跳转至

第 37 章 心脏核医学：AI 的角色（Cardiac Nuclear Medicine: The Role of Artificial Intelligence）

作者

  • Marina Piccinelli, PhD（通讯作者）—— Department of Radiology and Imaging Sciences, Emory University School of Medicine, Atlanta, GA, USA。
  • Ernest V. Garcia, PhD —— 同单位；Emory 大学 QPS / QGS 软件的奠基人，国际核医学 AI 领军学者。

本章位于 Part III 心脏应用部分，承接第 25-36 章的"心脏 CT / CMR"主题后，转向心脏核医学——SPECT 与 PET 心肌灌注成像（MPI）。属于"应用 + 综述"性质的章节，重点是 AI 在核医学从图像处理到风险预测的全链路应用。Garcia 是 Emory 大学 QPS / QGS 软件的奠基人，是国际核医学 AI 重要先驱。

内容概述

核医学（SPECT、PET）通过量化心肌灌注、LV 功能、收缩同步性、心肌代谢、神经支配、炎症等参数，已成为心血管疾病检测、风险分层、治疗选择的核心工具。本章按"AI 基础 → 图像处理与量化 → 图像解读与结果预测 → 图像精度与效率"组织：

  1. AI / ML / DL 基础：监督学习（SVM、决策树、ANN）vs. 非监督学习（PCA、聚类）vs. DL（多层 ANN、CNN）。
  2. 图像处理与量化：
  3. 图像再定位（reorientation）：Germano 1995 [X35] 阈值 + 中线拟合，400 例 98.5% 成功；Slomka [X37] 模板配准。
  4. LV 分割：Wang 2018 [X40] DL CNN 在 56 例心外膜/心内膜轮廓误差 1.09% ± 3.66%。
  5. 瓣膜平面识别：Shotgun 算法 [X39] SVM + 22 个高阶特征。
  6. 图像解读与结果预测：
  7. Arsanjani 2013 [X48] 自动化 TPD 与专家视觉等效（665 例）。
  8. Arsanjani 2013 [X49] SVM 整合 TPD、缺血变化、EF 变化诊断 CAD，AUC 0.92 vs. 专家 0.88/0.87。
  9. Hu 2017 [X52] 多中心 1980 例 SVM 预测早期血运重建，AUC 超越传统定量。
  10. Betancur 2018 [X53] CNN 直接从极坐标图检测阻塞性 CAD，每血管敏感性 64.4% → 69.8%。
  11. Juarez-Orozco 2019 [X56] PET MFR 缺血 ML 检测 AUC 0.72。
  12. Alonso 2019 [X57] 6 个特征的 ML 模型 AUC 0.77 优于 14 特征回归。
  13. ML 风险预测：Betancur 2019 [X55] 2619 例 SPECT，MACE AUC 0.81 vs. 专家 0.65。
  14. 图像精度与效率：
  15. Shiri 2020 [X59] DL 减半采集时间或减半投影角度。
  16. DL 应力 only 协议 [X62] 20,414 例，98 特征 ML MACE 预测。
  17. DL attenuation correction：Shi 2020 [X63] GAN 从 SPECT 生成 AC 图，平均绝对误差 3.6%。

核心方程与概念

1. AI / ML / DL 层级

\[\text{AI} \supset \text{ML} \supset \text{DL}\]
  • AI：图灵测试（1950s）——计算机模拟人类智能。
  • ML：从数据中学规则，无需显式编程。监督（标签）+ 非监督（无标签）。
  • DL：多层（10–50）CNN，自动学特征。

2. ANN（人工神经网络）

每个节点： $\(y = f_{\text{activation}}\left( \sum_{i=1}^N w_i x_i + b \right)\)$

  • 输入 \(x_i\) 乘权重 \(w_i\)，加偏置 \(b\)
  • 激活函数（ReLU、sigmoid、tanh）输出 \(y\)
  • 反向传播更新权重

3. 监督 vs. 非监督学习

  • 监督学习：给定 \((X, y)\) 对，学习 \(X \to y\) 映射。SVM、决策树、ANN、CNN。
  • 非监督学习：仅给定 \(X\)，发现数据结构。PCA、k-means、autoencoder。

4. 心脏核医学的核心量化指标

  • TPD（Total Perfusion Deficit）：总灌注缺损，单位 %。
  • SSS / SRS / SDS：节段灌注评分（stress / rest / difference）。
  • EF / EDV / ESV：射血分数、舒张末容积、收缩末容积。
  • TID（Transient Ischemic Dilation）：负荷后短暂缺血性扩张。
  • MBF / MFR：绝对心肌血流量 / 流量储备（PET 特有）。
  • Polar map：极坐标图，2D 投影心肌 17 节段或 20 节段。

5. LV 分割的传统方法

Germano 1995 [X35]：阈值法识别 LV → 中线表面拟合 → LV 长轴确定。400 例 98.5% 成功。

Slomka 模板配准 [X37]：男女模板图像 + 新数据配准，最小化绝对差。48 例从无失败。

6. DL LV 分割（Wang 2018, [X40]）

端到端全 CNN 训练 LV 轮廓（手工）。在 56 例上心外膜/心内膜轮廓误差 1.09% ± 3.66%。

7. SVM 整合多变量

Arsanjani 2013 [X49]：957 例 SPECT 整合 TPD + 缺血变化 + EF 变化 + 室壁运动 + 增厚评分。SVM AUC 0.92 vs. 专家 0.88/0.87。

Hu 2017 [X52]：1980 例 SPECT，18 临床 + 9 负荷 + 28 影像特征 = 55 特征，预测早期血运重建。

8. CNN 直接诊断（Betancur 2018, [X53]）

把 QPS 极坐标图作为输入 → 3 块卷积 + ReLU + MaxPool → 3 个全连接层 → 输出 LAD / LCx / RCA + 患者评分。每血管敏感性 64.4% → 69.8%。

9. 衰减校正（Shi 2020, [X63]）

GAN 从非 AC SPECT 生成 AC 图： $\(G: \text{SPECT} \to \hat{\text{AC map}}, \quad D: (\text{SPECT}, \text{AC}) \to \text{real/fake}\)$

65 例正常 + 异常，AC 图平均绝对误差 3.6%，AC 校正 SPECT 误差 0.26%。

10. 关键概念辨析

  • TPD vs. 视觉评估：自动化 TPD 客观、可重复；视觉评估受观察者间差异限制。Arsanjani 2013 [X48] 证明自动化 TPD 在血管水平优于专家。
  • PET vs. SPECT 绝对定量：PET 可测 MBF / MFR（mL/min/g），SPECT 只能测相对灌注。AI 在 PET 缺血预测上有独特价值。
  • "easy" vs. "complex" 模型的悖论：Alonso 2019 [X57] 6 特征模型 AUC 0.77 优于 14 特征回归——在医学数据中"特征少而精"可能比"特征多而杂"更好。
  • CNN 直接诊断 vs. 间接（先定量）诊断：Betancur 2018 [X53] 是"端到端"CNN 直接从图像到诊断——与传统"先 TPD 再诊断"不同。这种"端到端"在数据足够时通常更好，但在数据有限时可能失败。
  • DL 加速采集的"信号丢失"风险：Shiri 2020 [X59] 的减半时间 / 减半投影可能"创造"伪影，临床使用前需严格验证。
  • GAN attenuation correction 的"幻觉"风险：合成 AC 图可能"创造"不存在的解剖结构，临床使用前需严格验证。
  • 应力 only 协议的成本节省：当前 stress-only 在 60% 病例可行，AI 选择进一步扩大应用范围（每年可减少 30% 辐射剂量）。

关键结论

  • AI 在核医学有 30+ 年历史（Cedars-Sinai、Emory、Michigan、Yale 早期专家系统）。
  • LV 分割：Germano 1995 [X35] 98.5% 成功、Slomka 模板 [X37] 100%；Wang 2018 [X40] DL 误差 1.09% ± 3.66%。
  • 自动 TPD 与专家视觉等效（Arsanjani 2013, 665 例）[X48]；SVM 整合多变量 AUC 0.92 vs. 专家 0.88/0.87 [X49]。
  • Hu 2017 [X52] 多中心 1980 例 SVM 预测早期血运重建优于定量 + 专家。
  • Betancur 2018 [X53] CNN 直接从极坐标图诊断 CAD，每血管敏感性 64.4% → 69.8%。
  • Betancur 2019 [X55] 2619 例 SPECT MACE 预测 AUC 0.81 vs. 专家 0.65。
  • Alonso 2019 [X57] 6 特征 ML 模型 AUC 0.77 优于 14 特征回归——"少而精"原则。
  • DL 减半采集时间或减半投影 [X59]——降低辐射剂量。
  • Shi 2020 [X63] GAN 从 SPECT 生成 AC 图，误差 3.6%——消除 CT 散射校正需求。
  • ML 应力 only 协议 [X62] 20,414 例 + 98 特征，选择 MACE 低风险患者取消静息采集。
  • ML 在核医学已部分商业化（早期专家系统 FDA cleared），是医学 AI 落地最早领域之一。

挑战和开放性问题

  • PET MBF 量化的"参考标准"缺失：PET 测 MBF 需对 AIF 反卷积，不同方法（1-compartment、2-compartment）间一致性未充分验证。
  • TPD vs. 视觉的金标准争论：TPD 客观但可能错过非典型病变模式；视觉主观但可能识别 TPD 漏掉的细微异常。
  • ML 模型的"黑盒"：医生难以向患者解释"为什么 ML 说 70% 概率需要血运重建"。
  • 跨厂商 / 跨中心泛化：Cedars-Sinai QPS、Emory ECTb、Michigan 4D-MSPECT、Yale Wackers-Liu 等软件不同，ML 训练数据偏倚显著。
  • CNN 直接诊断的"可解释性"：极坐标图 → CNN → 诊断，无法告诉医生"看到了什么"——临床接受度低。
  • DL 加速采集的"信号丢失"风险：减半时间 / 减半投影可能"创造"伪影。
  • GAN AC 校正的"幻觉"风险：合成 AC 图可能"创造"不存在的解剖结构。
  • 多中心数据集的稀缺：Arsanjani、Hu、Betancur 虽有多中心数据，但样本量仍以千计，远未达到"亿级"——ML 性能提升有限。
  • 核医学的"夕阳产业"质疑：随着 CCTA / CT-FFR / CMR 灌注的崛起，SPECT / PET 的"功能学"价值是否会被替代？AI 是核医学"复兴"的工具。
  • PET 普及率低：PET 设备成本、放射性药物供应链限制，PET-AI 的临床转化路径长。
  • FDA 审批路径：早期专家系统已 FDA 批准，但现代 ML / DL 工具的"持续学习"模式与 FDA 框架不匹配。
  • 临床整合：核医学 AI 工具需要集成到 PACS / 工作流，需要工程 + 经济性双重支持。
  • 与第 25-36 章的协同：本章是核医学主题，与 CT 章节（Ch 25-27）、CMR 章节（Ch 32-35）形成"三大模态 AI"的完整图景——读者通过对比可学会"AI 在不同模态的共性与差异"。

个人反思与批判性分析

  • 作者团队的"Emory 视角"：Garcia 是 Emory 大学 QPS / QGS 软件奠基人，本章有明显的"Emory 系"偏好（Cedars-Sinai QPS、Emory ECTb）。读者应意识到不同核医学软件生态间的"竞争性"——Cedars-Sinai QPS 与 Emory ECTb 是市场主导。
  • 核医学 AI 的"早期历史"地位：本章引用了 1990s 的早期 AI 工作（专家系统），证明核医学是医学 AI 落地最早领域——这与 2020s 的"AI 革命"形成有趣对比。
  • "自动化 vs. 视觉"的金标准辩论：Arsanjani 2013 [X48] 证明自动化 TPD 等效专家；Betancur 2018 [X53] 进一步证明 CNN 优于 TPD——但视觉评估仍是临床金标准。这种"自动化超越金标准"的趋势与 CCTA / CMR 上的趋势一致。
  • Alonso 6 特征优于 14 特征的"反特征数"启示：在医学 ML 中，"特征少而精"可能比"特征多而杂"更好。这与影像组学的"4440 特征 / 30 例"形成对比——核医学 ML 更倾向"临床可解释的特征"。
  • CNN 直接诊断的"端到端"vs."分阶段"：Betancur 2018 [X53] 端到端 CNN 直接从极坐标图诊断，Arsanjani 2013 [X49] 分阶段（先定量再 SVM）——前者需要大数据、后者适合中小数据。这种选择反映"数据规模决定方法选择"。
  • AI 在核医学的"商业化成功"：早期专家系统（Emory 1985）已 FDA 批准商业化——这与 CCTA 上的 HeartFlow、Siemens cFFR 是医学 AI 商业化的"先驱"。读者应意识到核医学 AI 是"AI in medicine"的真正起点。
  • 核医学 vs. CT/CMR 的"代差"：核医学 AI 工具已部分商业化（专家系统、QPS、ECTb），CT-AI 工具（HeartFlow、cFFR）也商业化，CMR-AI 仍以研究为主——三者的"代差"反映设备普及率、检查量、临床整合路径的差异。
  • "AI 复兴核医学"的争议：随着 CCTA / CT-FFR 崛起，有人质疑核医学的"夕阳"前景。但核医学在心肌代谢、神经支配、炎症成像上的独特价值是 CT / MRI 难替代的——AI 是"复兴"的工具而非"替代"的工具。
  • PET-AI 的"早起步、晚落地"：PET 在 MBF / MFR 定量上有独特价值，但 PET-AI 在 2020s 才起步——比 SPECT-AI 晚 20+ 年。这反映 PET 设备 / 放射性药物供应链的瓶颈。
  • "AI 万能"与"AI 仅辅助"的两端：本章在 TPD 自动化、CNN 诊断、ML 风险预测上乐观（已部分商业化），在跨中心泛化、可解释性、商业化整合上保守（仍是开放问题）。这种"该强则强、该弱则弱"是核医学 AI 的工程现实。
  • 与第 25-36 章的协同：本章是核医学主题专项，与 CT / CMR 章节形成"三大模态 AI"完整图景。读者通过对比可学会"AI 在不同模态的共性与差异"——例如核医学 AI 在定量 + 风险预测上的成熟度高于 CT/CMR。
  • "老牌" vs. "新潮"的代际差异：核医学 AI 起步早（1990s 专家系统），CT-AI 起步晚（2010s CT-FFR），CMR-AI 起步更晚（2020s）——但 CT/CMR AI 受益于现代 DL 的红利，性能提升更快。这是医学 AI 发展的"代际"现象。

重要参考文献

  • [X1] Sabharwal N, Lahiri A. Role of myocardial perfusion imaging for risk stratification in suspected or known coronary artery disease. Heart. 2003;89(11):1291-7.
  • [X3] Einstein AJ. Effects of radiation exposure from cardiac imaging. J Am Coll Cardiol. 2012;59(6):553-65.
  • [X7] Garcia EV, Slomka P, Moore WH, et al. Software approach to myocardial perfusion SPECT. J Nucl Med. 2015;56(1):59-67.
  • [X8] Slomka PJ, Moody JB, Dahlbom M, et al. PET myocardial perfusion imaging. J Nucl Med. 2014;55(11):1829-41.
  • [X11] Garcia EV, DePuey EG, Sonnemaker RE, et al. Quantification of the reversibility of stress-induced SPECT thallium-201 myocardial perfusion defects. J Nucl Med. 1981;22(4):287-93.
  • [X15] Garcia EV, Taylor A, Halkar R, et al. RENEX: an expert system for the interpretation of 99mTc-sestamibi myocardial perfusion images. J Nucl Med. 1990;31(8):1268-76.
  • [X22] Slomka PJ, Dey D, Sitek A, et al. Cardiac imaging: working towards fully automated machine analysis. Nat Rev Cardiol. 2019;16(4):197-8.
  • [X35] Germano G, Kiat H, Moriel M, et al. Automatic reorientation of three-dimensional transaxial myocardial perfusion SPECT images. J Nucl Med. 1995;36(6):1107-14.
  • [X37] Slomka PJ, Hurwitz GA, St Clement G, et al. Three-dimensional model-based segmentation of myocardial perfusion SPECT. J Nucl Med. 1995;36(4):686-93.
  • [X39] Betancur J, Rubeaux M, Slomka PJ, et al. Automated identification of the valve plane for LV segmentation. J Nucl Med. 2015;56(1):85-91.
  • [X40] Wang T, Lei Y, Tang H, et al. DL-based myocardial contour detection. J Nucl Med. 2018;59(Suppl 1):1234.
  • [X48] Arsanjani R, Xu Y, Hayes SW, et al. Comparison of fully automated computer analysis and visual scoring for detection of CAD. J Nucl Med. 2013;54(2):221-8.
  • [X49] Arsanjani R, Xu Y, Dey D, et al. Improved accuracy of automated diagnosis of CAD using a SVM. J Nucl Med. 2013;54(4):556-62.
  • [X52] Hu LH, Betancur J, Sharir T, et al. Machine learning predicts per-vessel early revascularization. Eur Heart J. 2017;38:436-43.
  • [X53] Betancur J, Commandeur F, Motlagh M, et al. Deep learning for detection of obstructive CAD from myocardial perfusion SPECT. JACC Cardiovasc Imaging. 2018;11(11):1654-65.
  • [X54] Betancur J, Hu LH, Commandeur F, et al. DL from upright-supine myocardial perfusion SPECT. JACC Cardiovasc Imaging. 2019;12(5):849-57.
  • [X55] Betancur J, Otaki Y, Motlagh M, et al. ML-based risk stratification for MACE from SPECT MPI. J Nucl Med. 2019;60(Suppl 1):51.
  • [X56] Juarez-Orozco LE, Knol RJJ, Sanchez-Catasus CA, et al. ML for PET MFR-based ischemia detection. Eur J Nucl Med Mol Imaging. 2019;47(5):1197-208.
  • [X57] Alonso DH, Wernick ML, Furenlid LR, et al. ML for cardiac death risk prediction from SPECT MPI. J Nucl Med. 2019;60(Suppl 1):51.
  • [X59] Shiri I, Sabet KA, Arabi H, et al. DL-based fast SPECT MPI. J Nucl Med. 2020;61(Suppl 1):1151.
  • [X62] Hu LH, Miller RJH, Sharir T, et al. ML-guided rest test cancellation. JACC Cardiovasc Imaging. 2020;13(2 Pt 1):429-42.
  • [X63] Shi L, Onofrey JA, Liu H, et al. DL-based attenuation correction for SPECT MPI. J Nucl Med. 2020;61(4):546-53.