正 文
自20世纪50年代伊始，人工智能（artificial intelligence，AI）技术历经3次浪潮，已取得长足发展。目前，以ChatGPT为代表的深度学习技术正在全面改变人类社会的生产与生活。为医疗领域尤其是心血管疾病的诊疗带来了更多的创新与挑战 ［ 1 ］ 。
近年来，AI技术应用于心血管领域的文章发表量迅速增加 ［ 2 ］ ，一面立足于心电图、超声心动图、血管成像、磁共振等检查手段，发掘其更大的诊断和预测价值；一面从疾病出发，尝试进行多模态信息体系构建，实现智能化的早期筛查与综合诊疗。本文旨在阐述AI技术助力心血管疾病诊疗的进展，并探讨其意义、挑战及未来发展。
一、AI赋能心血管诊断技术拓展疾病预测与诊断能力
1.AI赋能后的心电图拥有了更广泛的预测与诊断能力：心电图是心血管疾病诊疗的常规和基础检查，最初的机器学习聚焦于心电图的诊断能力，尝试通过算法的不断改善与演化，持续提高心律失常、心肌梗死等常见疾病诊断的准确性。而深度学习技术的应用实现了基于可穿戴式设备采集的海量数据进行实时诊断。然而，目前可穿戴式设备采集的单导联数据有很大的局限性，解决的主要是节律诊断，对于心肌缺血定位等的诊断和预测能力有限。基于12导联心电图的智能算法展现出了更广泛的诊断能力，Attia等 ［ 3 ］ 基于12导联心电图数据库应用卷积神经网络技术建立了心房颤动的预测模型，发现多次检查心电图可以进一步将预测心房颤动的敏感度、特异度提高。此后，该团队使用9万余例患者的心电图与经胸超声心动图数据，采用卷积神经网络技术建立预测模型，以实现应用心电图来预测左心室射血分数≤35%的患者，预测的敏感度和特异度可分别达到86.3%、85.7%，受试者工作特征曲线下面积（area under the curve， AUC）为0.93 ［ 4 ］ 。
目前，AI技术在心电图的应用逐步向预测价值延伸。Valente Silva等 ［ 5 ］ 展示并验证了一种基于AI技术和心电图的高特异性肺栓塞预测模型，为医师急诊接诊提供有效辅助。Hirota等 ［ 6 ］ 构建了一种深度学习算法，使用从12导联静息心电图获得的参数成功预测无结构性心脏病患者的全因死亡和心血管疾病死亡。
2.AI赋能使心血管影像技术诊断能力不断提升：心血管影像在心血管疾病的诊断中具有重要意义。超声心动图、冠状动脉CT血管成像（computed tomography angiography，CTA）、心脏磁共振（cardiac magnetic resonance，CMR）及核素相关的心肌灌注显像等都可以在AI加持下创造更多可能。AI技术的运用不仅提高了诊断准确性和效率、减少了医师的个体认知差异，还可实现对潜在异常的探索以及相似疾病的鉴别等。
超声心动图临床应用广泛，诸多研究聚焦于其结果准确性的提升，如Ouyang等 ［ 7 ］ 借助深度学习基于动态超声心动图构建了射血分数计算模型，其准确性和可靠性均较专家更优。对于超声心动图不易鉴别的疾病，AI也可提供帮助，如Laumer等 ［ 8 ］ 在一项队列研究中对比了Takotsubo患者和急性心肌梗死患者的经胸超声心动图，证实深度学习技术对疾病分类的准确性较专家更高。同样，AI也在拓展普通超声心动图的诊断边界，以求建立更便捷的临床诊疗方案，如Pieszko等 ［ 9 ］ 使用AI对经胸超声心动图进行分析，可较为准确地预测左心耳血栓，协助医师更好地确认需接受经食道超声心动图检查的人群。
冠状动脉CTA可有效排除冠心病，但钙化病变对CTA成像影响较大，经验不足的医师可能会高估相应血管的狭窄程度，导致非必要的侵入操作。多项研究将深度学习技术引入CTA影像分析中，以血流储备分数（fractional flow reserve，FFR）为金标准构建CTA-FFR的预测模型，极大地提高了CTA检测钙化病变的敏感度和特异度，如Griffin等 ［ 10 ］ 使用AI回顾性分析冠状动脉CTA影像，诊断结果与FFR、定量冠状动脉造影等介入方法一致，能够快速、准确地识别或排除重度狭窄。在同位素心肌灌注成像中，有研究证实应用卷积神经网络等技术可以精确地处理图像信息、识别冠状动脉缺血，为放射影像医师和临床医师提供更好的辅助 ［ 11 ］ 。
CMR成像方式复杂，阅片时间长，对医师的技术及耐心有较高要求，Bai等 ［ 12 ］ 使用特殊结构的卷积神经网络实现CMR的像素级分割，在4 875名受试者的93 500份标记的CMR图像中自动分割左、右心室及心房，精确度与专家类似。Zhang等 ［ 13 ］ 提出了一种基于CMR放射组学特征的随机森林预测模型，可以更准确地对肥厚型心肌病和扩张型心肌病进行分类诊断。
二、AI技术可使心血管疾病诊疗更为精准
1.AI技术在高血压诊疗中的应用：全球高血压患病人群约有十亿以上 ［ 14 ］ ，尽早诊断与有效控制血压始终是高血压诊治的重要挑战。AI技术已被广泛用于高血压的预防、预测、诊断、管理和治疗、效果评价等。以López-Martínez等 ［ 15 ］ 的研究为例，该研究基于大型临床数据集（24 434名研究对象），应用神经网络技术根据人群的年龄、性别、种族、体重指数、吸烟等基础信息，即可完成对高血压患者较为准确的识别（ AUC为0.77）。对于临床不易发现的隐匿性高血压，Soh等 ［ 16 ］ 借助k近邻算法对心电图等信息进行分析，诊断准确率可达97.70%。
AI技术也可用于对不良预后的危险分层，为年轻患者的早期干预提供指导，如Herzog等 ［ 17 ］ 训练的深度神经网络模型，在预测降压治疗成功方面显示出较高的准确性，对提前判断降压方案有效性、调整降压药物具有重要意义。同时，可穿戴设备的广泛应用使得AI系统可以借助光电容积脉搏图信号持续监测血压 ［ 18 ］ ，尽管其可靠性、稳定性仍有待提升，但已经推开了高血压精准监测与实时管理的大门。
2.AI技术在缺血性心脏病诊疗中的应用：在缺血性心脏病领域，AI技术可以用于冠状动脉疾病的预防 ［ 19 ］ 、早期诊断 ［ 20 , 21 ］ 、并发症与死亡率预测 ［ 22 , 23 , 24 ］ 等各类场景。在缺血性心脏疾病总体预测上，AI技术除了提升传统危险因素的预测准确性，亦可以提示非传统因素的临床意义。如Azdaki ［ 25 ］ 通过人工神经网络技术发现，焦虑、疾病接纳程度、受教育程度和性别是AI预测缺血性心肌病模型中最重要的4个因素。
大量AI研究聚焦于急性心肌梗死。首先，在早期诊断方面，Zhao等 ［ 20 ］ 、Liu等 ［ 24 ］ 、Cho等 ［ 26 ］ 均利用AI技术（深度学习等）基于心电图和临床信息，实现了对心肌梗死更迅速、更精准的诊断。其次，在住院期间不良事件评估方面，Alkhamis等 ［ 27 ］ 证明了随机森林和极端梯度增强算法的预测能力显著优于传统的逻辑回归模型，并提出左心室射血分数是最重要的预测因子；进一步针对30 d内发生的不良事件，构建了有效的预测模型。在急性心肌梗死后心原性休克的预测中，Bai等 ［ 28 ］ 对比了5种机器学习方法的预测价值，发现最小绝对收缩和选择算子模型的预测效果最好（ AUC超过0.82），可以准确预测ST段抬高型心肌梗死患者院内心原性休克风险。最后，关于远期转归，Kasim等 ［ 23 ］ 开发的机器学习模型可以借助患者个体特征，完成远期（1年）死亡的预测（ AUC为0.81），其中的关键特征包括年龄、Killip分级、心率和低分子肝素应用，准确程度超过了TIMI评分。这些关键特征的提出，为临床诊疗工作的改善奠定了基础。AI技术赋能后也使一些不可能成为现实，如郑哲团队运用5 796例患者的面部特征通过卷积神经网络技术建立了诊断模型，以1 013例择期接受冠状动脉造影或CTA检查的患者作为测试组进行验证，证实了基于面部照片的冠心病检测算法准确度明显高于Diamond-Forrester模型和冠心病联盟临床评分 ［ 29 ］ 。
3.AI技术在心律失常和心原性猝死诊疗中的应用：心房颤动是最常见的心律失常之一。AI技术在心房颤动方面的研究从提高心电图的诊断准确性伊始 ［ 30 ］ ，逐步发展到了心房颤动的预测。来自梅奥诊所的研究团队在基于12导联心电图预测心房颤动领域已完成了一系列开创性工作，为AI预测模型的可行性、可靠性奠定了坚实基础 ［ 3 , 4 ， 31 , 32 ］ 。近期亦有研究尝试将相似的预测方式推广至可穿戴设备心电图，如Raghunath等 ［ 33 ］ 使用神经网络基于Alivecor Kardia Mobile所记录的窦性心律心电图数据成功预测了心房颤动的发生，这进一步拓展了心房颤动预测的应用场景。心房颤动的预后、转归和长期管理上，有研究者使用卷积神经网络对导管消融术后的复发情况进行了预测 ［ 34 ］ ；而卒中预防、出血事件分析等环节中，AI技术同样展现出了应用价值 ［ 35 , 36 ］ 。
在心原性猝死相关领域中，针对特定患者的AI预测技术相对成熟，如Shiraishi等 ［ 37 ］ 针对失代偿性心力衰竭住院的患者，运用AI技术分析心电图，成功预测了心原性猝死；Smole等 ［ 38 ］ 的研究纳入了2 302例肥厚型心肌病患者，使用多个变量（人口统计学、体格检查、遗传学、影像学、药物等）训练机器学习模型，结果显示该模型预测5年内心原性猝死风险的 AUC可达0.70，优于传统风险评估工具。然而，在一般人群中猝死的发生率较低，虽有部分研究提出了AI模型，且预测准确性超越左心室射血分数等传统评估方法，但往往存在样本量小、缺乏外部验证、通用性不足等问题，仍需要更大样本量、充分外部验证、多样化患者数据来提升AI模型的预测能力 ［ 39 ］ 。
4.AI技术在心力衰竭诊疗中的应用：由于心力衰竭患者的病情较重，亟需个体化的诊疗方案以实现最佳治疗效果；另一方面，多次、持续的诊疗过程中往往积累了大量的临床信息，传统的分析方法较难完成有效处理。针对这些难题，AI技术与大数据结合在包括诊断、预后预测、心力衰竭表型分类和治疗策略优化等各个方面显示出巨大的潜力 ［ 40 ］ 。近年来，AI技术在无症状心功能不全患者的识别 ［ 41 ］ 、射血分数保留型心力衰竭患者的早期诊断 ［ 42 ］ 、射血分数减低型心力衰竭患者的诊疗 ［ 43 ］ 中均体现出应用价值。尤其是可以借助深度学习的聚类分析，对具有不同临床特征和远期预后的心力衰竭患者进行分类 ［ 44 ］ ，以利于高危患者的强化管理。在心力衰竭患者的长期监测与照护上，Almujally等 ［ 45 ］ 设计了一个基于AI技术和物联网的健康监测系统来处理心力衰竭患者的数据，该系统可以监测患者的活动、评估其健康状况以及使用深度学习模型进行疾病状态分类，展示出较高的应用价值。而AI辅助与可穿戴式设备相结合将进一步提升远程监测的质量与效率，有效改善心力衰竭患者的综合诊疗、症状控制与护理质量。
5.AI技术在其他心血管疾病领域中的应用：借助AI技术基于心电图可诊断肥厚型心肌病 ［ 46 ］ 、心脏淀粉样变性 ［ 47 ］ 等。在先天性心脏病的诊疗中，使用AI技术可以更好地进行产前检测、异常筛查 ［ 48 ］ ，以及预测法洛四联症术后的不良心血管事件 ［ 49 ］ 。AI模型可以显著提高对感染性心内膜炎并发症和死亡风险预测的准确性 ［ 50 ］ 。另外，运用AI技术还可实现基于心电图、超声心动图更准确诊断心包炎 ［ 51 ］ ，以及利用胸部CT图像完成心包炎监测和分类等 ［ 52 ］ 。
三、AI技术在心血管疾病诊疗中的挑战与展望
1.日新月异——技术更迭同诊疗能力的大幅提升：当下，世界范围内的计算机算力呈指数级增长，各国均在不遗余力地推动AI技术发展。得益于此，未来心血管疾病的诊疗势必获得更广泛、更深入的技术加持。特别是通用医疗大模型的构建，将为疾病的危险因素控制、预测、筛查、诊断、治疗、综合管理、预后改善等，创造更优的解决方案。
现有各项研究在方法层面已从单纯的机器学习向前迈进，开始倾向于卷积神经网络、循环神经网络等更高阶的AI方法；所涉猎领域也从广受关注的缺血性心脏病、心律失常、心力衰竭，拓展到心内膜炎、心包炎、心脏移植等。假以时日，将最优的AI技术应用于所有类型的心血管疾病终会成为现实。
2.如履薄冰——结论解释与隐私保护的潜在风险：尽管AI技术不断迭代更新，但受限于模型的构建模式，在广泛适用性和结果可解释性方面，始终受到挑战：可能面临分析人群变更后预测能力明显下降；在运算处理中，可能存在不符合医学逻辑的信息处理。这些潜在情况使得每个预测模型的推广均需要更慎重进行；在与患者的实际沟通中，也需要用恰当的方法描述AI技术所提供的建议。这可能需要技术层面的持续改进，并实现更为普适的、数据量更大的信息收集与管理。
这一发展过程也涉及诸多隐私和伦理问题 ［ 53 ］ 。如何评估AI诊断系统的安全性及适用性？责任主体是谁？医疗错误发生时，工程师、软件公司、科研机构、医师、医院应如何划分权责？隐私信息如何定义、数据隐私由谁监管、隐私信息规避过多是否会降低诊断能力？涉及隐私和伦理的议题较为敏感，其对于维持医疗系统的可信度也至关重要。我们需要秉持审慎的态度，着力推动数据保护措施的落地，持续调整AI的应用模式，坚定支持相关法律法规的不断完善。
3.厚积薄发——医学模式和疾病认知的崭新前景：与AI技术的飞速进步相伴，基因技术、可穿戴设备、信息交互系统、多元感知工具等也在不断取得突破。我们目前正处于巨大变革的前夜，各类技术的厚积薄发，可能终将彻底改变医疗模式。个体从出生伊始，原始的基因图谱、每时每刻的外部环境作用均被各种设备全方位记录，AI技术对海量数据汇总分析后可完成对个体健康状态的数字化建模，并以此准确预测各类疾病的发生、及时调动各类医疗资源完成诊治；同时以数字模型为基础，验证多种治疗方法的优劣，协助进行最佳决策。
4.海纳百川——人才合作及学科融合的多元汇集：在AI技术的应用实践中，仍需要多专业的广泛合作，不仅是医生与信息学科工程师在技术、思路层面的合作，前述的相关伦理、隐私问题，也需要数据科学家、伦理学家和法规制定者的密切参与；部分可穿戴式设备的成果转化，也涉及材料制作、传感器研发、人机交互优化等多个领域，甚至需考虑资金支持、政策扶持等因素。这种多学科、多层次、多元融合的技术更迭模式，在取得斐然成果的同时，也伴随着巨大挑战。这要求参与其中的人员不能局限于自己的专业和领域，需要具备多维度的知识结构，且拥有良好的合作、共享意识。跨学科人才培养、交叉专业导师支持或将成为时代主流；充分的人才合作及学科融合也将成为AI助力心血管疾病的重要基石。
AI技术俨然从科幻作品走向纪实文学，其对于心血管疾病诊疗的助力，正在将一个又一个看似遥远的设想化为现实，有望彻底解决医疗资源分布不均、诊疗质量参差不齐、及时就医比例不足等难题，为保障患者根本利益、提升患者生活质量、改善患者远期预后等提供最佳保障。
利益冲突所有作者声明无利益冲突
编辑：白 洋
审核：白 洋
《中华心血管病杂志》2025年1期至2026年6期重点号安排
投稿网址
www.editorialmanager.com/cardiodiscovery
作者须知
https://edmgr.ovid.com/cardiologydiscovery/accounts/ifauth.htm
