人工智能在血栓栓塞性疾病中的应用进展

徐艳华（Xu Yanhua），张玉泉（Zhang Yuquan）

南通大学附属医院妇产科；南通大学医学院，南通 226001；

血栓栓塞性疾病是一种常见的血管疾病，按血栓发生部位可分为动脉血栓栓塞（arterial thromboembolism，ATE）和静脉血栓栓塞（venous thromboembolism，VTE）。其中，动脉血栓栓塞性疾病又包括动脉缺血发作、脑卒中、房颤和急性冠状动脉综合征（acute coronary syndrome，ACS）。静脉血栓栓塞性疾病包括深静脉血栓（deep vein thrombosis，DVT）及肺栓塞（pulmonary embolism，PE）［1］。血栓栓塞性疾病发病机制复杂，且具有高隐匿性、高发病率［2］、高致死率［3-4］等特点，部分病人有效治疗后仍可能遗留血栓后综合征（postthrombotic syndrome，PTS）［5］，严重影响患者生活质量。因此，深入研究其发病机制，及时准确诊断，改进其治疗方案具有重要临床意义。人工智能（artificial intelligence，AI）在血栓栓塞性疾病的发病机制、风险预测、辅助诊断、治疗等领域逐步应用［6］，本文就其应用现状进行综述。

1 AI发展历史及核心技术

1956 年，以约翰·麦卡锡为代表的科学家在达特茅斯大学研讨会上首次提出“人工智能”一词，并制定了发展路线和发展目标［7］。然而，新事物的诞生总是螺旋式上升，波浪式前进，人工智能的发展亦是如此。自提出后，人工智能先后经历过三次浪潮：符号主义（始于上世纪50年代），连接主义（始于上世纪80 年代），以及深度学习（始于2010 年代）［8-9］。前两次浪潮都经历过低谷，但是以深度学习为代表的第三次浪潮由于充分利用了大数据和云计算等技术，尤其是最近几年以生成式AI（ChatGPT 等）为代表的兴起，取得了远超之前的成果［10-11］。科学家预测，人工智能将开启人类第四次工业革命的新篇章。

AI 是一门交叉前沿学科，涉及数学、计算机科学、哲学、认知心理学、信息论［12］。通过识别语音、图像模仿或类人类大脑功能完成各种任务，解决一些复杂问题［13］。实现人工智能的核心技术包括大数据管理和信息挖掘、模式识别、图像处理和机器学习等。AI 技术常见研究方法包括统计学习算法和深度学习算法两大类。统计学习算法包括提取数据特征、建立数学模型、对数据进行分类和预测［14］。常用统计学习算法包括线性回归、贝叶斯、支持向量机、决策树、概率图模型、最大期望算法等。深度学习（deep learning，DL）是机器学习的一个子集，具有强大学习能力，其多层神经网络结构用于模拟人脑神经元，从海量数据中获取有效信息，从而进行数据分类和预测算法。

目前，AI 与临床数据建模相结合，能为疾病发展提供快速、简便、准确、高效的早期筛查、危险因素分析、精确诊断、准确决策和预后等方法，已在医学众多领域发挥极其重要的作用。未来，在临床各领域的深入应用也是医学发展的必然趋势［15-16］。

2 AI在血栓栓塞性疾病中的应用

2.1 AI在VTE风险评估方面的应用

传统VTE 风险评估由医护人员根据患者病情进行人工评估，由于存在主观因素，假阳性率高且特异度低。胡龙军、孟岩等人［17-18］基于自然语言对院内多元系统数据进行结构化处理，通过机器学习方法，综合已有量表指标，制定了VTE 风险评估模型，结果显示VTE 智能评估与辅助决策系统在多方面起到重要作用，例如：提升患者VTE 风险预警能力、规范临床诊疗行为、降低医院VTE 发生风险、提高医院整体管理水平等。朱一新等人［19］将智能VTE 质控系统嵌入医生工作站，利用新技术提取病历中VTE 风险因素并自动计算分值、评估风险和推送防治建议，减少了院内VTE 发生率。高远等人［20］收集15 856 例骨折手术患者资料，选择4 种常用算法构建VTE 风险预测模型，对各VTE 人工智能预测模型的重要特征分析表明，随机森林（random forest，RF）模型在创伤患者VTE 风险预测中的精确度最高，为制订VTE 预防策略提供了参考依据。Wang等人［21］回顾性分析了4 年间接受初次膝关节/髋关节置换术的患者术后双下肢静脉超声检查的数据，结果发现，机器学习模型可以帮助预测膝/髋关节置换术后深静脉血栓形成的风险。

总之，通过系统进行风险评估和预测，减轻了医护人员工作量，更为重要的是能够达到同质性，提高了评估和预测质量。另外，系统早期识别高危患者后指导规范治疗及远期随访管理，能够降低不良事件发生率，避免了医疗资源的浪费。

2.2 AI在血栓影像方面的应用

在血栓诊断过程中，MRI、CT、B 超等成像技术应用广泛。血栓病变部位影像学信息为临床医师提供重要诊断依据。随着成像技术的普及和持续发展，大量医学图像需要进行合理高效地管理，正确提取其中可以帮助诊断和治疗的有效信息，辅助筛查、诊断和治疗，成为研究人员关注的热点。AI技术在图像识别等领域已经达到了媲美人类的水平，将其引入医学影像诊断，用于辅助人工诊断具有广泛的应用场景，能够极大地提高识别准确率和效率。Wang 等人［22］进行了一项荟萃分析，以评估AI 在预测和诊断静脉血栓形成中的作用。结果发现，人工智能能提高灵敏度、特异度和ROC 曲线下面积值，有助于静脉血栓形成的诊断和预测，表明人工智能具有重要的临床价值。

2.2.1 磁共振成像（magnetic resonance imaging，MRI） MRI 无创并且辐射少，在血栓诊断中备受青睐。而造影剂增强型MRI（contrast-enhanced MRI，CE-MRI）显示病灶速度快，血栓部位因造影剂填充显示得更清楚，有研究者建议将CE-MRI 作为VTE标准化影像学检查［23］。在CE-MRI 中，准确分割血栓，确定血栓的范围和体积在其诊断和治疗中尤其重要。但是，手动描绘血栓体积耗时费力，而且存在一定的主观性。AI 助力于全自动分割，在自动化方法中，机器学习（machine learning，ML）特别是深度学习，显示出巨大潜力，一些自动分割方法已应用于下肢血管分割［24］。Huang 等人［25］采集58 例患者CE-MRI 切片5 388 张，由两位经验丰富的放射科医生使用ITK-SNAP软件手动勾勒血栓范围，通过卷积神经网络（convolutional neural network，CNN）模型提取MRI图像特征信息，经过测试集与训练集后发现CNN模型在CE-MRI图像切片中执行分割任务仅需要1.5 s。Sun等人［26］从三个中心获得110名受试者图像，由两位经验丰富的放射科医生使用DANTE-SPACE和DANTE-FLASH 两种不同“黑血”MR技术，手动绘制每个静脉血栓轮廓，基于生成对抗网络（generative adversarial network，GAN）的深度学习网络自动分割静脉血栓，并与现有的3D U-Net、V-Net 和Cascade nnU-Net 医学图像分割模型进行比较，结果发现GAN 网络模型生成的分割结果与真实世界相吻合。相比于手动描绘血栓，MRI 在AI 辅助下的分割速度更快，可替代性强，有利于临床医生快速客观地评估DVT。

2.2.2 CT CT 静脉成像（computed tomography venography，CTV）主要用于下肢主干静脉或下腔静脉血栓的诊断。非增强CT（noncontrast computed tomography，NCCT）上高密度动脉征（hyperdense middle cerebral artery sign，HAS）提示急性缺血性卒中患者的大血管闭塞（large vessel occlusion，LVO）有助于识别潜在大血管闭塞患者。Weyland等人［27］将两名放射科医生和人工智能驱动的算法（Brainomix®）对154 名经CT 血管造影（computed tomography angiography，CTA）证实的LVO 患者的CT 影像进行独立评估，结果发现自动估计的血栓长度与基于CTA 的参考标准一致，且证明通过测试软件自动检测HAS和估计NCCT上的血栓长度可行性，与经验丰富的神经放射科医生水平相当。Wang等人［28］回顾了340名伴有腔内血栓形成（intraluminal thrombus，ILT）的腹主动脉瘤（abdominal aortic aneurysm，AAA）患者术前计算机断层扫描血管造影（CTA）图像，使用MATLAB 对图像进行预处理，ITKSNAP 软件绘制AAA 和ILT感兴趣区域（region of interest，ROI），建立深度卷积神经网络模型（deep convolutional neural network，DCNN）。通过训练和测试，DCNN 模型在测试集中实现了理想的预测性能，证明DCNN 模型可用作术前CTA 图像中腹主动脉血栓全自动分割的有效辅助工具。血栓影像学特征与卒中患者的治疗成功率和功能结局相关，Mojtahedi 等人［29］使用卒中患者多中心数据集，训练了基于双模态U-Net 的卷积神经网络来分割该边界框内的血栓，结果发现具有加权和特征融合的双编码器U-Net 表现出最佳性能。这些研究结果表明，通过构建模型，AI 可以基于CT影像自动评估和分割血栓、测量血栓长度，成为一种有效辅助工具。

肺栓塞误诊率和漏诊率均较高，快速诊断和及时治疗至关重要。胸部CT 肺动脉造影（chest CT pulmonary angiography，CTPA）是PE 诊断的金标准。深度学习使用CTPA 识别PE 有助于优先处理危重病例并加快对高危患者的诊断。Islam 等人［30］比较了使用深度学习方法CTPA 诊断PE 效能，将卷积神经网络与视觉转换器进行比较，并将自我监督学习（self-supervised learning，SSL）与监督学习进行对比，然后将迁移学习与从头开始的训练进行比较；在测试集，将传统分类与多实例学习（multiple instance learning，MIL）进行比较，结果表明，与现有技术相比，ROC 曲线下的面积（area under Curve，AUC）均增加，表明深度学习方法能显著提高PE 诊断效能。Ma 等人［31］提出一种两阶段多任务学习方法识别PE 的存在及其特征，在RSNA-STR 肺栓塞CT 数据集上进行训练，AUC 达到0.93，灵敏度为0.86，特异性为0.85；与放射科医生相比，敏感性为0.67～0.87，特异性为0.89～0.99。可以看出，AI 结合CTPA，除获得理想的PE 检测性能外，还可以预测PE和现有病例的其他特征，有望应用于PE诊断。

抗凝剂是静脉血栓的治疗方法之一，然而，部分患者不能耐受抗凝治疗，推荐放置下腔静脉滤器（inferior vena cava filter，IVCF）以降低肺栓塞的风险。IVCF 是暂时的，IVCF 延迟取出可能导致滤器移位、腔内血栓形成、过滤器断等严重并发症，不仅如此，这些并发症发生风险随着停留时间的延长而增加［32-33］。Gomes 等人［34］开发了一种从CT 扫描切片中分割IVCF 的深度学习模型，该模型在372 个CT扫描切片上训练的Dice 得分为0.82，将分割模型与CT 扫描标记为IVCF 的预测有无算法整合，利用分割模型的预测算法在扫描中检测IVCF 的准确率为92.22%。这项研究表明，深度学习方法在全自动分割CT图像上准确定位IVCF快速、有效且稳定；从空间上来说，具有较高精确度，可用于准确定位IVCF，能大大减轻放射科医生工作负担。

2.2.3 B 超 下肢血管加压超声检查（compression ultrasound，CUS）具有较高的敏感性和准确性，是目前最常用的诊断下肢静脉血栓的无创检查。AI 作为一种新兴技术，能帮助医生更快更准确地判读超声影像。Kainz 等人［35］用255 名志愿者的超声视频训练深度学习算法，并对来自NHS DVT 诊断诊所的53 名前瞻性入组患者和来自德国DVT 诊所的30 名前瞻性入组患者的样本进行评估，与临床金标准相比，算法DVT 诊断性能在95%CI 范围内的灵敏度（0.82～0.94）、特异性（0.70～0.82）、阳性预测值（0.65～0.89）和阴性预测值（0.99～1.00）；另外，为了评估该技术在医疗保健中的潜在价值，将此方法加入到DVT 临床途径，分析成本发现可以获得净临床受益。除此之外，构建模型后AI能够协助进行远程诊断，缩短诊断时间。随着通信技术的不断发展，5G 助力远程超声，为远程超声机器人、多学科会诊和院前急救提供技术支持，可以低延时、高速率、实时动态传输高清影像数据以及保证远程超声机械臂的高敏感度［36］。2020 年初，新型冠状病毒感染暴发的危急时期，通过远程超声诊断系统成功评估1 例隔离病房新型冠状病毒感染患者的肺部炎症程度及心肺功能，整个操作过程顺利，耗时25 min。未来，远程超声结合现代AI 技术，将进一步推动超声医学的发展［37］。

2.3 AI在血栓栓塞性疾病药理研究、医药研发方面的应用

血管壁内皮损伤、血液成分异常、血流淤滞是VTE 发病的基础。从微观上来看，血栓形成是在空间和时间上发生的复杂的生物过程，是抗凝血因子和血凝块血流动力学综合作用的结果。血小板是血液中的无核细胞，在原发性止血中起着关键作用，可防止血管损伤导致的失血。在动态的凝血过程中，血小板结合并激活胶原蛋白同时释放自分泌因子，如ADP 和血栓素，而受损血管壁上的组织因子（tissue factor，TF）会导致局部凝血酶的产生。目前VTE 的治疗主要包括物理、抗凝、溶栓和放置下腔静脉滤器。由于凝血动力学和血流影响的个体间差异，选择最有效的抗凝剂和适当的给药方案仍然是一个复杂的问题。快速评估患者对抗凝治疗的特异性反应将有助于临床决策并确保有效管理凝血患者。基于这些原理，Lu等人［38］模拟特定患者的血栓形成开发一种模型，该模型准确地预测了凝块形态和动态变化，此外，针对血小板环氧合酶-1等受体调节剂，准确模拟了TF/胶原蛋白上的凝血，在血流动力学和药理学条件下对患者进行血栓形成的特异性模拟，有助于评估药理学选择并更好预测血栓。Zhou 等人［39］则提出了一种根据激动剂类型进行分类的智能方法，它基于流式细胞术，使用图像数据训练卷积神经网络，能识别和区分由不同类型的激动剂激活的血小板聚集体细微但可观察的形态特征。Bouchnita 等人［40］扩展了先前开发的模型，使用数据集来训练人工神经网络（artificial neural network，ANN），探索了抗凝治疗下凝血酶生成和血栓形成的时空动态，快速预测患者对抗凝治疗方案的特异性反应，准确度高达96%。可以看出，AI 技术可以对病人数据进行“元学习”，通过AI挖掘血栓形成背后驱动因素的信息可以帮助我们更好地了解血栓形成的动态过程，有望为血栓栓塞性疾病的临床诊断、药理学和治疗学打开一个全新的窗口。

3 挑战及展望

3.1 挑战

AI 作为一把双刃剑，在真正走向广泛临床应用的过程中，仍面临一些问题。其局限性表现在：①编写算法的工程师可能将个人对于疾病的理解代入算法中，一旦工程师存在理解不足或偏见，结果将产生偏颇，导致疾病诊断的错误［41-42］；②某些算法可能仅适用于特定的数据类型，对训练数据进行模型的过度拟合，也会导致模型出现偏移［43-45］；③在自动量化系统中，图像质量、图像分割错误以及功能量化误差均会影响模型预测结果；④医疗数据质量参差不齐和部分数据缺失严重、医学术语表述多样化等导致数据汇聚、挖掘和利用困难［46-48］；⑤数据共享存在知识产权和患者隐私等问题，相关伦理、法律问题尚不明确［49-50］；⑥常规医疗过程是面对面的诊疗，更能体现人文关怀，目前AI尚不可及［51］。

3.2 展望

尽管存在许多尚未解决的问题，但通过前后出台的一系列相关政策，我们仍应该看到AI在血栓栓塞性疾病诊疗中的光明前景。2017 年7 月，在国务院《新一代人工智能发展规划》《关于促进“互联网+医疗健康”发展的意见》等政策性文件的大力支持下，人工智能已经上升到国家战略层面，旨在构筑先发优势，把握科技革命战略主动性［8］。我国人口众多，拥有海量的医疗数据库，国家正在筹备医学图像数据库，为以后AI研究和大数据分析提供丰富的数据资源。此外，随着医学影像AI行业标准的制定，将促进更多AI 产品转化落地，有望改善常规诊疗模式，加快诊疗进程。

4 小结

AI 及人所不能及，在血栓栓塞性疾病的风险评估、辅助诊断、药理研究、药物研发中带来了全新的视角。AI 的智慧从不在于如何超越人类，不管是人还是机器，都是在自我提升和相互学习中成长。面对方兴未艾的前景和史无前例的挑战，我们应理性认识、正确面对。ChatGPT 是人工智能领域的里程碑事件，其出现标志着人工智能从理解数据到生成数据的转变，实现了从机器感知到机器创造的飞跃。相信，在ChatGPT的推动下，人工智能技术在医学领域中将得到更加广泛的应用，我们也一定能够不断地将人工智能技术新进展应用到血栓诊疗等医疗卫生领域，不断谱写医疗科技发展新篇章。

作者贡献声明徐艳华负责文献检索及全文撰写；张玉泉负责审校

利益冲突所有作者均声明不存在利益冲突