跳转至

第22章：心脏 CT 指南与临床应用——人工智能的切入点（Cardiac CT Guidelines and Clinical Applications: Where Does Artificial Intelligence Fit In?）

引言

作者 Marchitelli、Catapano、Cundari、Francone（来自罗马 Sapienza 大学与米兰 Humanitas 大学）在本章开篇勾勒了过去几年里心脏 CT（cardiac computed tomography, CCT）临床应用规范化的整体景观。他们指出，主要的全国与国际心血管（cardiovascular, CV）影像学会——包括欧洲心脏病学会（ESC）与美国心脏病学会/美国心脏协会（ACC/AHA）——相继发布了一系列 CCT 临床指南、适用性标准（appropriateness criteria）与共识文件，目的在于标准化扫描流程并合理化诊断工作流。在他们此前的一项研究中（参考文献 1，即 Esposito 等 2020 年发表于 Radiologia Medica 的研究），作者统计出近年来 ESC 与 ACC/AHA 共发布了 43 份与心血管影像相关的指南，其中包含针对 CCT 或心脏磁共振（cardiac magnetic resonance imaging, CMR）的 146 条具体推荐（ESC n=65，ACC/AHA n=81），而专门针对 CCT 的推荐为 62 条（ESC n=28，ACC/AHA n=37）。这些推荐被作者整理在图 22.1 中，并按"推荐类别"做了切分：I 类（37.10%，"证据表明该操作有临床效用"）、IIa 类（27.40%，"效用证据偏正面"）、IIb 类（19.40%，"效用证据较弱"）、III 类（16.10%，"证据表明该操作无临床效用"）。

这些指南、共识与适用性标准的总体目的是把日益扩张的科学文献凝缩成由专家小组起草、以共识和/或证据为基础的单一文档，从而为 CCT 在临床实践中的角色提供统一指导。作者强调，不恰当的 CCT 使用会带来三重不良后果：增加医疗成本、让患者承受不必要的辐射暴露、并增加与临床误诊相关的法律风险。然而，在日常临床工作中，要严格遵循指南并对各种临床场景下错综复杂的推荐烂熟于心，本身就极具挑战。人工智能（artificial intelligence, AI）驱动的临床决策支持可以在帮助临床医生为特定患者选择最合适的影像学检查方面发挥作用；AI 工具也可用于识别新的诊断判据，从而预测不同临床设置中的反应；换言之，AI 工具可在多个层面协助 CCT 的规范化使用。本章目标是综述 AI 在支持性指南撰写以及在临床实践中辅助其应用方面的崭新角色；作者坦言相关文献仍有限，但本章将提供证据说明 AI 与数字数据库的整合如何带来优势，并为医务工作者（特别是放射科医生）提供新工具。

指南制定流程

作者接下来讨论"临床实践指南（clinical practice guidelines, CPG）的制定流程"。他们首先指出，对于 CPG 的制定流程，目前学界尚无共识，因此各家机构遵循自己的规则；但无论采用何种方法学，都共享一些基本原则与共同特征：都需要经过广泛的文献检索与实验证据分析。结合世界卫生组织（World Health Organization, WHO）的指南制定手册（参考文献 2），作者把 CPG 流程划分为若干关键步骤（如图 22.2 所示）。

第一步是 CPG 主题选择（topic choice），需要反映所选领域内的全球性指导需求：通常由一个牵头小组负责，界定内容、临床问题以及可能的推荐；主题选择应基于临床上实际问题，最常见的来源包括：在某一人群中分析最常见的发病率/死亡率原因、对某项医疗操作（包括影像转诊流程）适用性标准的模糊、或对合理配置资源、避免浪费的需求。一旦主题被确定，就需要组建一个多学科的 CPG 制定团队，其目标是通过提出一系列研究问题来进行问题求解分析，这些问题可以归为三类：(1) 定义/背景、(2) 事实/前景、(3) 推荐/决策。下一步是进行广泛的文献检索，通常以系统综述（systematic review）的形式展开，旨在寻找能回答上述问题的最佳证据。一旦研究被识别，就需要评估其相关性与质量；多个组织采用 GRADE（Grading of Recommendations Assessment, Development and Evaluation）方法对证据质量进行评级。GRADE 包含两个步骤：证据质量评价与发现摘要。所收集的证据将被转化为推荐列表，CPG 草案需提交外部评审员以获得最终批准；最后一步是 CPG 的发布并向医务工作者分发。整条流程链上，AI 可在三个关键步骤中发挥辅助作用：(1) 主题选择、(2) 文献综述、(3) 选定证据的质量评估（参见下一节"AI 方法"）。

AI 方法

承接前节，作者明确指出 CPG 制定流程有三个关键环节可以由 AI 提供实质性帮助：主题选择、文献综述与证据质量评估。

在主题选择方面：作者举例说，主题可能源于对某一人群最常见死因/发病率的分析；机器学习（machine learning, ML）技术不仅能分析当前的死因/发病率数据，还能预测该人群中各病因的死因/发病率，从而帮助临床医生为 CPG 制定选定关注领域。ML 驱动的死亡预测模型已经在某些特殊人群（如早产儿）中得到应用（参考文献 3，即 Weng 等 2019 年 PLoS One 上比较 ML 与传统流行病学方法在全因死亡预测上的研究），但作者认为这些方法有可能被推广到 CPG 所涉及的范围更广的人群中。

在基于证据的研究方面：作者指出，传统文献综述方法依赖人工检索，可能引入偏差并缺乏可重复性。AI 方法——例如 ML 与自然语言处理（natural language processing, NLP）——可以提供更可靠的流程，达到更好的可重复性与准确性，并更具时效性，从而支持现有文献的周期性更新。当今已有多种 AI 驱动的检索工具在全球范围内可用（例如参考文献 5 提到的 Kricka 等 2020 年发表在电子临床化学与实验室医学联合会期刊上的"AI 检索工具与 COVID-19"综述），这些工具的算法通常依赖两大功能：(1) 科学内容挖掘、(2) 高级服务（包含评级、过滤与分类）。NLP 技术（作为 ML 的子领域，目标是理解人类语言）通常被用于抽取科学证据（参考文献 4，即 Extance 2018 年 Nature 上一篇"How AI technology can tame the scientific literature"）。作者强调，NLP 工具不仅能通过挑选最相关文献来简化文献检索，还能在抽取出的论文之间建立联系，从而在海量变量集合中探测复杂的非线性关系（参考文献 5 与参考文献 6，即 Dangovski 等 2019 年 ACL 上提出的"Rotational Unit of Memory"——一种可扩展 RNN 表示单元）。这一特性对 CCT 指南制定流程尤其相关——心脏影像推荐散落在大量由各国心血管学会发布的 CPG 与共识文件中，要全面收集所有推荐本身就极具挑战且非常耗时。

在质量评估方面：作者坦率指出，AI 工具目前只能依据引用指数（citation index）对证据的相关性进行排序。作者还提到，MIT 的一个团队（参考文献 6 引用的 Dangovski 等的工作）已开发出能生成学术论文简短英文摘要的神经网络（结合 RUM 表示单元），有望加速 CPG 制定流程并保持更新。

临床决策支持

作者将视角从"指南制定"转向"指南的临床应用"。他们首先指出，AI 在临床决策支持（clinical decision-making）领域的应用在心脏病学中正在快速增长，既用于对医生的诊断支持（diagnosis、staging、prognosis），也用于治疗规划。临床决策支持系统的目的是辅助而非替代临床医生的日常工作；ML 算法要发挥作用，必须在透明度、效率与简洁性上有所建树，并必须基于能确认其可重复性、安全性与有效性的科学证据（参考文献 7，即 Shortliffe 与 Sepúlveda 2018 年 JAMA 上的"AI 时代的临床决策支持"）。ML 算法的使用可以基于以下三类：(1) 监督学习（supervised learning）——例如人工神经网络、支持向量机、决策树——主要用于判别性学习、解决分类与回归问题；(2) 无监督学习（unsupervised learning）——算法从未标记数据中得出结论；(3) 强化学习（reinforcement learning）——基于奖励机制，特别用于机器人或博弈（参考文献 8，即 Al'Aref 等 2019 年 European Heart Journal 上对 ML 在 CVD 中临床应用的综述）。监督学习已经被用于解决心血管疾病（cardiovascular disease, CVD）的诊断与治疗问题，无监督学习则可能有助于发现新的风险因素或建立新的预测模型（参考文献 9，即 Krittanawong 等 2017 年 JACC 上的"AI 在精准心血管医学中"）。迄今为止，关于 AI 在 CV 影像技术中辅助预后评估的研究主要集中在 CCT 及其在冠状动脉疾病（coronary artery disease, CAD）中的作用。CAD 的预后由人口学、临床、实验室指标与 CCT 参数（冠状动脉解剖、生理与斑块形态）之间多因素交互决定；CCT 作为一种"一站式"（one-stop-shop）检查，能无创评估 CAD 的狭窄程度、范围、斑块分布与成分（参考文献 10，即 Lim/Tison/Delling 2020 年 Methodist Debakey Cardiovasc J 上的综述）。

多项研究已证明，CCT 在适当的临床风险评分（如动脉粥样硬化性心血管疾病风险评分）之上可改善 CAD 风险分层。随着国际指南近期扩展了 CCT 作为稳定型胸痛且无已知 CAD 患者一线影像检查的推荐，预后评估（如生存分析与对动脉粥样硬化治疗反应的评估）已成为 CCT 领域的重要研究方向。在 2020 ESC 指南中（参考文献 11，即 Collet 等 2020 年 European Heart Journal 上发布的 2020 ESC NSTE-ACS 管理指南），CCT 的使用范围进一步扩展到非 ST 段抬高型心肌梗死患者以及具有低-中度急性冠脉综合征（acute coronary syndrome, ACS）验前概率的患者；这进一步扩大了 CCT 的临床舞台，并触发了相应诊断算法——也即用于患者选择的算法——的开发需求。

作者随后专门讨论了 AI 在 CCT 预后评估中的应用。在过去十年中，多种基于 ML 的算法被实施用于 CCT 预后评估。Motwani 等人（参考文献 12，即 Motwani 等 2017 年 European Heart Journal 上"基于 ML 预测疑似 CAD 患者全因死亡"研究）使用 ML 方法预测 10030 名疑似 CAD 患者的 5 年全因死亡风险，结合 25 个临床变量与 44 个 CCT 参数；他们证明 ML 在死亡预测上优于 Framingham 风险评分（FRS, 0.61）、节段狭窄评分（SSS, 0.64）、节段受累评分（SIS, 0.64）与 Duke 预后指数（DI, 0.62）（P=0.001）。Van Rosendael 等人（参考文献 13，即 van Rosendael 等 2018 年 J Cardiovasc Comput Tomogr 上"基于 ML 的 CONFIRM 注册数据风险分层改进"研究）则基于 ML 算法、利用标准 16 节段冠脉狭窄与斑块成分（钙化、混合与非钙化）信息构建了类似的预后模型；该模型在 8844 名患者中、超过 3 年随访期内，生成不良心脏事件风险评分，其预后准确性（AUC 0.771）优于现有 CCT 风险评分（AUC 范围 0.685–0.701）。

作者接着坦率地指出，临床医生面临的真正挑战在于：评估并整合来自多种来源的多种风险预测因子，给出针对单一患者的整体风险判断本身就极其复杂。AI 方法不仅可以帮助临床医生在执行风险评估时整合 CCT 数据（如斑块体积、狭窄严重度、病变长度、对比剂密度差异、分数流率储备 fractional flow reserve, FFR）与临床数据，还为传统预后方法开启了新视角——具体来说，ML 方法并非"假设驱动"（hypothesis-driven），因此可以探索所有可用数据中的非线性关系，以预测个体风险；这种方法避免了忽视重要的、意料之外的预测变量或交互。然而，作者也提醒需要正视 AI 临床应用中的若干当前局限：需要包含不同特征（如种族 ethnicity、性别 gender、年龄 age）患者的大型数据集以产生合适的泛化模型，以及数据与模型设置的标准化与共享问题（参考文献 14，即 Siegersma 等 2019 年 Neth Heart J 上的"心血管影像 AI 现状"综述）。作者总结说，AI 在 CCT 中是一个庞大且不断成长的研究领域；在临床决策语境下，它是个性化医学（personalized medicine）实现过程中的又一个前进台阶。

结论

作者在结论中指出，心脏 CT 领域近期大量指南与共识文件的发布确实推动了精准医学目标的实现；然而无论在诊断还是治疗策略中，临床路径都可能被浩如烟海的现有文献所模糊。在此情境下，AI 技术既可以贡献于指南的制定过程，也可以在临床决策中帮助解读并应用这些指南。

本章个人批注

本章是一份"指南-政策"层面的章节，与前后章节的"产品"或"技术"层面形成有趣对照。我读完后有几条比较深的印象：

  • 结构非常清晰，但内容偏纲领性。作者把全章切成"指南景观 → 指南制定流程 → AI 在三步骤的切入点 → 临床决策支持 → 结论"五段，逻辑链紧密；但每一段都更像综述而不是深入论证——尤其是引言部分只用了几段就讲完了 CCT 指南景观、43 份指南、146 条推荐、62 条 CCT 推荐的分布（I/IIa/IIb/III 各占 37.1%/27.4%/19.4%/16.1%）以及 AI 切入的总体设想。这与 ch21 的"产品清单"风格形成对比——ch21 是广而细，ch22 是窄而精。
  • 图 22.1 与图 22.2 是全章的视觉骨架。图 22.1 把 62 条 CCT 推荐按 ESC/ACC-AHA × 推荐类别四象限交叉，呈现了一个"指南密度地图"；图 22.2 则把 CPG 制定流程的 7 步流水线画出来，并在三个步骤旁标注"ML-based prediction models / ML and NLP to filter and categorize evidence / Ranking evidence according to index of citation"——这种把 AI 切入点直接画在流程图上的做法，对读者快速把握"AI 适合介入哪一环"特别有效，是本章最值得借鉴的呈现方式。
  • Motwani 与 Van Rosendael 是"AI × CCT 预后"的双锚点。前者（2017, n=10030, 25 临床变量 + 44 CCT 参数, 5 年全因死亡）证明了 ML 在传统风险评分之上的增量价值；后者（2018, n=8844, 16 段狭窄 + 斑块成分, >3 年随访, AUC 0.771 vs 0.685–0.701）则展示了 ML 在斑块组成信息利用上的优势。两者都来自 CONFIRM 注册研究或其衍生队列，是后续 ch24-27（钙化评分、斑块评估、CAD-RADS、CT-FFR）的早期证据基础。
  • 作者对"AI 局限"的讨论非常克制。在 Clinical Decision-Making 末尾只用了两句话提到：需要大型多样化数据集、需要数据/模型标准化与共享。这种克制的态度说明作者把"局限性"更多视为"未来工作"而非"拦路虎"，与 ch18/ch19 中那种"实际工程问题"导向的 AI 讨论形成对比。
  • "AI 用于指南文献检索"是本章最具战略价值的一节。作者提到 NLP 能"在海量变量集合中探测复杂的非线性关系"，并能"建立论文之间的联系"——这其实指向一个超出 CCT 的更宏观命题：AI 不只是帮助检索文献，而是能帮助识别"被忽视的研究问题"。这点在 ch20（MR 指纹）的 Future Apps 章节中有类似的回响，但视角不同：ch20 是"AI 用于加速新模态的临床转化"，ch22 是"AI 用于加速指南的知识更新"——两个不同维度的"AI × 知识管理"。
  • 本书截至本章（Part III 心脏应用的开篇）开始把临床决策支持提到显学位置。前面 ch20（MRF + AI）与 ch21（Available AI Softwares）都更偏技术/产品，本章起把"AI 在决策中的角色"作为单独一节展开。这预示了 Part III 后面 ch25/26/27（斑块、CAD-RADS、CT-FFR）的写作方向——都会沿用"技术细节 + 决策支持角色"双线展开。

与上下章的衔接（一段话）

本章放在 ch21（Available AI Softwares）之后、ch23（NLP for Cardiovascular Applications）之前，正好处于 Part III "AI：心脏应用"的开篇。ch21 已经从市场层面梳理了 CCT/CMR/胸片/胸部 CT/PET-CT 上的商业 AI 产品，回答了"现在可不可买到"的问题；ch22 则把视角拉到上游，回答"AI 如何参与这些产品所依据的指南本身的制定与解读"。下一章 ch23（Tariq/Santos/Banerjee）从 NLP 这一更具体的技术维度切入，专门讨论如何用文本分析从临床叙述（医生/护理记录、影像/病理报告）中抽取信息——与 ch22 中"AI 用于指南文献综述"那一节（参考文献 4、5）形成紧密呼应：ch22 是"AI 用于过滤科学文献"，ch23 则是"AI 用于过滤临床叙述"，两者共同构成了 Part III 起始两章的"AI × 文本/知识"双子题。因此 ch22 在整本书中扮演的是"指南-政策层"的角色——既向上接住 Part I-II 反复出现的"AI 工具如何嵌入临床工作流"主题（ch11、ch12、ch18），又向下铺垫 ch23 NLP 章节以及后续 ch24-27 的 CAD/斑块/CAD-RADS/CT-FFR 各具体临床问题。