近年来，人工智能（AI）在全球范围内掀起了一股热潮，其影响力和应用范围不断扩大，深刻改变着人类的生活方式、工作模式以及众多行业的发展轨迹。在心血管实践和研究方面，由人工智能驱动的技术也不断涌现。近期，JACC刊登了一篇综述[1]，汇集了不同的人工智能创新，重点介绍了多模态心血管人工智能在临床实践和生物医学发现方面的发展，并展望了以当代科学和新兴发现为后盾的新未来。
人工智能在疾病诊断中的创新
对疾病诊断的传统方法依赖于人为对病史、检查结果、影像学检查和测试结果进行多模态医疗数据解读。人工智能（Artificial intelligence，AI）和机器学习的早期研究主要关注开发仅使用结构化表格数据的工具，用于标准化和有效筛查心血管疾病，认为这种方法在处理具有复杂关系的现实世界数据时可能比传统线性模型更有效。然而，研究并未一致证明哪种模型更具优势。
人工智能在处理复杂信号，特别是生物识别信号和图像方面可能具有更大价值。研究较多的例子是人工智能在辅助解读12导联心电图（ECGs）方面，它不仅能筛查心房颤动风险，还能检测可能先于超声心动图改变的结构性心脏病和其他心肌功能改变（图1）[2]。这些应用已经扩展到通过人工智能辅助听诊器、智能手表和采集导联更少的便携式设备，既适用于慢性疾病，如左心室收缩功能障碍（LVSD），也适用于急性危及生命的疾病，如ST段抬高型心肌梗死。
图1. 人工智能引导心电图高效筛查心肌病
人工智能可使人们方便地进行更先进的诊断测试，如便携式心脏超声设备，但获取这些数据还需要专门培训。人工智能工具提供了指导，帮助获取高质量图像，并自动化解读过程。人工智能还使跨模态的心血管疾病机会性筛查成为可能，并可能增强某些算法的可扩展性。
人工智能判断疾病预后的新方法
人工智能工具正在增强疾病预后领域，通过定义个人的独特疾病轨迹和不良结局风险。传统风险分层工具受限于临床事件的随机性和不确定性，且往往忽略了生物系统的复杂性和相互作用。新型复杂模型的出现，能够更充分地利用电子健康记录中的数据，提高疾病预后的准确性。
人工智能（AI）能够将预测扩展到非结构化数据，如12导联心电图、胸部X光片、超声心动图等，这些数据能有效预测多种情况下的心血管事件和全因死亡。这很可能是通过直接或间接检测与已确立的心血管疾病相关或与生物衰老和全身风险因素相关的标志物的结构或电异常来实现的。通过成像表型和表格特征的多模态整合，AI工具可以为心律失常死亡与非心律失常死亡提供可操作的风险鉴别，从而指导个性化的风险-效益讨论。
新兴的人工智能工具还将使治疗干预达到最佳效果。例如，在程序性心血管管理中，深度学习模型通过整合心房内和体表信号来辅助房颤消融手术。在为患者匹配药物时，通过AI对基线及随访的12导联心电图进行表型分析，可协助安全地启动和调整疾病修饰治疗。其他模型还可以安全地启动抗心律失常治疗，以预测QTc间期延长并确保安全使用。因此，AI的作用贯穿于描述患者的风险特征和疾病轨迹，提供可操作的见解，从而可能使诊断和治疗管理实现个性化。
针对生物学发现的人工智能：机制推断和药物设计
AI驱动的工具可以显著加速药物发现过程，从化合物库的初步筛选到指导药物发现，再到能够进行智能药物筛选。在心血管疾病领域，AI指导的药物发现提供了前所未有的机会，可以识别新的治疗靶点、预测药物疗效并优化先导化合物的设计。目前，已有一些AI模型，如AlphaFold在蛋白质结构预测方面取得进展，对于理解药物-靶点相互作用至关重要[3]。AlphaFold及其后续模型也许能够预测蛋白质结构，从而绘制出详细的蛋白质景观图，进而有助于识别药物结合位点并设计更具疗效的治疗分子[4]。
将AlphaFold的能力与药物发现平台相结合，已经成功识别出针对诸如CDK20（一种与包括心血管疾病在内的各种生物过程相关的激酶）等靶标的新型小分子抑制剂[5]。除了预测蛋白质结构外，生成式AI模型现在还被用于设计作为新型疗法的新蛋白质和肽。这些模型已经开始将传统上的反应性过程转变为主动性过程。通过融入合成图像生成中使用的扩散模型原理，研究人员已将生成式AI的范围扩展到蛋白质设计。这涉及开发模型以迭代表示蛋白质的结构，直到达到所需的配置，这反映了自然蛋白质折叠的过程，指向特定的功能目标。此外，基于一些智能平台，可以进一步结合先验知识来加速药物发现和临床应用，从而进一步优化靶向药物的设计。因此，AI有潜力加速药物发现的步伐，为心血管医学提供丰富的机会。
人工智能助力精准治疗：大规模基因组学不断扩展
随着基因测序技术成本的降低和可用性提高，大规模基因组学时代已经到来。在心血管疾病管理中，这意味着可根据患者独特的基因构成来优化治疗方案，因为基因构成会影响药物代谢、疗效和安全性。即使在没有人工智能的情况下，基因组学也已经开始在常规临床管理中发挥作用。例如，药物基因组学已被纳入心血管医学，影响着高胆固醇血症、急性冠脉综合征和心肌病的治疗策略。特定基因的突变，如与遗传性心脏淀粉样变性相关的TTR基因，可以指导使用仅对具有特定突变的患者有益的治疗方法，这强调了临床工作流程中进行基因检测的必要性。
随着多模态人工智能的出现，利用基因组学转变管理和优化治疗的机会增加。这包括利用大规模基因组学通过结合基因组和历史数据中记录的治疗反应的高保真数字双胞胎来模拟对治疗的反应，以及利用多基因风险评分及其基因组输入作为多模态风险预测模型中的元素和治疗反应的影响因素。此外，目前的心血管基础模型仅利用临床数据，但纳入基因组数据有助于理解生物学的不同轴线和规模。
人工智能在临床试验中进行个性化推断
除了AI在生物学发现和优化临床操作中的作用外，它还能够以随机临床试验（RCTs）的形式，从临床领域的大规模实验中增强对精准医疗的学习。传统上，RCT的解释依赖于估计所纳入个体范围内的平均治疗效果，但实际上，患者的特征可能会改变干预措施的疗效。因为在大多数RCT中，个体仅被分配到一组，所以同一患者接受治疗和对照的反事实情况是不可知的。因此，在追求精准医学的广阔道路上，一个未满足的需求是开发数据驱动的方法，以达到对各种干预措施预期危害和益处的个性化估计。
通过人工智能可以构建临床试验人群的计算嵌入（“表型图”）来模拟原始临床试验中表示的潜在患者表型，这可能会标记出单变量分析未反映的相互作用。使用这些表型图、计算机模拟和迭代分析，可以为新个体估计个性化的治疗效果，并进一步纳入代表性和不确定性的指标。其他方法还适应了机器学习算法，如因果森林，允许对治疗分配和基线表型之间的相互作用进行建模。已经有研究表明它们在识别治疗效果异质性方面的作用，例如在强化降压的患者选择，以及糖尿病心血管风险降低疗法的适当使用等方面。
总的来说，这些技术可以指导将RCT结果转化为真实世界人群，还可以促进RCT设计的下一阶段过渡，例如使用Ⅱ期推断来定义适当的Ⅲ期纳入标准。
除了从RCT收集的数据外，因果机器学习方法还可以应用于观察性数据，以估计异质治疗效果。尽管这种方法仅在严格假设下适用，但它们可以利用临床实践中已经观察到的大量变异性。然后，可以使用这些来自已有数据的估计来为前瞻性RCT的设计提供信息，或者在由于时间、成本或安全性考虑而无法进行RCT的情况下提供证据。
总结
文章认为，未来十年，人工智能技术将成为诊断、预后和治疗心血管疾病的核心工具组件。单模态和任务特定模型可能会被任务通用、多模态和半自主系统所取代，从而有效增强人工智能的应用。通过可穿戴设备和便携式技术进行数据采集的创新，有望进一步拓宽专注于心血管健康监测和筛查的人工智能解决方案的范围。同时，人工智能驱动的综合多组学环境将能够进行更深入的表型分析，重新定义疾病分类，指导生物标志物发现，并降低新型疗法开发的风险。与此同时，随着创新速度继续超过监管环境的反应速度，需要将伦理、公平和可信赖的人工智能嵌入到开发和验证过程中。
参考文献：
[1]Rohan Khera, Evangelos K, et al. Transforming Cardiovascular Care With Artificial Intelligence: From Discovery to Practice. JACC.?2024 Jul,?84 (1) 97-114.
[2] Ulloa-Cerna AE, Jing L, Pfeifer JM, et al. rECHOmmend: an ECG-based machine learning
approach for identifying patients at increased risk of undiagnosed structural heart disease detectable by echocardiography. Circulation. 2022;146(1):36-47.
[3] Arnold C. AlphaFold touted as next big thing for drug discovery - but is it? Nature. 2023;622(7981):15-17.
[4] Lin Z, Akin H, Rao R, et al. Evolutionary-scale prediction of atomic-level protein structure with a language model. Science. 2023;379(6637):1123-1130.
[5] Ren F, Ding X, Zheng M, et al. AlphaFold accelerates artificial intelligence powered drug discovery: efficient discovery of a novel CDK20 small molecule inhibitor. Chem Sci. 2023;14(6): 1443-1452.
声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。
（来源：《国际循环》编辑部）
