深度学习助力研究者解决心血管病最后堡垒

心力衰竭是心血管领域尚未“攻克的堡垒”，据统计70岁以上人群心力衰竭发病率为10%，目前全世界有2250万心力衰竭患者，并以每年200万人的速度增长，中国现有心力衰竭患者高达400万人。心力衰竭致死率高，5年生存率甚至低于多种癌症，同时心衰患者住院率高，生活质量差，经济负担沉重。在过去的十年中，机器学习和深度学习技术发展迅猛，在管理及鉴别多种疾病中展现了巨大的潜力。本期创新周刊我们选译西澳大利亚大学Girish Dwivedi教授课题组关于机器学习在心衰应用的综述，希望能给读者一些启发。

一．机器及深度学习的定义及数据来源

首先我们需要明确该技术的定义。机器学习是利用数据或既往的经验，对能通过经验自动改进的计算机算法研究；而深度学习则是该技术的一种更高效的分支，能够利用人工神经网络从数据中学习有意义的抽象概念。如今，结合生物信息学与医学信息学技术，其在疾病诊断、药物开发、不良反应预测等方面的价值已愈发彰显。

深度学习技术需要既往的数据，有效数据包括了病人的访视、实验室检查、影像及用药记录。这些通常由医生或医疗机构收集，数据的类型可以是文字（病史）、影像（超声、CT）或者心电图。目前已有包括Sutter-PAMF、PhysioNet等多个大型数据库，其中准确收录有全球多国心衰患者的就诊记录、检验结果、用药记录等信息（图1）。基于以上数据库，可利用机器学习与深度学习技术进行心衰相关的数据分析及研究。

△图1 国际心衰研究数据库

二．机器学习辅助心衰诊断及检测

正确利用机器学习正确监测及评价心衰一直是研究人员关注的热点。不同类型的数据库都能应用于心衰的检测（图2）。Yang等于2010年建立了基于血液检查、超声心动图、心电图、六分钟步行试验、体格检查等临床资料的心衰监测系统，通过使用支持向量机（SVM）法进行机器学习，将患者分为健康、心衰无症状期、心衰期三个组别，准确度可达74.44%。2011年，Gharehchopogh等则基于人工神经网络，将40位心衰患者为年龄、性别、血压、吸烟习惯作为变量构建心衰分型模型，使诊断准确度达到95%，且假阳性率仅为9%。Wu等基于电子健康病历数据则可在临床诊断前6个月判断心衰。

在机器学习中设置过多的变量会明显增加系统的复杂性，易产生过拟合等问题，影响分析结果。为此，研究者采用了粗糙集理论及线性回归模型，以减少数据集内部的特征量。在此后的心衰诊断系统中，研究者进一步将胆固醇水平、冠心病家族史、心音特征、心脏储备功能 、心电图等作为评价依据，使机器学习及深度学习在心衰诊断中的应用得到进一步发展。

△图2 病人数据及机器学习技术应用于心衰诊断，分级，预测在住院及药物依从性评估从而改善心衰患者临床预后

三．机器学习用于心衰分类

“在使用临时机械泵的这段时间里，我们可以思考接下来的处理方案--患者是否有必要进行心脏移植，情况是否会发生好转，或者他们是否需要使用左室辅助装置（LVAD）等等，不断地挑战极限。” Dr.Lanfear对采访者说，他们在使用这些装置时，时长常常远超过几个小时，可能是一周或者几周的时间。“在我们医学中心，临时心脏机械泵使用比较常见，我们经常与导管室的介入医生合作，或者是使用ECMO或者LVAD等，这些手段通常是用于应急抢救，后续再评估对于患者的长期情况作何处理。”

四．机器学习预测心衰患者依从性及再入院

对治疗方案及药物的依从性是影响心衰患者不良心血管事件发生率、再入院率及死亡率的重要因素。近年，Karanasiou等依据约100种变量资料，使用机器学习技术对90名心衰患者药物依从性进行预测，准确度最高可达91%，这显示了机器学习模型在预测依从性方面的重要价值。

心衰患者在入院治疗期间大多花费高昂，为个人及社会带来了巨大的负担。因此，通过机器学习预测再入院率的方法应运而生。基于远程监测的生理数据，Koulaouzidis等综合了患者的LVEF、NYHA分级、合并症、血压等数据，对心衰再入院预测模型进行了初步构建，并在此后予以修正与完善。其中，Baechle提出的潜在主题集成学习（Latent Topic Ensemble Learning）理论集成了来自不同医疗机构的目标特异性模型，较传统数据来源更具普适性。利用该模型能够有效协助降低再入院率，缩减经济成本。

五．总结

目前，多种机器学习技术已被成功应用于心衰的诊断、分型、再入院率预测、药物依从性预测等方面。深度学习技术较前者具有更大优势，有望将高维数据所蕴含的复杂特性可视化，并最终适用于未来的科学研究，助力这一迅猛发展的新兴学科。

选摘综述：Awan S, Sohel F, Sanfilippo F, Bennamoun M, Dwivedi G. Machine learning in heart failure: ready for prime time. Current Opinion in Cardiology. 2017;Publish Ahead of Print(2):1.

本期策划：沈雳 殷嘉晟

本期翻译：许菲

后期制作：张倩倩 黄朔阳 高子昂