當前，心源性猝死（SCD）仍然是全球死亡的主要原因，在歐洲和北美的普通人群中，每 100,000 人中的發(fā)病率為 50-100 人，占所有死亡人數(shù)的 15-20% 。而冠狀動脈疾病患者發(fā)生心律失常性心源性猝死（SCDA）的風險最高。

因此，迫切需要開發(fā)個性化、準確和具有成本效益的心律失常風險評估工具，以減輕這一巨大的公共衛(wèi)生和經(jīng)濟負擔。

近日，約翰霍普金斯大學研究人員領導的團隊，開發(fā)了一種基于人工智能的新方法，可以比醫(yī)生更準確地預測患者是否以及何時可能死于心臟驟停。該技術以患者心臟影像學資料以及其它背景為基礎，將徹底改變臨床決策并提高突發(fā)性和致命性心律失常的存活率。

相關研究發(fā)表在近日的《自然心血管研究》上。

論文通訊作者、生物醫(yī)學工程教授 Natalia Trayanova 表示， “由心律失常引起的心源性猝死，占全球所有死亡人數(shù)的 20%，但我們對它發(fā)生的原因或如何判斷誰處于危險中知之甚少。有些患者心源性猝死的風險可能較低，可能不需要使用自動體外除顫器（AED），而有些高風險患者如果沒有及時得到他們需要的治療，可能會在他們生命的黃金時期死亡。我們的算法可以做的是，確定誰有心臟死亡的風險，以及何時發(fā)生，進而讓醫(yī)生準確地決定需要做什么。”

據(jù)了解，這也是第一個使用神經(jīng)網(wǎng)絡為每位心臟病患者建立個性化生存評估的團隊。這些風險測量提供了 10 年內心源性猝死的高準確度，以及最有可能發(fā)生的時間。

研究人員為這種基于深度學習技術的工具起了個名字，叫做心律失常風險生存研究（Survival Study of Cardiac Arrhythmia Risk，SSCAR）。

圖 | SSCAR 示意圖（來源：Nature）

在當前的臨床心臟圖像分析中，醫(yī)生僅提取簡單的疤痕特征，如體積和質量，并未充分利用相關圖像中的關鍵數(shù)據(jù)。“

這些圖像帶有醫(yī)生無法訪問的關鍵信息，”第一作者、前約翰霍普金斯大學博士生 Dan Popescu 說， “這種瘢痕可以以不同的方式分布，它說明了患者的生存機會。只不過其中的信息被隱藏了。”

為此，研究團隊首先使用對比度增強的心臟磁共振圖像，來可視化約翰霍普金斯醫(yī)院 156 名心臟磁心肌病真實患者的瘢痕分布，以訓練一種算法來檢測肉眼不可見的模式和關系。

圖 | SSCAR在紅色圈出的心臟中檢測到高風險（來源：約翰霍普金斯大學）

研究小組還使用十年的標準臨床患者數(shù)據(jù)訓練了第二個神經(jīng)網(wǎng)絡，患者數(shù)據(jù)包括年齡、體重、種族和處方藥使用等 22 個因素。

然后使用深度神經(jīng)網(wǎng)絡直接從 CMR 圖像和臨床因素中學習這些參數(shù)，從而對生存數(shù)據(jù)進行最佳建模，產(chǎn)生高度個性化的生存概率預測，并得到患者的特異性生存曲線。

之后，研究人員在來自美國 60 個醫(yī)療中心的獨立患者隊列的測試中得到驗證，這些患者具有不同的心臟病史和不同的成像數(shù)據(jù)，結果表明，算法的預測比醫(yī)生準確得多，而且在結果表明該系統(tǒng)可以被廣泛應用在任何地方。

值得注意的是，SSCAR 中使用的定制神經(jīng)網(wǎng)絡的整體設計中，采取了多個步驟來確保結果特征的相關性和可解釋性。人工智能算法的可解釋性對其廣泛應用至關重要，圍繞它的擔憂在醫(yī)療保健領域尤為普遍。

心血管診斷和治療創(chuàng)新聯(lián)盟聯(lián)合主任 Trayanova 說：“這有可能顯著影響有關心律失常風險的臨床決策，并且代表著將患者軌跡預測帶入人工智能時代的重要一步。它體現(xiàn)了將人工智能、工程學和醫(yī)學融合為醫(yī)療保健未來的趨勢。”

該團隊當前正在努力構建算法來檢測其他類型的心臟病。根據(jù) Trayanova 的說法，還可以為依賴視覺診斷的其他醫(yī)學領域開發(fā)深度學習概念。

參考資料：

https://www-nature-com-443.webvpn.bjmu.edu.cn/articles/s44161-022-00041-9

https://hub.jhu.edu/2022/04/07/trayanova-artificial-intelligence-cardiac-arrhythmia/

關鍵詞： 心律失常 神經(jīng)網(wǎng)絡 心源性猝死