人工智能在腦卒中神經(jīng)影像中的應(yīng)用

韓小偉，李 茗，張 冰,2

1南京大學(xué)醫(yī)學(xué)院附屬鼓樓醫(yī)院醫(yī)學(xué)影像科，南京 2100082南京大學(xué)腦科學(xué)研究院，南京 210008

人工智能是計(jì)算機(jī)科學(xué)中快速發(fā)展的研究領(lǐng)域，旨在通過多種算法模擬人類認(rèn)知和信息處理過程，由于臨床醫(yī)學(xué)成像過程中生成了大量復(fù)雜高維的圖像數(shù)據(jù)而特別適合采用人工智能算法進(jìn)行處理[1]。人工智能模型算法涉及常見的機(jī)器學(xué)習(xí)算法，如采用監(jiān)督學(xué)習(xí)的支持向量機(jī)(support vector machine, SVM)、線性回歸、Logistic回歸、樸素貝葉斯及采用非監(jiān)督學(xué)習(xí)的分層聚類、K均值等。隨著基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)架構(gòu)的發(fā)展和完善，人工智能已從最初的計(jì)算機(jī)視覺應(yīng)用示范逐漸轉(zhuǎn)向醫(yī)學(xué)圖像處理領(lǐng)域，并顯示出巨大的應(yīng)用前景[2]。近年來，人工智能在神經(jīng)影像領(lǐng)域的應(yīng)用研究呈現(xiàn)出強(qiáng)勁的增長(zhǎng)態(tài)勢(shì)，尤其是新興的各類CNN技術(shù)可更為有效和更加準(zhǔn)確地進(jìn)行圖像數(shù)據(jù)處理[3]。在臨床實(shí)踐中，腦卒中患者神經(jīng)影像檢查在診療及隨訪過程中發(fā)揮非常關(guān)鍵的作用。對(duì)于急性腦卒中影像，人工智能在梗死或出血灶的檢測(cè)、分割、分類、分型以及腦血管狀態(tài)檢測(cè)、腦卒中早期評(píng)估、病情分級(jí)和轉(zhuǎn)歸預(yù)測(cè)中具有越來越多的應(yīng)用[4- 5]。采用人工智能技術(shù)數(shù)據(jù)分析和構(gòu)建的模型可以幫助臨床醫(yī)生對(duì)腦卒中患者進(jìn)行診療、隨訪評(píng)估和及時(shí)干預(yù)，有效降低了患者的發(fā)病率和死亡率[6- 7]。本文通過回顧缺血性與出血性腦卒中人工智能技術(shù)的研究現(xiàn)狀，闡述人工智能在腦卒中神經(jīng)影像診斷、鑒別診斷、病灶量化分析及療效評(píng)估等方面的應(yīng)用及臨床轉(zhuǎn)化，并針對(duì)當(dāng)前存在的缺陷和應(yīng)用限制分析未來發(fā)展前景，以期為臨床診療提供最新借鑒。

1 人工智能在缺血性腦卒中的應(yīng)用研究

1.1 缺血性腦卒中的檢測(cè)與缺血狀態(tài)判斷

臨床實(shí)踐中，基于患者影像數(shù)據(jù)判斷急性缺血性腦卒中患者的治療時(shí)間窗至關(guān)重要。有研究采用缺血性腦卒中患者的磁共振灌注加權(quán)成像(perfusion-weighted images, PWI)，構(gòu)建基于自動(dòng)編碼器架構(gòu)的深度學(xué)習(xí)算法，在PWI中提取隱藏的定量或半定量參數(shù)特征用于確定卒中發(fā)作后的時(shí)間(time-since-stroke, TSS)，指導(dǎo)臨床溶栓治療時(shí)機(jī)及策略選擇[8]。腦梗死區(qū)域的準(zhǔn)確識(shí)別和評(píng)估對(duì)于急性腦卒中的治療決策同樣至關(guān)重要，Chen等[9]的研究采用磁共振彌散加權(quán)成像(diffusion weighted imaging, DWI)數(shù)據(jù)，開發(fā)了兩類CNN深度學(xué)習(xí)框架，對(duì)DWI病灶區(qū)域進(jìn)行分割模型訓(xùn)練，并對(duì)網(wǎng)絡(luò)架構(gòu)和參數(shù)進(jìn)行調(diào)整配置，結(jié)果表明基于深度學(xué)習(xí)的計(jì)算模型對(duì)于缺血病灶具有較高的檢出率和準(zhǔn)確性。

臨床需要依據(jù)缺血性腦卒中患者不同亞型制訂相應(yīng)管理和預(yù)防措施，從而便于進(jìn)行卒中的分類管理。 Garg等[10]聯(lián)合采用患者電子病歷文本信息及神經(jīng)影像數(shù)據(jù)，使用機(jī)器學(xué)習(xí)技術(shù)對(duì)病歷中的自然語言進(jìn)行處理，并基于患者腦常規(guī)磁共振成像和磁共振血管成像(magnetic resonance angiography, MRA)，回顧性分析和確定患者在入院時(shí)的卒中分類亞型，結(jié)果顯示機(jī)器學(xué)習(xí)自動(dòng)分類亞型與人工分類結(jié)果的Kappa值為0.72，一致性結(jié)果較好，表明該自動(dòng)化分類流程和系統(tǒng)可進(jìn)一步用于大規(guī)模腦卒中流行病學(xué)研究。

基于磁共振PWI及DWI對(duì)于灌注-擴(kuò)散不匹配區(qū)域的測(cè)量可輔助臨床判斷腦組織缺血狀態(tài)，及時(shí)作出搶救治療決策。研究表明，基于磁共振影像的算法模型(廣義線性模型、 SVM、自適應(yīng)增強(qiáng)和隨機(jī)森林)分析腦梗死區(qū)域缺血狀態(tài)的異質(zhì)性，可用于評(píng)估急性缺血性腦卒中潛在的可挽救組織[11]?；谀X血流量和表觀擴(kuò)散系數(shù)，采用SVM預(yù)測(cè)腦梗死區(qū)域的缺血狀態(tài)及恢復(fù)情況，結(jié)果表明SVM模型的性能較好，有望提供定量或半定量算法框架輔助急性腦卒中治療的臨床決策[12]。

1.2 缺血性腦卒中的治療評(píng)估

基于結(jié)構(gòu)和功能磁共振影像的人工智能算法模型有助于預(yù)測(cè)腦卒中患者的運(yùn)動(dòng)缺陷。Rondina等[13]提出了一種預(yù)測(cè)缺血性腦卒中患者上肢運(yùn)動(dòng)障礙的人工智能模型，該模型基于3D-T1WI高分辨率磁共振影像數(shù)據(jù)開發(fā)?；隗w素模式計(jì)算概率圖用于運(yùn)動(dòng)障礙的預(yù)測(cè)，并在結(jié)果呈現(xiàn)中加載相應(yīng)病灶區(qū)域可得到責(zé)任腦區(qū)的疊加展示效果。另一項(xiàng)研究應(yīng)用SVM分類模型，通過納入不同腦區(qū)的病變、卒中偏側(cè)性及其他可選特征在內(nèi)的參數(shù)，如梗死體積、入院時(shí)的卒中評(píng)分和患者年齡等，對(duì)于缺血性腦卒中患者30 d內(nèi)臨床療效進(jìn)行評(píng)估，并通過整合可選特征和病灶位置得到較好的預(yù)測(cè)結(jié)果，準(zhǔn)確率達(dá)85%[14]。

基于人工智能的算法越來越多地用于預(yù)測(cè)建模和臨床決策支持，雖然其不同程度提高了模型的性能，但對(duì)預(yù)測(cè)模型工作過程的可解釋性仍有待提高[15]。Zihni 等[16]的研究采用傳統(tǒng)的多參數(shù)回歸分析方法及兩類機(jī)器學(xué)習(xí)模型(決策樹和多層感知器)，基于DWI及相應(yīng)臨床數(shù)據(jù)預(yù)測(cè)卒中后90 d 的Rankin評(píng)分，結(jié)果表明3類模型的預(yù)測(cè)性能及可解釋性分析具有較好的一致性。機(jī)器學(xué)習(xí)可以提供與領(lǐng)域知識(shí)和傳統(tǒng)方法兼容的解釋性，但應(yīng)在其他更大規(guī)模的影像數(shù)據(jù)集中進(jìn)一步研究并測(cè)試不同模型的解釋方法。

急性缺血性腦卒中患者的預(yù)后不僅取決于治療方法，同時(shí)取決于患者在治療前或治療中出現(xiàn)并發(fā)癥的風(fēng)險(xiǎn)。Bentley等[17]研究表明，基于CT影像構(gòu)建的SVM模型可較好預(yù)測(cè)靜脈溶栓治療后癥狀性腦出血的風(fēng)險(xiǎn)。一項(xiàng)多中心研究回顧性分析來自4個(gè)醫(yī)療中心263例患者的動(dòng)態(tài)磁共振T2*PWI，并將6種滲透性磁共振參數(shù)作為線性和非線性預(yù)測(cè)模型的輸入， 開發(fā)基于自動(dòng)分類器的框架模型自動(dòng)識(shí)別滲透率圖的整體強(qiáng)度分布模式，可用于評(píng)估磁共振成像相關(guān)參數(shù)對(duì)出血性轉(zhuǎn)化的預(yù)測(cè)能力。結(jié)果表明，應(yīng)用基于非線性回歸的預(yù)測(cè)模型時(shí)，采用灌注參數(shù)對(duì)急性缺血性腦卒中的預(yù)測(cè)準(zhǔn)確率可達(dá)85%以上；此外，人工智能模型采用回流率(percentage of recovery)的滲透率特征也明顯優(yōu)于其他特征，對(duì)于出血性轉(zhuǎn)化的預(yù)測(cè)可較好改進(jìn)急性缺血性腦卒中的治療決策[18]。

2 人工智能在出血性腦卒中的應(yīng)用研究

2.1 出血性腦卒中的診斷及量化分析

由各種原因引起腦血管破裂而導(dǎo)致出血性卒中，臨床上多見的基礎(chǔ)病因?yàn)楦哐獕骸⑿募」Ｋ篮脱“逑牡萚19]。相比缺血性腦卒中，出血性腦卒中在CT影像上較易診斷，磁共振影像表現(xiàn)隨時(shí)間變化較為復(fù)雜[20]。因此，目前人工智能研究較多采用CT影像數(shù)據(jù)。

自發(fā)性顱內(nèi)出血(intracerebral hemorrhage,ICH)的血腫量化分析有助于患者治療決策的制定及預(yù)后預(yù)測(cè)。已有研究提出不同的CNN或全卷積網(wǎng)絡(luò)(fully convolutional network, FCN)模型可從CT圖像中識(shí)別和分割腦出血病灶區(qū)域[21- 22]。采用Dense U-net的深度網(wǎng)絡(luò)框架可較好地基于CT圖像對(duì)于腦部血腫進(jìn)行三維體積分割，有助于臨床有效制訂ICH的治療策略[21]。Zhao等[22]采用no-new-Net網(wǎng)絡(luò)框架用于全自動(dòng)分割I(lǐng)CH、腦室內(nèi)出血(intraventricular hemorrhage, IVH)及血腫周圍的水腫，結(jié)果表明人工智能模型對(duì)于ICH、IVH及周圍水腫自動(dòng)分割和體積測(cè)量的方法可減少醫(yī)生工作量，節(jié)省手工計(jì)算時(shí)間且具有較高的可靠性。

當(dāng)前，基于人工智能算法的全自動(dòng)血腫分割和量化分析模型運(yùn)行速度較手動(dòng)和半自動(dòng)分割方法明顯加快，結(jié)果之間具有很好的一致性，且全自動(dòng)分割算法模型經(jīng)外部驗(yàn)證時(shí)具有較高的性能表現(xiàn)[23]。增加神經(jīng)網(wǎng)絡(luò)的層數(shù)或改變網(wǎng)絡(luò)架構(gòu)的方法也常用于提升模型的整體性能，如采用級(jí)聯(lián)式雙CNN或FCN可增加深度學(xué)習(xí)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果的靈敏度及特異度[24]。此外，對(duì)于某一特定臨床問題可以設(shè)計(jì)特定網(wǎng)絡(luò)模型加以解決。Kuo等[25]針對(duì)當(dāng)前CT圖像組織對(duì)比度差、信噪比低和偽影發(fā)生率高的缺點(diǎn)，采用基于patch-FCN的算法模型，在臨床上基于CT圖像的血腫分割和量化計(jì)算得到了滿意效果。這些不同參數(shù)和架構(gòu)的人工智能模型，多是利用預(yù)先訓(xùn)練好的深度學(xué)習(xí)框架體系進(jìn)行預(yù)測(cè)分類，當(dāng)訓(xùn)練體系轉(zhuǎn)移到外部圖像進(jìn)行驗(yàn)證時(shí)，由于模型過擬合會(huì)對(duì)出血性腦卒中的預(yù)測(cè)結(jié)果產(chǎn)生不同程度的影響，因此，如何獲得魯棒性模型和預(yù)測(cè)結(jié)果尚需深入研究[26]。

2.2 出血性腦卒中的治療評(píng)估

在卒中治療過程中，基于PWI和DWI構(gòu)建預(yù)測(cè)模型可對(duì)腦出血風(fēng)險(xiǎn)及轉(zhuǎn)化進(jìn)行預(yù)測(cè)評(píng)估，根據(jù)隨訪結(jié)果在治療前后進(jìn)行不同大腦區(qū)域出血風(fēng)險(xiǎn)的對(duì)比評(píng)估，并可使腦內(nèi)病灶的空間分布可視化，進(jìn)而為干預(yù)治療提供新的視角[27]。臨床常需對(duì)出血性腦卒中患者治療后的神經(jīng)功能恢復(fù)情況進(jìn)行判斷，有研究采用多種不同的機(jī)器學(xué)習(xí)方法預(yù)測(cè)急性腦卒中患者治療后90 d內(nèi)的神經(jīng)功能恢復(fù)狀況，通過篩選206個(gè)相關(guān)變量確定17個(gè)重要因素，分別采用SVM、隨機(jī)森林及混合神經(jīng)網(wǎng)絡(luò)的建模方法，結(jié)果表明除病情嚴(yán)重患者出現(xiàn)較大偏差外，機(jī)器學(xué)習(xí)模型可較為準(zhǔn)確預(yù)測(cè)出血性腦卒中后期神經(jīng)功能的恢復(fù)結(jié)果[28]。?elik等[29]則采用兩種不同的多參數(shù)統(tǒng)計(jì)方法和人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)腦卒中患者治療10 d內(nèi)出血和缺血的風(fēng)險(xiǎn)狀況，結(jié)果表明，采用構(gòu)建的多參數(shù)統(tǒng)計(jì)方法和多層感知神經(jīng)網(wǎng)絡(luò)模型，對(duì)于出血性腦卒中患者的訓(xùn)練組和測(cè)試組均呈現(xiàn)出較好的預(yù)測(cè)性能。

蛛網(wǎng)膜下腔出血(subarachnoid hemorrhage, SAH)多由腦動(dòng)脈瘤自發(fā)性破裂引起，約30%的SAH患者因遲發(fā)性腦缺血(delayed cerebral ischemia, DCI)而影響預(yù)后。當(dāng)前，采用前饋人工神經(jīng)網(wǎng)絡(luò)可較好用于SAH的CT檢測(cè)和預(yù)后分析，有助于患者特定結(jié)果的預(yù)測(cè)評(píng)估[30]。Capoglu等[31]基于3D數(shù)字腦血管造影圖像采用一種新的基于稀疏語義學(xué)習(xí)和協(xié)方差特征方法進(jìn)行處理分析，在基于固定大小向量的基礎(chǔ)上編碼全腦血管結(jié)構(gòu)特征，納入構(gòu)建預(yù)測(cè)模型可較好地評(píng)估DCI的腦血管痙攣狀況。此外，在構(gòu)建模型時(shí)加入患者臨床資料信息則在一定程度上可提升機(jī)器學(xué)習(xí)算法的預(yù)測(cè)性能[32]。

有研究采用家庭機(jī)器人輔助上肢康復(fù)設(shè)備與個(gè)性化的家庭鍛煉計(jì)劃相結(jié)合的方式，基于機(jī)器人在輔助家庭鍛煉計(jì)劃后腦卒中患者的影像學(xué)改變，評(píng)價(jià)患者上肢運(yùn)動(dòng)功能的康復(fù)質(zhì)量和強(qiáng)度改善程度，結(jié)果表明，與單純家庭鍛煉計(jì)劃相比，聯(lián)合機(jī)器人家庭鍛煉可增加患者上肢功能的改善程度，增強(qiáng)卒中后神經(jīng)功能的恢復(fù)[33]。因此，聯(lián)合使用機(jī)器人裝置與自主鍛煉計(jì)劃改善腦卒中患者后期康復(fù)具有現(xiàn)實(shí)可行性，并增加了依據(jù)傳統(tǒng)觀念被排除在康復(fù)鍛煉計(jì)劃之外的人群重新獲得基于影像的遠(yuǎn)程康復(fù)療效評(píng)價(jià)機(jī)會(huì)。

3 基于腦卒中影像智能診斷系統(tǒng)的臨床應(yīng)用

基于腦卒中影像的人工智能診斷系統(tǒng)或平臺(tái)已逐步在臨床實(shí)現(xiàn)應(yīng)用轉(zhuǎn)化[34]。由SHUKUN Technology開發(fā)的出血性腦卒中智能診斷平臺(tái)StrokeDoc已較為成熟地應(yīng)用于血腫的快速診斷、定位和量化評(píng)估，基于自動(dòng)計(jì)算ASPECT評(píng)分、動(dòng)態(tài)評(píng)估活動(dòng)性出血可輔助治療方案選擇及預(yù)后判斷[35]。而BioMind開發(fā)的腦血管病診療輔助系統(tǒng)則基于人機(jī)交互處理方式，實(shí)現(xiàn)了融合影像及臨床數(shù)據(jù)的“中國(guó)缺血性卒中亞型”智能化分型并輔助參與臨床決策[36- 37]。最近，RapidAITM平臺(tái)將卒中影像與臨床療效評(píng)價(jià)相結(jié)合，顛覆性實(shí)現(xiàn)了在較短治療窗口期的智能檢測(cè)和評(píng)估，從而輔助實(shí)現(xiàn)腦卒中患者更為高效的診療流程[38]。目前，基于人工智能技術(shù)的系統(tǒng)平臺(tái)可初步實(shí)現(xiàn)臨床腦卒中影像的快速和智能化診療評(píng)估，不遠(yuǎn)的將來有望為臨床醫(yī)生提供更為精準(zhǔn)、高效和便捷的輔助診斷工具[34]。

4 小結(jié)與展望

人工智能技術(shù)在急性腦卒中患者基于影像數(shù)據(jù)的診斷和治療支持方面已顯示出巨大的應(yīng)用價(jià)值，但目前在相關(guān)模型開發(fā)和臨床實(shí)施中還面臨一定挑戰(zhàn)[39]。首先，人工智能算法受限于有限的醫(yī)學(xué)影像數(shù)據(jù)，采用較小規(guī)模數(shù)據(jù)集進(jìn)行訓(xùn)練的模型通常出現(xiàn)過擬合現(xiàn)象，即訓(xùn)練集中表現(xiàn)的預(yù)測(cè)結(jié)果很好，但在獨(dú)立測(cè)試集中的性能不佳[40]；另一方面，獲取充足的數(shù)據(jù)集后，如何采用合適算法開發(fā)高性能模型以真實(shí)反映影像數(shù)據(jù)模式的變化規(guī)律亦是一項(xiàng)艱巨的任務(wù)。因此，如何構(gòu)建大規(guī)模、高質(zhì)量的訓(xùn)練集數(shù)據(jù)，在經(jīng)臨床驗(yàn)證檢測(cè)后持續(xù)提高模型的魯棒性，將是一項(xiàng)長(zhǎng)期挑戰(zhàn)。其次，算法模型與人工智能醫(yī)用軟件的銜接流程尚需規(guī)范和完善，人工智能醫(yī)療產(chǎn)品的評(píng)估和監(jiān)管力度也在一定程度上影響算法模型的大規(guī)模臨床測(cè)試和應(yīng)用[41]。最后，醫(yī)學(xué)影像數(shù)據(jù)作為患者個(gè)體信息的載體，其倫理層面的保護(hù)措施將成為人工智能領(lǐng)域非算法技術(shù)層面的挑戰(zhàn)和關(guān)注點(diǎn)[41- 42]。

人工智能技術(shù)在腦卒中神經(jīng)影像應(yīng)用領(lǐng)域具有極大改進(jìn)和發(fā)展空間。當(dāng)前，將人工智能系統(tǒng)或平臺(tái)初步集成和應(yīng)用到臨床實(shí)踐中，可輔助臨床醫(yī)師實(shí)現(xiàn)高效的工作流程[35, 38, 41, 43- 44]。未來，基于人工智能的深度學(xué)習(xí)模式是否可取代卒中神經(jīng)影像相關(guān)的人工流程尚未可知，但其必將對(duì)卒中神經(jīng)影像相關(guān)數(shù)據(jù)的處理和自動(dòng)化分析進(jìn)程產(chǎn)生巨大影響，在獲取更大規(guī)模數(shù)據(jù)集的基礎(chǔ)上訓(xùn)練出更為魯棒的算法模型，并改善腦卒中患者現(xiàn)有臨床工作流程和管理實(shí)踐，從而更為智能化地輔助臨床作出診療決策。

作者貢獻(xiàn)：韓小偉、李茗負(fù)責(zé)文獻(xiàn)檢索并撰寫初稿；張冰負(fù)責(zé)選題構(gòu)思及文章修訂。

利益沖突：無

志謝：感謝鄭冠鳴提供基于腦卒中影像人工智能系統(tǒng)轉(zhuǎn)化應(yīng)用的相關(guān)資料。