《International Journal of Molecular Sciences》:Artificial Intelligence in Pediatric Cardiovascular Genetics: From Multimodal Diagnosis to Risk Prediction and Precision Therapeutics
人工智能(Artificial Intelligence, AI)正日益被探索作为连接高维心血管表型与基因组解读之间的桥梁,应用于患有遗传性和先天性心脏病的儿童。本综述聚焦于AI辅助方法在儿科心血管遗传学中已超越概念验证阶段的具体进展、通用基因组工具与儿科心血管应用之间证据成熟度的差异,以及负责任的临床转化所需的条件。遗传性和罕见心血管疾病具有遗传异质性、不完全外显率、可变表现度和年龄依赖性表型等特征,而现代测序、影像学和纵向监测所产生的数据仅靠传统方法难以整合。AI辅助方法正在诊断、预后和治疗等领域得到研究,包括计算表型分析、基因组变异优先级排序、心电图和影像分析、多模态风险预测以及精准治疗候选人筛选。目前最强的儿科心血管证据来自经过外部评估的心电图和超声心动图模型以及大型预后预测队列,而许多基因组工具——包括变异检出程序和致病性预测工具——仍为通用方法,尚未在儿科心血管遗传学领域进行专项验证。近期出现的疾病特异性基因组模型和自动化重分析框架表明,解读方式正朝着更具临床情境化的方向转变,但现有证据仍受限于回顾性设计、规模较小或选择性纳入的罕见病队列、领域偏移、人群偏倚、校准不充分以及临床效用不确定等因素。因此,AI应被视为受治理的决策支持层,而非自主决策权威。通过外部验证、透明报告、纵向监测和多学科监督,AI有潜力增强专家能力,并可能有助于实现更早期诊断、改进风险分层以及更加个体化的治疗。
**引言**
遗传性和罕见心血管疾病构成一组临床和遗传上异质的疾病谱系,可在从产前和新生儿重症监护期至青春期的任何儿童阶段显现。该谱系包括遗传性心肌病、心脏离子通道病、遗传性主动脉疾病、家族性血脂异常、先天性心脏缺陷以及累及心血管的多系统遗传或代谢性疾病。尽管每种疾病的发病率不高,但其总体负担相当可观。许多疾病与进行性心力衰竭、恶性心律失常、心源性猝死或终身专科监测和治疗需求相关。因此,早期识别不仅对患病儿童至关重要,对可能携带相同疾病相关变异但临床无症状的亲属同样具有重要意义[1,2]。
二代测序(next-generation sequencing)的日益普及已改变了儿科心血管疾病的病因探究方式。靶向基因包、外显子组测序、基因组测序以及日益增多的转录组学和其他多组学方法能够识别出以往无法明确的分子诊断。然而,基因组数据的解读仍是主要瓶颈。每例患者可能携带数千个罕见变异,而许多已检出变异的临床意义仍不明确。准确的解读需要整合等位基因频率、预测的分子后果、基因-疾病有效性、遗传模式、共分离数据、功能证据及详细的表型信息。当表型不完整、检出多个潜在相关变异或致病变异位于明确编码区域之外时,这一过程尤为困难[1]。
本综述涉及一个更聚焦的交叉领域:AI辅助的儿科心血管遗传学,尤其侧重于基因组解读、多模态基因型-表型整合以及临床转化所需的证据和治理要求。这一区分之所以重要,是因为许多被广泛引用的计算工具是为通用基因组学或成人心血管医学开发的,并未在儿科心血管遗传学中进行专项验证。本文中AI作为涵盖机器学习(machine learning)、深度学习(deep learning)、自然语言处理、基础模型及特定数据驱动计算方法的总称。这些方法在架构和预期用途上差异显著:有些执行狭窄的分类或预测任务,而另一些则对变异进行优先级排序、提取表型或整合多种数据模态。因此,本综述始终区分通用基因组学方法与直接来自儿科心血管人群的证据,避免将所有计算方法视为等效的临床AI形式。
**诊断路径中的人工智能**
对疑似遗传性心血管疾病患儿的诊断评估需要整合临床表现、家族史、心外表现、心电图和心律数据、心血管影像、实验室检查及基因组信息。AI辅助系统可通过结构化表型、分析生理信号和图像以及识别需要专科或基因组评估的患者来参与这一过程。其价值取决于其性能能否在不同年龄、机构、采集方案和疾病患病率之间保持稳定[1,12]。
计算表型分析与电子健康记录方面,自然语言处理和表型映射方法可将非结构化记录中的信息转换为结构化概念,包括人类表型本体(Human Phenotype Ontology, HPO)术语,以支持基因组优先级排序和综合征模式的识别[12]。AI辅助心电图方面,深度学习模型可分析完整波形而非仅针对预定义测量指标,并可检测肉眼检查不易察觉的模式。当此类模型在独立人群中得到评估时,儿科心血管证据最为可靠;大规模多中心先天性心脏病研究现已提供外部验证的AI-ECG性能实例[4,11,13]。
超声心动图是儿科心脏影像的主要手段,但高度依赖操作者和采集方案。先天性心脏病更增添了复杂性,因为解剖结构、年龄、既往干预措施、设备和机构采集实践差异显著[5]。EchoFocus-CHD展示了该方法的前景与脆弱性:该模型检出严重和非严重先天性心脏缺陷的内部性能优异,但严重CHD的AUROC在外部验证时降至0.77;使用更多样化数据重新训练后,国际队列性能提升至0.87[5]。心脏磁共振和计算机断层扫描可生成适合自动分割、重建和影像组学分析的高维解剖和组织数据,但在儿科先天性心脏病和遗传性主动脉疾病中,高级影像队列仍相对较小且异质性高[14]。
**心血管基因组学中的人工智能**
基因组检测是评估疑似遗传性心血管疾病的核心环节,但主要瓶颈已从数据生成转向临床可辩护的解读。AI及相关计算方法已用于基因组分析的多个阶段,但许多方法尚未在儿科心血管遗传学中进行专项验证。其作用包括变异检测、效应预测、表型驱动的优先级排序、多模态解读和重分析[17,18]。
心脏基因组诊所(Cardiac Genome Clinic)对111个儿科心脏病家系进行基因组测序,在14个家系(12.6%)中确定了致病变异;其中7个为新发变异,6个遗传自无或仅有亚临床表现的父母。基因组阳性结果与存在心外特征相关(p=0.02),但与心脏病变阳性家族史无关(p=0.67),这同时说明了系统性多系统表型分析的价值和仅凭家族史选择儿童进行基因组检测的局限性[19]。在变异检出方面,DeepVariant是一种通用基因组深度学习变异检出工具,并非儿科心血管特异性应用;它学习与单核苷酸变异和小插入/缺失相关的测序读段特征,已在多种测序场景中展示了广泛的技术实用性[17]。
错义变异效应预测方面,AlphaMissense及相关基于蛋白质或序列的模型是通用基因组工具。更近期的疾病特异性方法如DYNA利用心血管罕见变异数据微调基因组基础模型,在保留的变异效应预测中表现改善,展示了一种更具临床情境化的方向[6,20,21]。但计算证据应在已建立的变异分类框架内使用,且当预测工具之间存在相关性时不应重复计数。近期临床级评估也强调需要谨慎:在一项涵盖45种疾病的罕见病队列中,AlphaMissense与专家筛选的致病性分类存在显著不一致,致病性变异的精确率报告为32.9%,召回率为57.6%[22]。
此外,剪接效应预测对于基因组测序尤为重要,因为其可检出大量无法仅通过编码后果评估的内含子变异[23]。结构变异和拷贝数改变通过剂量效应、基因破坏、调控效应和复杂重排导致孤立性和综合征性心血管疾病,近期长读长基因组方法拓宽了可检测临床相关变异的范围[24]。非编码变异解读仍是AI潜力巨大但距离常规临床应用最远的领域之一[18,25]。表型驱动的基因和变异优先级排序方面,Exomiser整合等位基因频率、预测致病性、遗传模式、人类和模式生物表型及相互作用数据对候选基因和变异进行排序;自动化HPO术语提取可辅助优先级排序,但专家审核仍然重要[12,25,26]。多模态和多组学整合可能最终将基因组变异与ECG、超声心动图、磁共振、实验室检查和纵向临床数据相结合[27]。自动化重分析是近期特别现实的临床应用方向:Talos在验证中恢复了90%的已知诊断,并在大型未确诊罕见病队列中额外识别出5.1%的诊断[7]。
**疾病特异性应用**
先天性心脏病是AI辅助影像和预后预测研究最为广泛的儿科心血管领域。大规模儿科ECG和超声心动图队列、围手术期模型、纵向单心室研究以及外部验证的AI-ECG模型提供了远较大多数遗传性心肌病或主动脉疾病更坚实的实证基础[4,5,8,9,11]。然而,其遗传架构仍具异质性,涵盖染色体和拷贝数疾病、单基因、新发、寡基因和多因素机制[31];检出或预测CHD的优异性能并不能自动转化为基因组学效用。
遗传性心肌病方面,AI辅助影像可比单纯手动测量更一致地量化形态、变形、纤维化、肌小梁形成和纵向变化,但将影像AI与独立验证的基因型特异性预测相结合的可靠儿科研究仍然有限[2,28]。心脏离子通道病包括长QT综合征(long QT syndrome, LQTS)、Brugada综合征、儿茶酚胺敏感性多形性室性心动过速等,AI研究较先天性心脏病更为有限;深度学习LQTS ECG文献展示了诊断潜力,但广泛的基因特异性儿科风险模型尚未得到充分验证[13,29]。遗传性主动脉疾病方面,针对遗传性主动脉疾病的原始儿科AI研究仍然稀少,因此拟议的应用应被描述为未来目标而非已验证的临床工具[30]。综合征性和代谢性心血管疾病的疾病特异性儿科证据目前有限[1,28]。未来系统可能需要同时具备多模态和疾病感知能力,最具临床意义的方向是对纵向表型、ECG、影像、家族史和基因组进行可解释的整合。
**风险分层与预后**
遗传性心血管疾病的诊断本身并不能确定个别患儿的预后。同一基因内的致病变异——有时甚至同一家系内的相同变异——可能与显著不同的发病年龄、疾病严重程度以及心律失常、心力衰竭或血管并发症风险相关。AI可通过整合纵向临床观察、心电信号、动态监测、影像、生物标志物、基因组发现、治疗暴露和家族史来实现更加个体化的风险估计[2]。心室心律失常和心源性猝死的风险分层是遗传性心血管疾病中最重要且最具挑战性的任务之一。基因组信息在特定基因、变异位置或分子机制与不同风险相关时可能增加预后价值,但罕见性、家系聚集性和不确定的外显率使得将个体变异作为预测特征变得复杂[2,29]。
先天性心脏病的风险预测方面,在一项约23,000例接受先天性心脏手术患儿的队列中,机器学习模型被开发用于预测低心排血量综合征、肺炎、肾衰竭和深静脉血栓形成,报告的测试集曲线下面积(area under the curve, AUC)约为0.89至0.97,但这也说明了时间泄漏的风险[8]。对于单心室生理的患儿,机器学习已被探索用于预测分期姑息术后无移植长期生存[9]。在儿科心脏移植中,对4,150例受者的分析中,机器学习生存模型在预测一年和三年生存方面略优于传统Cox比例风险模型,随机生存森林达到了0.68的最高一致性指数(concordance index),表明更复杂的算法并不一定带来显著改善[10]。
预后模型评估应涵盖区分度和校准度、临床相关阈值的灵敏度和特异度、生存结局的时间依赖性性能、跨机构和人群的外部验证、与已建立临床模型的比较、决策曲线分析和净临床获益、对缺失数据和临床实践变化的稳健性、亚组性能以及前瞻性评估。PROBAST+AI提供了一个评估方法学质量、偏倚风险和适用性的补充框架,将公平性和算法偏倚嵌入整个框架,使其特别适用于小型、异质且可能不具代表性的儿科数据集[33]。SHAP等可解释性方法可指示哪些变量对预测有贡献,但不能确立因果关系[34]。
**精准治疗**
精准治疗旨在根据个体患者的分子机制、临床表型和预测治疗反应来选择或开发干预措施。在儿科心血管遗传学中,这一概念尤为重要,因为相似的心脏表型可能源于生物学上不同的疾病,而影响同一基因的致病变异也可能产生不同的疾病严重程度和治疗反应。AI可通过患者分层、药物基因组学预测、药物发现和再利用、识别基因或RNA疗法的适应人群以及治疗反应的纵向评估来支持精准治疗[35,36]。
治疗选择与反应预测必须区别于预后预测:进展风险高的患者不一定是最可能从特定干预中获益的患者。可靠的选药模型需要来自治疗和未治疗患者的数据,并对适应证混杂进行谨慎调整[32]。药物基因组学方面,相关例子包括影响药物代谢酶、转运体、受体和离子通道的变异,儿科模型还需面临与发育药理学相关的额外限制[35]。AI辅助药物发现可分析分子结构、蛋白质相互作用、生物网络、多组学数据和现有药物反应数据集以优先筛选化合物和治疗靶点;药物再利用对罕见儿科疾病尤为有吸引力,例如AI辅助筛选已被用于识别已获批化合物与心脏钙处理蛋白之间此前未知的相互作用[36]。基因和RNA疗法方面,深度学习预测工具可识别异常剪接事件并支持反义策略的设计[23,37]。患者筛选方面,多模态筛选可能优于仅凭基因型:整合基因组发现与转录组数据、影像、生物标志物和纵向进展可区分具有活动性和潜在可修饰性疾病的患者与已发生不可逆结构损伤的患者。AI支持而非取代透明的入选标准和多学科审查[38]。
**临床转化的挑战与要求**
尽管方法学进展迅速,大多数儿科心血管遗传学AI系统仍处于开发或回顾性验证阶段。临床转化受限于基础疾病的罕见性和异质性、数据质量参差不齐、外部验证不足、可解释性有限、隐私顾虑以及监管责任不明确。这些挑战在儿童中被放大,因为生理和疾病表达随年龄变化,且不准确预测可能影响终身监测和治疗[38,39]。
小样本、异质且不平衡的数据集方面,罕见遗传性心血管疾病以小型患者队列为代表,通常跨越较长时期,期间诊断标准、测序技术、影像方案和治疗策略均已发生变化。人群代表性与算法偏倚方面,基因组数据库和心血管队列不成比例地代表了欧洲血统人群和在大型学术中心接受治疗的患者,因此变异频率估计、致病性预测、多基因模型和AI辅助临床工具在代表性不足的人群中可能准确性较低[38]。外部验证、领域偏移和模型漂移方面,将单一机构数据集随机划分为训练集和测试集仅能提供有限的泛化性证据;在独立机构和人群中进行外部验证至关重要[5,39]。
可解释性与临床合理性方面,当基因组和表型预测相结合时,系统应区分支持分子诊断的证据和支持临床风险的证据,并在两个层面传达不确定性[34]。隐私、知情同意和数据治理方面,基因组数据可识别、持久且对生物学亲属具有信息意义;其与面部图像、家系图、纵向健康记录和心血管影像的结合进一步增加了再识别风险;联邦学习可降低集中化原始数据的需求,最近已被直接研究用于多中心遗传变异致病性注释,但并不能消除治理、安全性或偏倚问题[42]。自动化偏倚与临床责任方面,临床医生可能对算法推荐过度信赖,尤其是在输出以精确概率呈现时;临床决策的责任必须保持明确;当预测影响级联检测、无症状儿童监测、器械植入、移植或分子治疗准入时,人类监督不可或缺[38]。证明临床效用需要证据表明模型使用能适当改变决策、缩短诊断时间、改善结局或减少不必要的检测,而非仅凭优异的回顾性性能[43]。
负责任实施方面,FAIR-AI等操作性治理框架将高层次原则转化为卫生系统流程,结合结构化实施前审查、风险分类、安全实施规划、终端用户透明度和实施后监测[46]。临床转化需要的不止是精确的算法;可部署系统应具备明确定义的临床目的和目标人群、标准化且质量可控的输入、独立多中心外部验证、附有不确定性估计的校准预测、可解释的输出并附有支持证据访问、相关亚组的性能记录、临床获益的前瞻性评估、安全的数据治理和适龄同意程序、模型漂移和不良效应的持续监控,以及多学科监督与临床医生否决机制。
**未来方向**
儿科心血管遗传学AI的下一阶段可能从单任务模型转向能够整合临床、电生理、影像和分子信息的多模态系统。基础模型(foundation models)通过自监督学习可获取ECG、影像研究、基因组序列或临床文本的可重用表示,随后使用相对较小的标注数据集适应罕见疾病,这对专家标注队列有限的儿科心血管遗传学可能尤为重要[11,47]。未来系统还应纳入纵向发育维度:儿科模型必须考虑随时间变化的体型、心血管生理、表型、治疗和疾病外显率,并应在新临床、影像和分子数据可用时更新预测。数字孪生(digital twins)代表个体化建模的更宏大延伸,是一种利用解剖、生理和潜在的基因组数据更新的患者特异性计算表示,但在先天性或遗传性心血管疾病患儿中,大多数应用仍为概念性或实验性[48]。最重要的进步未必是开发更大的模型,而是在代表性儿科人群中评估临床有用系统。
**结论**
AI在儿科心血管遗传学中最具可辩护性的当前角色是作为一个辅助层,将复杂表型和心血管数据与基因组解读相连接,同时将不确定性明确化。对于特定ECG、超声心动图和预后预测应用,证据进展最为充分;相比之下,许多基因组工具仍为通用方法,真正意义上的儿科心血管基因型感知系统才刚刚开始出现。核心机遇因此不是一个单一的高性能算法,而是一个纵向、多模态框架,在其中表型、家族史、ECG、影像、基因组发现和分子数据被综合解读。此类系统只有在为专科工作流程带来附加价值并能在机构和人群之间保持稳健时才可能改善诊断、监测和治疗优先级排序。然而,当前证据仍以回顾性研究、选择性纳入的队列和未经独立儿科验证的模型为主导。人口不平衡、家系聚集、年龄依赖性表达、领域偏移、隐私顾虑以及校准或可解释性不足继续制约着转化[5,38,39]。因此问题已不再是AI能否产生优异的回顾性性能,而是哪些应用能够展示外部效度、校准且临床有用的预测、前瞻性获益和负责任的治理。儿科心血管遗传学提供了一个特别严苛的测试案例,因为错误可能影响终身监测、级联检测、侵入性治疗和分子治疗准入。通过负责任的发展和多学科监督,AI有潜力增强儿科心脏科医师、临床遗传学家、影像专家、分子诊断专家和生物信息学家的专业能力。其最有价值的贡献可能是一个透明且持续评估的决策支持框架,将深度表型分析、心血管数据、基因组学、风险预测和精准治疗相连接,而非取代专家判断。