統(tǒng)計結(jié)果顯示，人工智能系統(tǒng)在核心測量指標(biāo)精度上，都表現(xiàn)出與影像核心實驗室高年資醫(yī)生極高的相關(guān)性，且優(yōu)于低年資核心實驗室醫(yī)生的測量結(jié)果；人工智能系統(tǒng)可進行準(zhǔn)確的瓣葉分型，且不同分型瓣葉術(shù)前影像在核心測量結(jié)果上，均表現(xiàn)出與影像核心實驗室高年資醫(yī)生極高的相關(guān)性和穩(wěn)定性；同時，人工智能系統(tǒng)也表現(xiàn)出極強的魯棒性和良好的數(shù)據(jù)泛化能力；此外，人工智能在確保分析精度的同時，分析效率顯著高于手動分析。

高年資醫(yī)生定位測量瓣環(huán)的結(jié)果（左）人工智能定位測量瓣環(huán)的結(jié)果（右）

人機一致性對照測試研究—基于219例TAVR手術(shù)病患術(shù)前CT影像樣本

周長導(dǎo)出徑研究結(jié)果：人工智能測量 優(yōu)于 低年資醫(yī)生 

(周長導(dǎo)出徑r: 0.9741>0.9373)

面積導(dǎo)出徑研究結(jié)果：人工智能測量 優(yōu)于 低年資醫(yī)生 

(面積導(dǎo)出徑r: 0.9320>0.7506)

人工智能系統(tǒng)在不同瓣葉分型的病例上均表現(xiàn)出與高年資醫(yī)生測量結(jié)果極高的相關(guān)性和穩(wěn)定性

人工智能系統(tǒng)在分析高鈣化病例中表現(xiàn)出與高年資醫(yī)生較高的相關(guān)性和穩(wěn)定性

中國結(jié)構(gòu)周期間，研究者應(yīng)用Tavigator™系統(tǒng)對一例外科手術(shù)中危的主動脈瓣功能性二葉瓣畸形患者進行了TAVR術(shù)前評估對比分析。Tavigator™系統(tǒng)僅用時1分鐘即完成了病例主動脈根部測量評估，而采用傳統(tǒng)專業(yè)工具軟件影像核心實驗室醫(yī)生需要鼠標(biāo)點擊約1500次，鍵盤敲擊700余次，鼠標(biāo)移動距離累計100余米，總耗時接近40分鐘。以瓣膜選型最重要的依據(jù)瓣環(huán)周長圓化導(dǎo)出直徑為例，AI測量的結(jié)果20.98mm，與專家測量的20.8mm只存在細微差別。通過AI對主動脈根部解剖結(jié)構(gòu)的測量分析，結(jié)合CT原始影像、術(shù)者經(jīng)驗建立數(shù)據(jù)集，進行人工智能模型訓(xùn)練，可以實現(xiàn)近乎接近經(jīng)驗豐富術(shù)者的風(fēng)險預(yù)測結(jié)果。該病例不僅體現(xiàn)了Tavigator™數(shù)據(jù)測量在臨床運用中的可靠性，同時在基于解剖結(jié)構(gòu)進行風(fēng)險預(yù)測的想象空間也得以充分體現(xiàn)。對于很多正在開展或者即將開展TAVR手術(shù)的中心來說，不僅可以節(jié)約大量的臨床醫(yī)生工作時間，同時對于提升TAVR手術(shù)認(rèn)知、判別解剖結(jié)構(gòu)中所蘊藏的潛在風(fēng)險、規(guī)劃手術(shù)、改善手術(shù)預(yù)后也意義巨大。

專家說

AI在TAVR中應(yīng)用目的是簡化工作流程提高分析效率、提升分析精度和一致性、以更多樣更豐富的視角呈現(xiàn)CT影像背后的數(shù)據(jù)世界，它為臨床工作者創(chuàng)造更多的時間用于人類更擅長、更有意義和價值的任務(wù)。將AI穩(wěn)步納入臨床決策支持系統(tǒng)，意味著首先需要建立并充分驗證算法的健壯性，同時需要對新型AI算法的驗證進行具體規(guī)定以及標(biāo)準(zhǔn)化。還需要對所有臨床工作者進行持續(xù)培訓(xùn)、教育和宣傳，以克服疑慮和猜疑，以便醫(yī)療服務(wù)提供者可以實時使用這些算法，而不會對日常工作造成繁瑣的改變。同時證明AI算法相對于“傳統(tǒng)”臨床實踐的優(yōu)勢和成本效益的研究刻不容緩。Tavigator™的出現(xiàn)未來必將助力我國TAVR技術(shù)大發(fā)展、TAVR臨床大進步、TAVR產(chǎn)業(yè)大升級、TAVR患者大獲益。

中國醫(yī)學(xué)科學(xué)院阜外醫(yī)院吳永健教授：隨著全球新一輪科技革命和產(chǎn)業(yè)變革孕育興起，AI數(shù)字技術(shù)加速演進，已成為驅(qū)動新一輪科技革命和產(chǎn)業(yè)變革的重要力量。作為人工智能賦能結(jié)構(gòu)性心臟病臨床診療的本土化創(chuàng)新的重要嘗試，Tavigator™未來還有很長的路要走。在優(yōu)化精度、完善功能、提升性能的同時，更要著力基于此技術(shù)開展大規(guī)模前瞻性隊列研究以驗證模型信度及效度，并基于此逐步演進形成具有現(xiàn)代化智慧醫(yī)療特色的TAVR新型臨床診療路徑，在臨床經(jīng)驗、大數(shù)據(jù)、人工智能和高性能計算的“四輪驅(qū)動”下，最終實現(xiàn)臨床、科技、產(chǎn)業(yè)的全面融合。未來不僅在TAVR， 在二尖瓣、三尖瓣，以及其他結(jié)構(gòu)性心臟病中，將建立自己的手術(shù)規(guī)劃標(biāo)準(zhǔn)，并且最終向全球輸出中國經(jīng)驗。

四川大學(xué)華西醫(yī)院郭應(yīng)強教授：近年來，得益于深度學(xué)習(xí)等算法的突破、算力的不斷提升以及海量數(shù)據(jù)的持續(xù)積累，人工智能真正大范圍地從實驗室研究走向產(chǎn)業(yè)和臨床實踐。AI對心血管研究和實踐產(chǎn)生了重大影響。在結(jié)構(gòu)性心臟病領(lǐng)域，對心臟解剖結(jié)構(gòu)的掌握一直是外科醫(yī)生包括目前介入醫(yī)生最重要的工作。Tavigator™代表了新技術(shù)在醫(yī)學(xué)領(lǐng)域應(yīng)用的方向，為醫(yī)療大數(shù)據(jù)的處理和挖掘提供了新的可能，讓熟練醫(yī)生判斷更準(zhǔn)，讓初學(xué)醫(yī)生學(xué)習(xí)更快，助力TAVR技術(shù)在世界的推廣和普及。

空軍軍醫(yī)大學(xué)西京醫(yī)院楊劍教授：AI技術(shù)能夠從大量的臨床數(shù)據(jù)中解讀出極為復(fù)雜的內(nèi)在規(guī)律，在醫(yī)療行業(yè)應(yīng)用前景廣闊。結(jié)構(gòu)性心臟病領(lǐng)域涉及大量臨床數(shù)據(jù)參數(shù)，3D結(jié)構(gòu)可視化未達標(biāo)準(zhǔn)，4D生理機能在不同年齡、性別、種族的患者間存在顯著差異。而AI技術(shù)可以有效解決上述問題，在提高患者醫(yī)療服務(wù)質(zhì)量的同時降低醫(yī)療費用。AI模擬、超現(xiàn)實主義在醫(yī)療器械培訓(xùn)中的應(yīng)用、個體化解剖模型打印都將促進精準(zhǔn)醫(yī)療的發(fā)展，并可能成為未來新技術(shù)蓬勃發(fā)展的基礎(chǔ)。

德意志心臟中心Ruediger Lange教授：很高興看到來自中國的人工智能技術(shù)與臨床應(yīng)用的完美結(jié)合。到目前為止，大多數(shù)相關(guān)證據(jù)來自缺乏不同人群驗證的單中心研究，算法再現(xiàn)性的問題應(yīng)該引起重視。非常期待TavigatorTM在德國包括全世界應(yīng)用的那一天。

*參考資料

1. 經(jīng)導(dǎo)管主動脈瓣置換術(shù)流程優(yōu)化共識專家組. 經(jīng)導(dǎo)管主動脈瓣置換術(shù)（TAVR）流程優(yōu)化專家共識2022版[J].中華急診醫(yī)學(xué)雜志, 2022,31(2).DOI: 10.3760/cma.j.issn.1671-0282.2022.02.004.

2. 郭帥,張斌,吳永健.經(jīng)導(dǎo)管主動脈瓣置換術(shù)的最新進展[J].中國醫(yī)刊.2020,(1).DOI:10.3969/j.issn.1008-1070.2020.01.002.

3. Astudillo P , Mortier P , Bosmans J , De Backer O , de Jaegere P , Iannaccone F , et al. Automatic detection of the aortic annular plane and coronary Ostia from multidetector computed tomography. Interv Cardiol 2020;2020:9843275.

4. El Faquir N , De Backer O , Bosmans J , Rudolph T , Buzzatti N , Bieliauskas G , et al. Patient-specific computer simulation in TAVR with the self-expanding Evolut R valve. JACC Cardiovasc Interv 2020;13(15):1803–12.

5. Hernandez-Suarez DF , Kim Y , Villablanca P , Gupta T , Wiley J , Nieves-Ro- driguez BG , et al. Machine learning prediction models for in-hospital mor- tality after transcatheter aortic valve replacement. JACC Cardiovasc Interv 2019;12(14):1328–38.

6. Diller GP , Kempny A , Babu-Narayan SV , Henrichs M , Brida M , Uebing A , et al. Machine learning algorithms estimating prognosis and guiding therapy in adult congenital heart disease: data from a single centre including 10 019 patients. Eur Heart J 2019;40(13):1069–77.

7. Zack CJ , Senecal C , Kinar Y , Metzger Y , Bar-Sinai Y , Widmer RJ , et al. Leveraging machine learning techniques to forecast patient prognosis after percutaneous coronary intervention. JACC Cardiovasc Interv 2019;12(14):1304–11.

8. Angraal S , Mortazavi BJ , Gupta A , Khera R , Ahmad T , Desai NR , et al. Machine learning prediction of mortality and hospitalization in heart failure with pre- served ejection fraction. JACC Heart Fail 2019 pii: S2213-1779(19)30541-4.

9. Lopes, R.R.; van Mourik, M.S.; Schaft, E.V.; Ramos, L.A.; Baan, J.; Vendrik, J.; et al. Value of machine learning in predicting TAVI outcomes. Neth. Heart J. 2019, 27, 443–450.

10. Penso M, Pepi M, Fusini L, Muratori M, Cefalù C, Mantegazza V, et al. Predicting Long-Term Mortality in TAVI Patients Using Machine Learning Techniques. J Cardiovasc Dev Dis. 2021 Apr 16;8(4):44. doi: 10.3390/jcdd8040044. PMID: 33923465; PMCID: PMC8072967.

*封面圖片來源：123rf