肺动脉高压（pulmonary hypertension，PH）有5大类，包括动脉性PH、左心疾病所致PH、肺部疾病和（或）低氧所致PH、慢性血栓栓塞性PH（chronic thromboembolic pulmonary hypertension，CTEPH）和（或）其他肺动脉阻塞性PH、未明和（或）多因素所致PH。因其发病机制的复杂性增加了对PH精确分型的诊断、治疗和预后评估的难度^{［1, 2］}。随着医疗信息化技术和应用的深入发展，医学大数据的累积、计算能力的提高均促进了人工智能（artificial intelligence，AI）在医疗领域的应用和开发^［3］。AI是指机器模拟人的意识和思维，通过学习输入的数据并采用多样化的建模方式（算法）加以处理，现已广泛应用于肺部疾病、重症监护和心血管医学等多种研究领域。基于多模式和大数据的AI需要复杂的算法和先进的计算能力，深度学习（deep learning，DL）算法是AI技术发展的核心环节，其算法建立在模拟人脑连接的人工神经网络（artificial neural network，ANN）上，可用于监督机器学习（machine learning，ML）（用于预测未知和未标记数据集中的输出）和无监督ML（用于处理降维或聚类任务），有助于新的PH亚表型分类。有研究表明，AI可作为一种辅助手段在人群水平上提供低成本筛查、促进早期诊断、提高诊断率和患者预后，具有极大的潜在应用价值。当把基于AI的成像技术与临床影像诊断技术结合起来后，二者结合的表现优于AI或放射科医生单独的表现。AI技术日新月异的发展将降低侵入性操作的需求，其优势应用在PH诊疗领域中可避免简化主义并解决PH的复杂性。本文总结了近年来AI在PH无创辅助诊断领域中的研究和潜在应用，以期加速AI和PH的深度融合和发展。

心电图是应用最广泛的表征心脏结构和电活动变化的检查技术。肺血管阻力的持续增加最终将导致血管重塑以及右心室（right ventricle，RV）和右心房（right atrium，RA）的扩大，继而发生心脏电生理的相应变化，并出现各种异常的心电图表现。由于心电图处理大量数据的复杂性，AI可以实现心电图数据的自动学习并建立分析系统，进一步识别与心脏结构或功能异常相关的微小变化。近年来，ML已在心电图自动筛查、诊断及预测心血管疾病等方面均有较大进展。Tison等^［4］提出了一种新的算法来构建DL的神经网络，其算法建立在模仿人脑连接的多层卷积神经网络（convolutional neural networks，CNN），将36 186份12导联心电图波形分割为不同波段和间期，结果显示基于AI的心电图数据能够使用连续指标估计心脏结构异常的严重程度，其预测的PH关键指标包括V1导联的QRS波，当心电图显示高R波、深S波，代表了RV肥大；而V3和aVR导联的P-PR改变，可能反映了RA增大，AI预测PH的受试者工作特征（receiver ope rating characteristic，ROC）曲线下面积（area under the receiver operating characteristic curve，AUC）为0.94，表明心电图用于PH的诊断中显示出了极高的辨别力。基于一系列大型心电图数据库的AI技术不仅可以对心电图进行全自动解释，还能检测人眼无法识别的心电图特征和模式，而这些模式可以提示左心室（left ventricle，LV）收缩功能障碍、无症状心房颤动和PH等。Kwon等^［5］研究结果表明，使用AI方法根据患者的心电图特征对其进行PH风险评估模型中，被AI定义为高风险组的患者2年内发生PH的概率高于低风险组患者（分别为31.5%、5.9%），证明了AI算法在心电图数据（12导联和单导联）中预测PH的高精确度。总之，心电图是一种低成本、快速和简单的测试，AI在心电图领域的应用可实现有效且具有潜在成本效益的诊断测试。

PH的早期诊断对高危患者的早期干预至关重要。CXR检查是PH诊断的常规方法，临床上诊断报告常为肺动脉段突出，伴外周肺血管“截断现象”，及RA和RV扩大。然而，该表现往往发生于中重度或晚期PH患者，所以CXR正常的患者并不能排除患有PH的风险。Kusunose等^［6］将AI应用于CXR以识别PH并对其进行危险分层，通过CNN的AI算法分析了900例疑似PH患者的CXR，以肺动脉压力（pulmonary artery pressure，PAP）>20 mmHg（1 mmHg=0.133 kPa）作为识别PH的诊断标准，该模型预测PH的AUC值显著高于CXR图像测量和医生观察所得的AUC值（分别为0.71、0.60、0.63，P<0.05），AI预测为PH者患有心力衰竭的风险是AI预测为非PH者的2倍。基于CXR联合AI的预测模型，随访结果也很好地验证了该AI模型能够精确识别患有PH风险的高危人群^［7］。

超声心动图是评估PH患者RV功能最便捷且无创的方法，它提供了对双心室结构和功能、PAP、瓣膜功能和心腔内血流的快速、无创和准确评估。然而，超声心动图对图像的采集和分析高度依赖于超声科医生的个人经验与专业知识，而CNN可以实现标准切面的自动化采集，准确自动识别23个超声心动图视点并对5个常用心腔切面进行图像分割，获得心脏结构和功能的量化分析，包括质量、容积、射血分数和纵向应变，其预测PH的C指数为0.85^［8］。Kusunose等^［9］研究结果表明，ML算法能够很好地评估LV功能、RV功能、量化心室和测量瓣膜并优化诊断，该算法对评估LV射血分数的水平与医生评估的LV射血分数之间具有非常好的一致性（相关系数为0.92）。AI的智能准确度是基于ML算法不断地从批量数据中学习并改进，算法的多样性使得面对具体问题时可选择最合适的ML算法。比如，基于Logit Boost的ML算法可以较好地识别毛细血管前PH和毛细血管后PH^［10］，也有Leha 等^［11］研究结果表明，基于随机森林回归的ML算法在超声心动图中预测PH具有更高的灵敏度和特异度。另外，与右心导管相比，单纯的超声心动图检测显著低估了重度三尖瓣关闭不全患者的PAP，但根据超声心动图的9个参数结合极端梯度增强算法即可准确预测重度三尖瓣关闭不全患者的PAP和生存预后^［12］。因此，深度开发机器自动化辨识系统具有广阔的实践前景，提高其应用范围将进一步促进对PH的筛查、分类和诊断。目前，澳大利亚已经建立了大型超声心动图数据库NEDA，纳入40余万例患者的数据并进行随访，用于AI预测PH的诊断和预后研究^［13］。

放射性核素V/Q扫描是一种无创的肺血流分布的检测方法，对于血管阻塞性疾病有很好的诊断价值。Tourassi等^［14］于1993年率先探索采用ANN对383例急性肺栓塞（pulmonary embolism，PE）患者的肺V/Q显像进行分析，用于预测急性PE ^［15］，为患者减轻了额外进行肺血管造影的经济负担。随着技术的不断进步，ANN可以完全自动化地解释肺V/Q显像特征 ^［16］，并自动分析该显像的匹配和不匹配缺陷，其灵敏度、特异度和准确度分别为0.95、1.00和0.98^［17］。另外，有研究显示V/Q显像同样实现了对CTEPH的准确诊断，其对段及亚段病变定位的灵敏度较高 ^［18］。通过ANN对V/Q显像的统计和边界特征等参数进行自动预测，结果显示其与血管造影测量的PAP显著相关^［19］。

尽管AI在诊断成像中的应用在过去几年中迅速增加，但其在功能性肺成像中的临床应用仍处于不断发展的阶段。目前AI在胸部医学成像中的应用主要局限于胸部CT等，对于其他功能性胸部影像学技术如V/Q成像下的AI结合算法尚需进一步研究发展。

CT是临床上常用的一种影像学诊断方法，利用放射线对人体进行检查，对密度的分辨率比较高，因此其在肺部疾病的鉴别诊断中发挥了很好的作用。近年来，AI联合CT在评估肺癌、弥漫性肺病等肺部疾病的研究呈爆发式增长，AI同样可以应用于CT诊断PH ^［2］，有研究表明基于CT的随机森林模型在预测PAP中表现出最佳的性能，并可以减少对侵入性操作右心导管的依赖 ^［20］。对于PE，一种结合了协调注意机制和金字塔池模型的深度神经网络（CAM-Wnet）很好地提高并精确了PE的诊断，有效提高了胸部CT图像中栓子的自动分割识别效果 ^［21］。有趣的是，在CT肺血管造影检查中，与手动测量的肺动脉主干直径和肺动脉主干/升主动脉直径比值相比，AI自动测量的RV/LV直径比值与右心导管参数具有更强的相关性，并且可以更好地预测PH患者的预后^［22］。鉴于计算机辅助检测在CT肺动脉造影诊断PE中存在假阳性问题，通过CNN开发的一种血管对齐的栓塞多平面图像则可以有效减少假阳性，其准确度优于现有的传统自然语言处理模型^［23］。

PH的病理生理机制是肺血管重塑，包括PAP升高及肺静脉的“动脉化”表现。在肺血管疾病中，根据肺动脉与肺静脉疾病不同的致病机制，所对应的治疗方案不尽相同，因此有必要对肺动静脉病变进行区分。然而，由于CT图像存在大量的层面、扫描分辨率和部分体积效应等固有问题，以及血管树的高密度和极端复杂性，使得手动区分动静脉效率低下，错误率较高。基于此，Nardelli等^［24］通过尺度空间分割方法自动区分动静脉，使用3 D CNN模型获得血管的首次分类，继而对切割后的图像进一步优化和细化，无需进行支气管分割和血管增强等步骤处理，与手动区分相比，具有94%的整体准确率。此外，Rahaghi等^［25］对胸部CT进行血管重建，进一步通过CNN区分肺动静脉，并自动量化血管曲折度和血管容积，以评估PH严重程度，与对照者相比，PH患者肺动脉小血管容积显著下降，大动脉容积显著增加，肺静脉小血管容积显著下降，动脉曲折度显著增加，运动性PH患者的肺静脉小血管容积显著下降。总之，层出不穷的AI新算法通过结合普通的CT图像可以从多方面实现PH风险衡量。

根据欧洲心脏学会/欧洲呼吸学会PH指南的建议，RA面积可以独立预测PH患者的死亡率，而心脏MRI可准确测量RA面积，且与有创血流动力学具有较强的相关性，可高度预测患者的死亡率 ^［26］。但由于右心在基底部和流出道的复杂解剖结构，加之右心在PH状态下发生严重的形态变化，右心的人工功能形态评估仍然是一项挑战。基于此，AI允许更可靠地测量RA区域以改进临床评估。Swift等^［27］基于张量的ML方法，使用多线性子空间学习，结果显示在短轴层面心脏MRI预测PH的AUC值为0.9，预测特发性肺动脉高压（idiopathic pulmonary arterial hypertension，IPAH）的AUC值为0.97，在四腔室层面预测PH的AUC值为0.86，预测IPAH的AUC值为0.95，均显示出了良好的准确性。目前，得益于传统ML算法和神经网络算法的不断进步，关于DL在心脏MRI中的应用研究已显示取得了较好的成效。首先，AI结合下的MRI定量灌注成像自动分析可显示出肺传输时间、肺血容量及其衍生参数，这些生理参数可作为预测不良心血管事件的独立危险因素，从而更全面地评估心肺功能^［28］。其次，Alandejani等^［26］在365例PH患者和健康受试者的多中心队列中基于AI技术构建了RA区域的MRI模型，结果显示，与手动RA测量相比，所有基于AI技术测量所得的RA均显示出更高的可重复性，最大RA面积可以更准确地预测升高的平均RA压力和高风险阈值（AUC：AI=0.82/0.87，手动=0.78/0.83），并且其预测的死亡率与手动测量相比高度一致。同样，来自32个多中心AI研究表明，与人工手动测量相比，AI对心脏MRI参数的自动测量具有与有创血流动力学右心导管参数（肺血管阻力和PAP）更强的相关性，具体表现为AI对RV收缩末期容积、射血分数和质量的自动测量可高度预测PH患者的死亡率 ^［29］。

此外，MRI技术可同时结合几种DL算法进行辅助诊断。Dawes等^［30］利用心脏MRI结合ML，表明三维心脏运动分析可以准确评估心脏的功能状态，并比其他传统预后标志物具有更高的PH预后价值。而Duan等^［31］通过心脏MRI结合CNN，以此生成具有高分辨率和解剖学上光滑完整的3 D双心室模型。LV和RV特征的联合提取，通过心脏MRI衍生的放射组学和信息传输数据增强的方法可较好地诊断PH^［32］。在PH患者中，终末期PH患者的RV室腔扩大和室壁增厚，其相应的应变水平显著升高及收缩峰值也进一步延迟^［33］。在此基础上，Attard等^［34］进一步通过ML创建了RV几何形状和功能的定量3D模型，并预测N2-二甲基鸟苷在内的6种预后代谢物与RV适应机制有关。而多层感知器ML模型也可以基于心脏MRI中LV心肌的纹理特征，准确预测LV收缩功能障碍发生前后的PH患者^［35］。除了以上AI技术对心脏MRI的测量及预测，基于AI技术的 MRI研究还可以用于产前预测患有先天性膈疝的胎儿在产后发生PH的概率^［36］。总之，AI在心脏MRI自动识别PH方面具有很高的准确性，进一步的研究将有助于PH的早期诊断及RV功能评价^［37］。

Tranulis等^［38］使用PH动物模型，记录心电图、心音图并使用神经网络Coiflet小波分解和伪平滑Wigner-Ville分布从第二心音提取的特征来估算PAP，其估算值与测量的PAP具有高度相关性。新型纳米技术也在PH中获得应用，有研究使用一种基于分子修饰纳米粒子和单壁碳纳米管随机网络的AI纳米阵列对呼气样本中的挥发性有机化合物进行检测，其对预测PH显示出了良好的准确性^{［39, 40］}。另外，一种基于多策略改进的黏菌算法进化出的核极限学习机用于PH动脉血气分析，在缺氧性PH动物模型中判断PH的准确度为93.31%。综合多种辅助诊断方法，Fauvel等^［41］通过采集临床、实验室、影像学和血流动力学等数据，借助聚类分析（ML和表型映射）识别高危PH患者，其预测结果证实与肺动脉高压患者相比，继发于LV疾病的PH和肺病相关PH的死亡率分别增加了2倍和3倍，而患有慢性肾病、冠心病、间质性肺病三联征的PH患者死亡率显著增加。同样，在大型PH数据库的建设中，美国国立卫生研究院/国家心肺血液研究所发起了“通过肺血管疾病表型组学重新定义PH”计划，通过收集1 500例PH患者及健康者的临床信息、外周静脉、肺动脉和肺动脉远端闭塞处的样本，结合了临床特征、影像学参数、血流动力学参数、血清学指标和多组学研究，对PH患者进行全面的表型分析，以期寻求更有效的PH分类方法^{［42, 43］}。

AI在PH中的应用具有宏大的潜力，现代医学范畴正处于由传统医学向精准医学形式转变的契机，为AI技术充分参与医疗实践活动创造了有利的条件。PH疾病本身的复杂性、多样性、高风险性更为AI技术创造了大量的应用需求。现如今，AI技术已应用于PH生物标志物的鉴定^{［44, 45, 46, 47］}、新药研发^{［48, 49］}、慢性病管理^［50］等多方面，处理多层次、多类型海量数据的AI技术对于发现PH高危人群、早期筛查PH患者、明确PH诊断及评估患者预后都有巨大的应用前景^{［51, 52, 53, 54］}。其临床应用不仅能够提高临床医师的工作效率、降低出错率，还能够通过该技术对PH进行疾病的特征学习，从而更加智能化地提供诊断结果和治疗方案，提升基层医院的医疗水平。

总之，AI在PH领域的应用将为PH患者提供有创右心导管插入术的潜在替代方案。未来，一方面需建立大规模、多中心、规范化医疗数据集，提供高质量、标准化的医疗数据，另外一方面仍需不断优化ML算法构造和模型，提高AI技术水平，促进AI和PH的数据契合度，才能更好地在临床实践中落实此应用性技术，最终实现最佳医疗保健的管理。与此同时，需要加强医疗数据管理，构建有效的风险预警机制，维护患者的隐私，降低伦理风险。