成果展示 | 清华大学大数据研究中心——医工结合科研创新支持计划

“医工结合科研创新支持计划”（以下简称：计划）由清华大学大数据研究中心、北京清华长庚医院和清华大学临床医学院联合发起，旨在全力推动医疗大数据与人工智能技术深度融合的科研创新。该计划重点支持的研究课题，包括健康大数据与人工智能、智能医学影像工程、精准能量外科技术等方向，研究团队均由清华大学专注数据科学技术创新的工程教授（助理教授及以上）和专注科研的学术型医生（副主任医师及以上）组成。以下内容为该计划部分成果展示：

 

基于深度学习的心电图智能诊断

 

医方：清华大学电子工程系教授 王贵锦

工方：北京清华长庚医院副院长 张萍

 

研究成果

 

一、项目支持完成由清华大学临床医学院和清华大学大数据研究中心以及多家重点医院联合主办的首届中国心电智能大赛。大赛获得天津市卫健委和河北省卫健委领导高度重视，总奖金将高达百万元。大赛在几百只队伍的激烈角逐中选出多支优秀队伍，并将优秀算法文章发表在与MICCAI2019合作国际研讨会，形成Springer论文集。

 

二、构建了心电图的分布式标注工具LabelECG。LabelECG 是一个在线分布式心电标注工具。医生可以通过台式机、笔记本电脑、平板电脑甚至手机上的网络浏览器访问 LabelECG。LabelECG 更易于部署和负责的数据管理性能，使医生可以忽略对数据的操作，专注于心电图的标注。LabelECG 能够帮助用户上传、可视化、注释和修改他们的心电图记录。

 

LabelECG：心电的分布式标注工具

 

三、发表一篇关注心电图的关键点检测的会议文章。由于采集方式、环境等的不同，不同的数据集之间存在较大的差异，导致模型在非训练数据集的其他数据集上性能大幅下降。为了使模型能够更加满足真实的应用场景，我们提出了自适应区域聚合网络（ARAN）。我们在当前最优的关键点检测网络RAN上引入对抗训练的思想，ARAN通过生成器生成具有混淆性的融合特征的同时利用判别器对源域和目标域信号进行分辨，以此促使网络能够学习到更多源域和目标域中域一致的信息。整个过程只需要借助目标域的信号而无需任何标注。多个数据集上的实验结果表明ARAN大幅提升了模型的跨数据集性能。

 

本项目的开展促进了人工智能在心电图的智能判读方向上的前所未有的突破。我们欣喜的看到，获得充分训练的模型，在能够达到与有经验的技师相媲美的分类精度的同时能够极大的降低诊断成本，将医生从繁重的工作中解脱出来，实现效率的最大化。

 

研究目前存在的问题和可能的解决方案：

 

1. 现有的算法依赖大规模有标注的数据集，而由于标注成本高，涉及隐私问题等，心电图数据库严重不足，这意味着，一方面，我们应当继续推动心电图数据库的建立工作，以为算法研究提供基石。另一方面，线下门诊每年产生的心电图数以亿计，如何将这些未经过标注的数据加以合理利用，同样也是我们研究的重点。

2. 算法的部署需要依赖硬件设施的支撑，适合于心电产品的芯片还没有取得突破，成为限制算法落地的瓶颈。

3. 在我国，便携式心电设备的相关标准极不完善，各厂商的产品无法得到规范的测评，因此推动相关标准的建立至关重要。

基于高分辨核磁共振技术的颅内动脉狭窄病因和粥样斑块进展预测研究

 

工方、医方：清华大学医学院生物医学工程系长聘副教授 赵锡海

 

研究成果

1、实现了颅内动脉快速高分辨率MR管壁成像；

本研究序列调测的所有磁共振实验均在清华大学生物医学影像中心的一台3.0T磁共振扫描仪（Ingenia, Philips Healthcare, The Netherlands）上进行，使用配套的32通道头线圈及8通道颈动脉线圈进行成像。颅内外大范围动脉管壁T1及T2加权成像均采用黑血快速自旋回波成像（Turbo Spin-Echo, TSE）序列实现，成像范围包含大脑中动脉及全部颈动脉（FOV = 250×160×45 mm3），T1加权序列空间分辨率为各向同性0.5 mm，T2加权序列为各向同性0.54 mm。其中T1加权成像使用变角度的快速自旋回波成像（Variable Flip Angle Turbo Spin-Echo, VFA-TSE; VISTA, Philips Healthcare）缩短TEequiv值从而得到更纯的T1对比度，同时增强黑血效应。两序列均采用谱衰减反转脉冲（Spectral Attenuated Inversion Recovery, SPAIR）进行脂肪抑制，从而得到更清晰的外管壁轮廓。两个序列均采用压缩感知算法对成像环节进行加速，使得T1加权成像序列扫描时间缩短至7’21’’，T2加权成像序列至6’54’’。两序列详细参数见表1，成像效果示意图见图1、图2。

 表1 颅内外大范围高分辨率动脉管壁T1、T2加权成像序列参数

图1 颅内外大范围高分辨率动脉管壁T1加权成像示意图（患者年龄76岁，右侧颈动脉重度狭窄） 

 

图2 颅内外大范围高分辨率动脉管壁T2加权成像示意图（患者年龄76岁，右侧颈动脉重度狭窄）

2、以高分辨率磁共振（MR）为基础，建立颅内动脉高分辨磁共振成像技术的应用规范和影像判读标准；

在中华放射学杂志发表了《颅内MR血管壁成像技术与应用中国专家共识》，推荐了颅内动脉成像技术方案，提供了图像质量控制和可重复性原则和颅内动静脉疾病的影像判读方法，同时，归纳总结了当前颅内磁共振管壁成像技术在颅内动脉粥样硬化、夹层、中枢神经系统血管炎、烟雾病和可逆性血管综合症等动脉血管壁病变和静脉血栓方面的临床应用（图3）。

图3 颅内MR管壁成像的临床应用

3、症状性颅内动脉狭窄病因研究

通过应用优化的T1-VISTA（西门子称为SPACE）序列对症状性颅内动脉狭窄患者的颅内动脉管壁进行成像研究发现，在158例患者中，导致颅内动脉狭窄的病因依次为动脉粥样硬化（82.3%）、烟雾病（8.8%）、动脉夹层（3.2%）、血管炎（0.6%）及其他原因不明疾病（5.1%）（图4）。本研究还发现动脉粥样硬化患者的低密度脂蛋白（2.8±1.1 mmol/L vs. 2.3±0.6 mmol/L, p = 0.022）和总胆固醇（4.4±1.4 mmol/L vs. 3.6±1.3 mmol/L, p = 0.019）水平显著高于非动脉粥样硬化患者。图5为颅内动脉粥样硬化、烟雾病、动脉夹层和血管炎患者的磁共振管壁特征。该研究结果提示，颅内动脉粥样硬化是导致国人症状性颅内动脉狭窄的最主要原因，其他非动脉粥样硬化疾病依次为烟雾病、夹层、血管炎和原因不明疾病。与非动脉粥样硬化性疾病相比，动脉粥样硬化患者表现为较高的低密度脂蛋白和总胆固醇水平。

 

图4 颅内动脉狭窄病因分布

 

图5 颅内动脉粥样硬化、烟雾病、动脉夹层和血管炎的磁共振影像特征

图A和B 为颅内动脉粥样硬化示例图，TOF-MRA可见右侧大脑中动脉狭窄（A，白箭），TI-VISTA图像可见右侧大脑中动脉偏心性管壁增厚（B，白箭）。图C和D为烟雾病示例图，TOF MRA可见双侧颈内动脉终末段重度狭窄闭塞（C，白箭），T1-VISTA提示右侧大脑中动脉近端管腔狭窄（D，白箭），走行区见多发侧枝血管形成（D，箭头）。图E和F为夹层示例图，TOF-MRA可见左侧大脑中动脉狭窄（E，白箭），TI-VISTA可见左侧大脑中动脉撕裂内膜片（F，白箭）。图G和H为血管炎示例图，TOF-MRA可见双侧大脑中动脉多发狭窄（G，白箭），TI-VISTA示左侧大脑中动脉向心性管壁增厚，并呈明显强化（H，白箭）。

4、颅内动脉粥样硬化斑块进展的影响因素研究

采用优化的T1-VISTA/SPACE颅内动脉管壁成像序列，通过对症状性颅内动脉粥样硬化、无症状性颅内动脉粥样硬化和健康对照组受试者进行磁共振血管壁成像研究，最终573例受试者纳入统计分析，其中症状性颅内动脉粥样硬化组104例，无症状性颅内动脉粥样硬化组51例，健康对照组418例。结果发现，与对照组相比，无症状性颅内动脉粥样硬化受试者具有较大的年龄（OR: 1.07, 95% CI: 1.03-1.10, p <0.001）和较高的高血压（OR: 3.03, 95% CI: 1.45-6.36, p = 0.003）发生率。与对照组相比，症状性颅内动脉粥样硬化受试者具有较高的吸烟（OR: 3.41, 95% CI: 1.57-7.42, p = 0.001）、高血压（OR: 7.43, 95% CI: 3.81-14.49, p <0.001）、糖尿病（OR: 3.54, 95% CI: 1.93-6.49, p <0.001）和较低的高密度脂蛋白（Q2 / Q3 / Q4 vs. Q1, all p <0.017）发生率。与无症状性颅内动脉粥样硬化组相比，症状性颅内动脉粥样硬化受试者具有较低的年龄（OR: 0.86, 95% CI: 0.81-0.92, p <0.001）及高密度脂蛋白（Q3 / Q4 vs. Q1, p <0.001）发生率。本研究结果提示，积极戒烟和严格控制血压及血糖水平可能有助于降低颅内动脉粥样硬化和脑缺血事件的发病风险。

编辑：于腾凯

校对：林亦霖