近年來，心血管疾病的發(fā)病率持續(xù)上升，引發(fā)了對(duì)創(chuàng)新診斷和管理技術(shù)的需求。人工智能輔助的心音分析技術(shù)，基于電子聽診器和計(jì)算機(jī)輔助的心音分析算法，已成為研究的熱點(diǎn)。該技術(shù)能夠?qū)崿F(xiàn)對(duì)心音信號(hào)的精確量化分析與分類識(shí)別，在瓣膜性心臟病、冠狀動(dòng)脈疾病、先天性心臟病、心力衰竭以及血壓評(píng)估等領(lǐng)域展現(xiàn)出重要價(jià)值。人工智能系統(tǒng)不僅提高了心音分析的敏感性和特異性，還推動(dòng)了醫(yī)療資源不足地區(qū)基層診療水平的提升，其在算法上的進(jìn)展包括基于深度學(xué)習(xí)的特征提取、心音信號(hào)去噪與增強(qiáng)，以及心臟病風(fēng)險(xiǎn)預(yù)測(cè)模型的開發(fā)。本文討論人工智能心音分析系統(tǒng)在心血管疾病診斷中的應(yīng)用現(xiàn)狀與進(jìn)展，為未來技術(shù)的臨床轉(zhuǎn)化和研究方向提供參考。

心音分析；人工智能；電子聽診器；心血管疾??；計(jì)算機(jī)輔助診斷

      心音的產(chǎn)生機(jī)制涉及心臟瓣膜及大血管在血液流動(dòng)作用下的振動(dòng)，這些振動(dòng)源于血流對(duì)心臟瓣膜、心房和室壁的沖擊，以及心臟內(nèi)部血流速度變化導(dǎo)致的湍流與渦流效應(yīng)。心音包含大量能夠反映心血管功能狀態(tài)的生理與病理信息，與心臟組織的物理性質(zhì)及血流動(dòng)力學(xué)變化緊密相關(guān)。通過對(duì)心音的分析，能夠?yàn)樾难芗膊〉脑缙谠\斷和評(píng)估提供重要線索。

      心音聽診是由專業(yè)醫(yī)務(wù)人員借助聽診器進(jìn)行的初步臨床診斷。作為一種傳統(tǒng)的檢查手段，心音聽診是心血管疾病初步篩查與評(píng)估的有效途徑之一。通過聽診，醫(yī)生能夠初步評(píng)估心臟功能，判斷瓣膜疾病及心律失常。然而，由于人耳對(duì)微弱心音判斷的限制，以及傳統(tǒng)聽診器傳音效果差等原因，早期輕微的心臟變化往往難以察覺。此外，聽診過程中可能受到環(huán)境、患者體型及醫(yī)生主觀因素的影響，降低了人耳對(duì)心音變化的分辨力，導(dǎo)致誤診或漏診。因此，臨床上亟須一種更精確的心音聽診工具，以提高診斷靈敏性和準(zhǔn)確性。

      隨著電子技術(shù)的迅猛發(fā)展，電子聽診器應(yīng)運(yùn)而生，突破了傳統(tǒng)聽診器的局限性。該設(shè)備可通過藍(lán)牙等無線技術(shù)將采集到的心音數(shù)據(jù)傳輸?shù)接?jì)算機(jī)或智能手機(jī)上進(jìn)行存儲(chǔ)與分析。電子聽診器具有信號(hào)失真度低，穩(wěn)定性、抗干擾能力強(qiáng)的特點(diǎn)，并能提供更高質(zhì)量的心音信號(hào)。此外，現(xiàn)代數(shù)字信號(hào)處理技術(shù)與模式識(shí)別技術(shù)，如小波分析、時(shí)頻分析、自回歸模型（AR模型）的廣泛應(yīng)用，加之各類人工智能識(shí)別技術(shù)（如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等）的賦能，推動(dòng)了心音分析技術(shù)的突破。

      人工智能輔助心音分析技術(shù)基于電子聽診器與計(jì)算機(jī)算法，通過去噪、分段、時(shí)域特征提取及分類4個(gè)步驟實(shí)現(xiàn)心音的定量分析。具體而言，心音信號(hào)經(jīng)電子聽診器采集后轉(zhuǎn)化為電信號(hào)，經(jīng)過處理生成心音圖，這是一種由聲音信息轉(zhuǎn)化成的可視化波形數(shù)據(jù)。利用深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)技術(shù)，從心音信號(hào)中提取病理信息并進(jìn)行分類。通過與數(shù)據(jù)庫中的數(shù)據(jù)對(duì)比，系統(tǒng)能夠自動(dòng)得出直觀的診斷結(jié)果。人工智能心音分析技術(shù)顯著提升了心音分析在計(jì)算機(jī)輔助診斷心血管疾病中的應(yīng)用價(jià)值，對(duì)避免誤診及提高臨床決策的可靠性具有重要意義。此外，心音的非侵入性檢測(cè)方式也方便了患者進(jìn)行定期檢查，增強(qiáng)了隨訪管理的有效性。

3.1  人工智能心音分析與瓣膜性心臟病

      隨著社會(huì)老齡化的加劇，瓣膜性心臟?。╲alvular heart disease，VHD）的發(fā)病率逐年上升。心音聽診在診斷VHD中扮演著重要角色。通過分析心音，醫(yī)生可以評(píng)估瓣膜功能，識(shí)別雜音（如收縮期雜音、舒張期雜音等），并推測(cè)瓣膜的病理變化。近年來，人工智能心音分析技術(shù)在VHD領(lǐng)域取得了顯著進(jìn)展。利用深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)等技術(shù)，能有效提高VHD的診斷效率和精度。

      BAGHEL等通過卷積神經(jīng)網(wǎng)絡(luò)分析1 000例患者的心音信號(hào)，成功地區(qū)分了正常心音與不同類型VHD心音，準(zhǔn)確率達(dá)到98.6%。GHOSH等將稀疏表示分類器與K-最近鄰算法相結(jié)合，分析1 000例VHD患者的心音數(shù)據(jù)，準(zhǔn)確率達(dá)99.2%。ALKHODARI等運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)VHD患者進(jìn)行診斷，準(zhǔn)確率亦高達(dá)99.3%。這些研究結(jié)果表明，人工智能心音分析技術(shù)在VHD的早期診斷中具有重要應(yīng)用價(jià)值。

3.2  人工智能心音分析與冠狀動(dòng)脈疾病

      冠狀動(dòng)脈疾?。╟oronary artery disease,CAD）是由冠狀動(dòng)脈供血不足引起的一組疾病，主要表現(xiàn)為心絞痛與急性心肌梗死等，已成為影響人群健康的重要疾病。因此，早期識(shí)別和及時(shí)干預(yù)對(duì)改善CAD患者的預(yù)后至關(guān)重要。研究顯示，當(dāng)冠狀動(dòng)脈狹窄程度達(dá)到25%時(shí)，會(huì)引起血流受阻并產(chǎn)生特有的湍流聲。這些血流湍流的聲學(xué)特性可通過心音監(jiān)測(cè)系統(tǒng)被有效監(jiān)測(cè)與識(shí)別出來。

      LARSEN等的研究分析了191例CAD患者與955例非CAD患者的心音，結(jié)果顯示，CAD患者與非CAD患者在第一心音（S1）和第二心音（S2）的時(shí)頻譜上存在顯著差異，尤其是舒張期的低頻能量顯著增加。LI等通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行智能心音分析，準(zhǔn)確率高達(dá)90.4%。LIU等在智能心音分析的基礎(chǔ)上，探討了多通道心音信號(hào)的聯(lián)合分析方法與同步采集技術(shù)的應(yīng)用，實(shí)現(xiàn)了多域特征及耦合特征的提取，并構(gòu)建了相應(yīng)的多通道心音采集系統(tǒng)，顯著提升了對(duì)冠心病的識(shí)別準(zhǔn)確率。這些結(jié)果表明，人工智能心音分析對(duì)冠心病的早期診斷與風(fēng)險(xiǎn)評(píng)估具有重要意義。

3.3  人工智能心音分析與先天性心臟病

      先天性心臟病（簡(jiǎn)稱先心?。┏１憩F(xiàn)為血流異常所引起的心臟雜音，人工智能心音分析技術(shù)能夠從心音信號(hào)的異常變化中識(shí)別這些雜音。研究者已通過機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法實(shí)現(xiàn)了對(duì)先心病的自動(dòng)識(shí)別與分類，顯著提高了診斷的準(zhǔn)確性和效率。

      AZIZ等的研究顯示，機(jī)器學(xué)習(xí)方法能夠?qū)θN常見先心?。▌?dòng)脈導(dǎo)管未閉、房間隔缺損、室間隔缺損）進(jìn)行有效分類，準(zhǔn)確率為95.24%。XIAO等將卷積神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于先心病的診斷，取得了93.6%的準(zhǔn)確率。由于單純雜音在兒童中較為常見，而中度或重度先天性心臟缺陷的發(fā)生率較低，因此，在臨床上準(zhǔn)確鑒別單純雜音與先天性心臟缺陷相關(guān)的雜音至關(guān)重要。最近一項(xiàng)多中心研究表明，基于人工智能的心音分析算法能夠有效區(qū)分不同年齡組兒童的病理性和無害性雜音，且具有較高的敏感性（69%）和特異性（97%）。該算法在識(shí)別過程中表現(xiàn)出色，顯示出其在臨床應(yīng)用中的潛在價(jià)值。

3.4  人工智能心音分析與心力衰竭

      在心力衰竭的診斷與評(píng)估中，心音分析技術(shù)可通過時(shí)域、頻域、時(shí)頻域特征與非線性特征的提取，反映心臟功能的變化。人工智能心音分析技術(shù)已在心力衰竭的早期診斷、分型及療效評(píng)估中展現(xiàn)出優(yōu)勢(shì)。GJORESKI等通過隨機(jī)森林與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的方法診斷慢性心力衰竭，準(zhǔn)確率達(dá)到86.3%。此外，GAO等構(gòu)建的心力衰竭篩查模型，通過心音分析技術(shù)實(shí)現(xiàn)了射血分?jǐn)?shù)保留型及射血分?jǐn)?shù)降低型心力衰竭的自動(dòng)識(shí)別，準(zhǔn)確率高達(dá)98.82%。心音智能分析在心力衰竭療效評(píng)估和預(yù)后評(píng)估方面也展現(xiàn)了較好的臨床價(jià)值。研究表明，通過同步心音和心電圖分析獲得的心音特征指標(biāo)，如電-機(jī)械激活時(shí)間（electromechanical activation time，EMAT）有助于射血分?jǐn)?shù)降低型心力衰竭患者的診斷。以EMAT≥104 ms作為判定射血分?jǐn)?shù)<5%的截?cái)嘀?，具有較高的敏感性和特異性。此外，進(jìn)展性心力衰竭患者植入左心室輔助裝置后，人工智能心音監(jiān)測(cè)技術(shù)可實(shí)現(xiàn)實(shí)時(shí)、遠(yuǎn)程、動(dòng)態(tài)心功能監(jiān)測(cè)，幫助早期識(shí)別右心衰竭、機(jī)械泵故障等與裝置相關(guān)的并發(fā)癥。

3.5  人工智能心音分析與血壓評(píng)估

      近年來，基于心音信號(hào)的血壓評(píng)估技術(shù)已成為一種非侵入性、連續(xù)監(jiān)測(cè)的新方法，許多相關(guān)研究成果突顯了該技術(shù)的臨床應(yīng)用潛力。在動(dòng)物研究方面，TANG等利用健康犬通過腎上腺素誘導(dǎo)血流動(dòng)力學(xué)變化，結(jié)合心音的多維度特征，采用反向傳播神經(jīng)網(wǎng)絡(luò)推算左心室收縮壓。在100~280 mmHg的收縮壓范圍內(nèi)，該方法的絕對(duì)誤差低至7.3 mmHg。另外，有研究發(fā)現(xiàn)，失血性休克豬模型心音S1與S2波的幅值及能量下降與動(dòng)脈血壓下降一致，特別是S2波幅值與能量的下降與血壓降低之間存在顯著的正相關(guān)關(guān)系，而且這種變化早于心率等傳統(tǒng)指標(biāo)。這一發(fā)現(xiàn)預(yù)示著心音信號(hào)可能成為失血性休克早期診斷的敏感指標(biāo)，為該類患者的急救提供了新的可能性。

      在臨床研究方面，F(xiàn)INNEGAN等指出，基于脈搏傳導(dǎo)時(shí)間（pulse transit time,PTT）的無創(chuàng)血壓測(cè)量方法存在混淆脈搏到達(dá)時(shí)間與PTT的問題，這會(huì)導(dǎo)致心電圖與脈搏波估算血壓值的偏差。而心音信號(hào)能夠更準(zhǔn)確地測(cè)量PTT，從而提高估算的準(zhǔn)確性，為臨床血壓監(jiān)測(cè)提供了新的視角。CHENG等通過采集并分析健康志愿者主動(dòng)脈瓣的心音信號(hào)，創(chuàng)新性地以S1與S2的峰值時(shí)間間隔及S2波的峭度為關(guān)鍵參數(shù)，推導(dǎo)出新的血壓計(jì)算公式。該研究的估算結(jié)果與實(shí)際測(cè)量值高度一致，且誤差極小，充分滿足了血壓檢測(cè)的精度評(píng)估標(biāo)準(zhǔn)，進(jìn)一步驗(yàn)證了心音信號(hào)在血壓估算中的可靠性與準(zhǔn)確性。MOON等的研究進(jìn)一步強(qiáng)化了這一觀點(diǎn)，他們通過經(jīng)食管聽診器記錄手術(shù)患者的心音變化，發(fā)現(xiàn)麻黃堿與艾司洛爾主要影響S1，而去氧腎上腺素與尼卡地平則會(huì)導(dǎo)致S2的顯著變化。由于S2的變化與外周血管阻力密切相關(guān)，這提示血管活性藥物引起的心血管功能變化可通過心音特征差異加以區(qū)分，為個(gè)體化血壓管理策略提供了寶貴的依據(jù)。

      人工智能心音分析系統(tǒng)是結(jié)合臨床實(shí)際需求開發(fā)的高準(zhǔn)確性、易操作的實(shí)時(shí)聽診裝置。隨著人工智能心音分析技術(shù)的發(fā)展，心血管疾病的早期識(shí)別和精準(zhǔn)治療已成為可能。這不僅為提升老年心血管疾病的臨床管理水平提供了新的思路，也為改善患者的生活質(zhì)量和長(zhǎng)期預(yù)后帶來了希望。

      盡管人工智能心音分析技術(shù)在心血管疾病診斷中取得了顯著進(jìn)展，但仍面臨一些挑戰(zhàn)與限制，如心音數(shù)據(jù)的質(zhì)量控制、數(shù)據(jù)隱私問題、算法模型的普適性等。未來研究可重點(diǎn)關(guān)注以下幾個(gè)方向：1） 提高多模態(tài)融合與個(gè)性化診斷的能力，綜合考慮心音、心電圖、影像學(xué)等數(shù)據(jù)，提高診斷的準(zhǔn)確性與可靠性。2） 進(jìn)一步完善心音數(shù)據(jù)庫建設(shè)，明確不同個(gè)體年齡、性別、種族及疾病背景下的心音數(shù)據(jù)差異，促進(jìn)算法的普適性。3） 提升臨床醫(yī)師應(yīng)用人工智能心音分析系統(tǒng)輔助臨床診療的能力，推動(dòng)人工智能技術(shù)從實(shí)驗(yàn)室到臨床的轉(zhuǎn)化應(yīng)用。

（參考文獻(xiàn)略）