中国原创！结构性心脏病人工智能平台Tavigator亮相2022中国结构周

1929年夏天的某一日，当德国福斯曼医生将一根橡胶输尿管导管盲插进自己身体的血管中，或许不曾想到在未来一百年中，除了在诊断中的应用外，心导管术将被广泛用于心脏、血管的治疗，每年惠及的患者数以千万计。

从假说形成，到动物实验，再到人体试验，在过去二十年，TAVR技术的发展经历了漫长的过程。随着2002年Alain Cribier教授成功开展人类第一台经导管主动脉瓣置换术（transcatheter aortic valve replacement，TAVR），这一技术最终成为一种可以显著改善生活质量的成熟治疗方式。

CT检查是TAVR术前必不可少的医学影像诊疗技术，2022年的“经导管主动脉瓣置换术（TAVR）流程优化专家共识”也明确指出该术前影像学评估的重要性。TAVR术前CT评估对于筛选解剖适应证、制定术中策略，预判并规避风险、保障患者安全起到了至关重要的作用[1]。其新型检查和诊断的手段，可以让术者在对照二维影像进行手术操作之前充分了解患者的三维解剖结构。对于瓣环解剖特点、冠脉高度、心室及血管解剖，甚至毗邻结构的识别，都可以帮助术者在术前选择瓣膜型号大小、制定释放策略、术中并发症风险识别，甚至判断预后方面提供必要信息，最终使得手术的操作更加安全高效[2]。

人工智能（Artificial Intelligence, AI）是计算机科学的一个领域。基于人工智能的算法能够以更快、更精确的方式执行传统上由人类执行的标测任务，并以更多维度、更清晰直观的方式进行呈现。

通过AI驱动的算法对解剖结构进行全自动分割重建、标测量化，能够在数秒内完成TAVR手术标测主动脉瓣环及其他关键解剖结构等任务，同时可以保证测量精度的高度一致性和稳定性[3]。

AI还可以最大限度减少因测量者经验导致的测量值偏倚和手术并发症风险预测因素误判，同时帮助术者在预测TAVR手术预后效果中扮演重要角色[4]。需要强调，AI对此类手术规划方案的制定和完善可以促进临床实践中更广泛地开展手术，这对于早期开展、实施频率较低或者操作人员经验不足的医学中心尤其重要。

建立以患者为中心、安全高效的术前评估的前提，是将不良事件高风险患者与风险较低的患者准确识别并加以更为详尽的分析，前者将成为更严格、更耗时、更耗费资源的后续监测目标。在预测TAVR、先天性心脏病、冠状动脉疾病和心力衰竭患者的预后方面，AI已被证明优于经典的统计方法[5-8]。同时，因为AI的高效计算能够同时整合众多预测因子，从而成为预测大量变量及其相互作用因子的工具，“意外”的发现变量和潜在的新预测因子，可能会超出我们既有对于临床治疗决策的范畴。随着TAVR适应证的扩大，AI可以更好地支持临床医生评估TAVR预后，这对于协助筛选患者并准确了解患者手术结果均至关重要[9-10]。

五大技术突破，Tavigator™开启智慧医疗TAVR新型临床诊疗路径

在刚刚结束的第六届中国结构性心脏病周(中国结构周2022)上，中国医学科学院阜外医院（国家心血管病中心）吴永健教授率领影像分析科研团队历经5年潜心研究，先后实现了主动脉根部结构多目标小尺度像素级影像数据标注与解剖结构数据标测、主动脉根部结构三维卷积神经网络高精度自动分割算法研究、全自动高精度主动脉根部目标定位及测量算法开发、智能化多平面测量算法研究、智能化TAVR手术风险预测算法研究等五大技术突破。

吴永健教授团队与拓微摹心数据科技(南京)有限公司合作完成了中国原创经导管结构性心脏病诊疗术前辅助决策平台Tavigator™的算法研究、工程开发、云服务部署。通过AI技术助力我国TAVR的发展，为现代化智慧医疗特色的TAVR新型临床诊疗开辟新路径。

基于Tavigator™系统，医生只需上传主动脉根部CT影像，无需手工干预即可完整实现主动脉根部解剖结构全自动分割与三维重建、瓣叶分型、瓣环及各平面定位测量、冠脉开口高度自动定位测量、瓣环角度分析、最佳投照角度计算、钙化定量分析、左心室容积分析、解剖结构风险提示、瓣膜自动匹配选型建议、动态结构化报告生成。完成TAVR主动脉根部全流程精细分析时间仅需一分钟，速度远快于临床医生目前行主动脉根部影像分析需要的几十分钟。在高性能并行计算系统的加持下，更大程度地提升了影像分析效率，极具科研价值和临床意义。

二维CT影像与三维主动脉根部模型融合展示

在中国结构周上同时发布了吴永健教授率领团队开展的回顾性数据初步分析研究结果。纳入阜外医院已完成TAVR手术患者术前CT影像数据219例，数据涵盖多种瓣叶分型（TAV、Type-0 BAV、Type-1 BAV、 Type-2 BAV、FBAV）。人工智能系统与影像核心实验室低年资医生对入组影像序列进行分析，以影像核心实验室高年资医生的术前测量评估报告为金标准，将瓣环平面周长导出径、面积导出径作为主要指标进行对比分析，从而验证人机一致性。在此基础上，进一步对不同瓣叶分型、不同钙化程度的病例进行亚组分析，比较瓣叶分型、钙化体积对人工智能测量评估结果的影响。同时，对临床医生手工测量和人工智能系统就主动脉瓣环定位测量所需耗时进行对比分析。

分析统计结果显示，人工智能系统在核心测量指标精度上，都表现出与影像核心实验室高年资医生极高的相关性，且优于低年资核心实验室医生的测量结果；人工智能系统可进行准确的瓣叶分型，且不同分型瓣叶术前影像在核心测量结果上，均表现出与影像核心实验室高年资医生极高的相关性和稳定性；同时，人工智能系统也表现出极强的鲁棒性和良好的数据泛化能力；此外，人工智能在确保分析精度的同时，分析效率显著高于手动分析。

高年资医生定位测量瓣环的结果（左）人工智能定位测量瓣环的结果（右）

人机一致性对照测试研究—基于219例TAVR手术病患术前CT影像样本

周长导出径研究结果：人工智能测量 优于 低年资医生 

(周长导出径r: 0.9741>0.9373)

面积导出径研究结果：人工智能测量 优于 低年资医生 

(面积导出径r: 0.9320>0.7506)

人工智能系统在不同瓣叶分型的病例上均表现出与高年资医生测量结果极高的相关性和稳定性

人工智能系统在分析高钙化病例中表现出与高年资医生较高的相关性和稳定性

中国结构周期间，研究者应用Tavigator™系统对一例外科手术中危的主动脉瓣功能性二叶瓣畸形患者进行了TAVR术前评估对比分析。Tavigator™系统仅用时1分钟即完成了病例主动脉根部测量评估，而采用传统专业工具软件影像核心实验室医生需要鼠标点击约1500次，键盘敲击700余次，鼠标移动距离累计100余米，总耗时接近40分钟。以瓣膜选型最重要的依据瓣环周长圆化导出直径为例，AI测量的结果20.98mm，与专家测量的20.8mm只存在细微差别。通过AI对主动脉根部解剖结构的测量分析，结合CT原始影像、术者经验建立数据集，进行人工智能模型训练，可以实现近乎接近经验丰富术者的风险预测结果。该病例不仅体现了Tavigator™数据测量在临床运用中的可靠性，同时在基于解剖结构进行风险预测的想象空间也得以充分体现。对于很多正在开展或者即将开展TAVR手术的中心来说，不仅可以节约大量的临床医生工作时间，同时对于提升TAVR手术认知、判别解剖结构中所蕴藏的潜在风险、规划手术、改善手术预后也意义巨大。

专家说

AI在TAVR中应用目的是简化工作流程提高分析效率、提升分析精度和一致性、以更多样更丰富的视角呈现CT影像背后的数据世界，它为临床工作者创造更多的时间用于人类更擅长、更有意义和价值的任务。将AI稳步纳入临床决策支持系统，意味着首先需要建立并充分验证算法的健壮性，同时需要对新型AI算法的验证进行具体规定以及标准化。还需要对所有临床工作者进行持续培训、教育和宣传，以克服疑虑和猜疑，以便医疗服务提供者可以实时使用这些算法，而不会对日常工作造成繁琐的改变。同时证明AI算法相对于“传统”临床实践的优势和成本效益的研究刻不容缓。Tavigator™的出现未来必将助力我国TAVR技术大发展、TAVR临床大进步、TAVR产业大升级、TAVR患者大获益。

中国医学科学院阜外医院吴永健教授：随着全球新一轮科技革命和产业变革孕育兴起，AI数字技术加速演进，已成为驱动新一轮科技革命和产业变革的重要力量。作为人工智能赋能结构性心脏病临床诊疗的本土化创新的重要尝试，Tavigator™未来还有很长的路要走。在优化精度、完善功能、提升性能的同时，更要着力基于此技术开展大规模前瞻性队列研究以验证模型信度及效度，并基于此逐步演进形成具有现代化智慧医疗特色的TAVR新型临床诊疗路径，在临床经验、大数据、人工智能和高性能计算的“四轮驱动”下，最终实现临床、科技、产业的全面融合。未来不仅在TAVR， 在二尖瓣、三尖瓣，以及其他结构性心脏病中，将建立自己的手术规划标准，并且最终向全球输出中国经验。

四川大学华西医院郭应强教授：近年来，得益于深度学习等算法的突破、算力的不断提升以及海量数据的持续积累，人工智能真正大范围地从实验室研究走向产业和临床实践。AI对心血管研究和实践产生了重大影响。在结构性心脏病领域，对心脏解剖结构的掌握一直是外科医生包括目前介入医生最重要的工作。Tavigator™代表了新技术在医学领域应用的方向，为医疗大数据的处理和挖掘提供了新的可能，让熟练医生判断更准，让初学医生学习更快，助力TAVR技术在世界的推广和普及。

空军军医大学西京医院杨剑教授：AI技术能够从大量的临床数据中解读出极为复杂的内在规律，在医疗行业应用前景广阔。结构性心脏病领域涉及大量临床数据参数，3D结构可视化未达标准，4D生理机能在不同年龄、性别、种族的患者间存在显著差异。而AI技术可以有效解决上述问题，在提高患者医疗服务质量的同时降低医疗费用。AI模拟、超现实主义在医疗器械培训中的应用、个体化解剖模型打印都将促进精准医疗的发展，并可能成为未来新技术蓬勃发展的基础。

德意志心脏中心Ruediger Lange教授：很高兴看到来自中国的人工智能技术与临床应用的完美结合。到目前为止，大多数相关证据来自缺乏不同人群验证的单中心研究，算法再现性的问题应该引起重视。非常期待TavigatorTM在德国包括全世界应用的那一天。

*参考资料

1. 经导管主动脉瓣置换术流程优化共识专家组. 经导管主动脉瓣置换术（TAVR）流程优化专家共识2022版[J].中华急诊医学杂志, 2022,31(2).DOI: 10.3760/cma.j.issn.1671-0282.2022.02.004.

2. 郭帅,张斌,吴永健.经导管主动脉瓣置换术的最新进展[J].中国医刊.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.

*封面图片来源：123rf