近年来，人工智能（AI）在医疗领域的飞速发展正改变着临床实践的诸多方面。从影像诊断到疾病预测，再到个性化治疗，AI的深度学习和大数据分析能力已逐渐融入临床工作流中。这一技术革命不仅提升了诊疗效率，还带来了更高的精准性，帮助医疗工作者解决许多复杂问题。其中，在心血管疾病领域，AI的应用尤为突出，特别是在光学相干断层扫描（OCT）技术中的结合，正为心血管疾病的诊疗带来变革性的进展。
OCT是冠脉介入领域最新的腔内影像学技术，其10微米的分辨率是造影的20倍、IVUS的10倍，又被称为 “光学活检” 。因此OCT能在近似于组织形态学水平对冠状动脉各类型病理学特点进行评估，从而为临床提供全面和精确的诊断信息，优化治疗策略、提高PCI手术效率、改善患者预后。然而，传统的OCT成像通常需要临床医生手动分析图像，识别斑块性质及血管特征。这一过程不仅费时费力，还可能由于医生的经验和认知偏差导致分析的主观性和不一致性。
人工智能的引入，尤其是基于深度学习的算法，在很大程度上优化了这些问题。通过AI算法，OCT图像自动分析血管和识别典型病变得以实现。AI能够通过快速处理大量图像，自动识别特殊斑块信息，如钙化区域、钙化弧度、最大厚度及其位点，以及正常血管节段的EEL等关键参数，从而为医生提供更为客观、精确的诊断信息。这种自动化处理显著缩短了诊断时间，并提升了诊断的一致性和准确性。
人工智能领域机器学习（ML）的突破，得益于近年来技术的发展，包括：计算机硬件的发展，体量巨大的数据源支持，AI算法的突破（卷积神经网络、反向传播算法反馈等），要让AI算法能够准确分析OCT图像，就需要通过高阶AI算法进行机器深度学习，进行大量高质量的数据训练。
卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，广泛应用于图像和视频分析、自然语言处理和其他相关领域。CNN 通过模拟生物视觉系统的处理方式，能够自动学习数据的层次特征。卷积神经网络尤其适合计算机
反向传播（Backpropagation，BP）是“误差反向传播”的简称，是训练人工神经网络实现算法优化的方法。该方法通过对比机器预测结果与基准真相，从而产生反馈函数，通过函数梯度反馈最终实现算法优化。
其中，卷积神经网络（CNN）在AI领域中占据着非常重要的地位，尤其是在处理视觉相关任务中，是占据统治地位的AI算法。与人眼观看事物原理相似，卷积神经网络可以看到事物的轮廓。在医学图像分析领域，CNN可用于分析诸如X光片、CT扫描和MRI等医学图像，帮助诊断疾病。
而OCT图像对于钙化和EEL等信息的判读，就是需要准确识别轮廓（钙化斑块整体轮廓，正常血管节段的中膜轮廓）。所以，卷积神经网络（CNN）特别适用于OCT的人工智能学习，以模拟人眼观察事物，通过多卷积核的卷积，从而实现钙化斑块与中膜轮廓的机器判读。
数据的多样性和准确性是保证AI模型泛化能力的关键。人工智能OCT的AI，是在真实临床数据上进行训练，涵盖不同年龄、性别、病史的患者。这种多样化的数据集能够有效避免模型在特定人群中的过拟合问题，提高其在真实临床场景中的应用价值。
在训练过程中，AI不仅识别目标（钙化斑块与中膜的轮廓），也训练排除伪影（斑块破裂伪影、血液与导丝伪影等）的影响，从而保证机器判读高敏感性的同时也具备高特异性。
人工智能OCT平台的机器学习，通过与MicroCT与组织病理学结果作为基准真相进行对照后，采用反向传播优化迭代模型参数，从而提高准确性。
在AI模型训练完成后，验证其临床有效性是至关重要的一步。FDA关于AI的讨论文件要求：AI数据训练与数据验证、确认均需独立进行。以Ultreon人工智能平台为例，其通过与第三方独立检测机构“CVPath”合作，对50例尸检动脉的组织病理学、 MicroCT和OCT判读进行验证，以确定人工智能算法的可重复性与精准性。
最终，验证结果显示，Ultreon人工智能平台的AI算法的准确性远高与FDA对于人工智能精确度85%的要求，从而获得了FDA的批准，继而在2024年4月获得了NMPA的批准，是目前唯一获得FDA与NMPA批准的人工智能腔内影像学平台 。
人工智能OCT中的应用，最直接的获益体现在临床工作效率和诊断准确性的提升上。传统的OCT图像分析往往需要医生花费大量时间和精力，而AI系统可以在短短几秒内完成图像处理，自动标注钙化斑块与血管中膜。这样，医生可以将更多时间和精力集中于病例的综合分析和治疗决策上，从而提升整体诊疗效率。
AI系统的高准确性和一致性也显著降低了人为错误的可能性，从而大幅消除主观偏差。在传统的人工分析中，医生的经验、疲劳、情绪等因素可能导致诊断结果的主观性和变异性。而AI系统通过其客观的算法和统一的标准，能够提供更为一致的分析结果，减少临床误判。这对于复杂病变的判断尤为重要，尤其是钙化角度厚度识别等细微差别上，AI的精准度可以为医生提供更为可信的参考。
钙化病变的挑战
· 32%的经皮冠状动脉介入治疗(PCI)中存在中度至重度钙化病变1
· 冠脉钙化病变的严重程度，会增加PCI手术的复杂程度2
· 钙化病变处理不当可能导致诸如支架扩张不足、再狭窄或支架内血栓等不良结果3
我们通常如何评估及处理钙化
· Fujino钙化评分4评估钙化的严重程度（长度大于5 mm一分; 厚度大于0.5 mm一分; 弧度大于180°二分）。痛点：手动测量繁琐，存在误差与主观偏差
OCT图像的高分辨率使得训练AI准确识别钙化成为可能，人工智能OCT平台AI自动钙化全面评估可以实现：5
· AI钙化识别与计算，信息呈现简洁直观。
· AI评估与信息呈现均自动化，提高手术效率。
· AI精准判读，辅助决策，消除术者主观偏差，促进手术的均质化。
手术中采用EEL 到 EEL 选定尺寸的支架能带来更优的结果
· OCT下我们通常如何根据EEL选定支架尺寸与落脚点
· 在MLA远、近端逐帧寻找存在180°EEL的合适支架落脚点。弊端：定位费时费力，位点选择主观偏差大
· 手动测量EEL的直径，向下选择一个尺寸。弊端：手动测量误差大，测量点选择主观偏差大
OCT图像的高分辨率使得训练AI准确识别并计算EEL成为可能，人工智能OCT平台提供人工智能EEL自动检测与测量：5
· 自动检测并计算EEL 的平均直径，信息呈现简洁直观。
· EEL随图像渲染同步自动显示，避免人工逐帧找寻，大幅提升手术效率。
· EEL平均直径自动计算，避免手动测量，提升便捷性的同时大幅消除主观偏差。
人工智能OCT平台，国内外已经越来越多的应用于PCI手术的指导。AI自动化钙化斑块的全面评估，EEL的自动检测及计算，信息呈现简洁直观，辅助术者决策，大大促进了PCI手术的同质化，大幅提升了手术效率。
人工智能技术在心血管领域的应用仍处于快速发展阶段，随着技术的不断进步，AI系统的能力将会越来越强大。我们相信未来AI的作用将不局限于自动识别斑块及血管特征，还可以协助制定手术策略，模拟手术干预效果，并预测病变进展风险，为医生提供更早期的干预建议。此外，AI与其他技术的结合，例如与更先进的机器深度学习模型、虚拟现实、5G技术、纳米机器人技术的整合，也将为心血管疾病的诊疗带来更多可能性。
阅读文献：
作者简历
胡洵
中山大学附属第一医院(点击进入专家个人主页)
扫描进入CCEC专栏
了解更多精彩内容
