深度學習在缺血性腦卒中的應用

孟鈺婷 徐姣娜 裘可凡 牛國忠*

作者單位： 310053 浙江中醫(yī)藥大學第四臨床醫(yī)學院（孟鈺婷 徐姣娜 裘可凡）310006 浙江大學附屬杭州市第一人民醫(yī)院（牛國忠）

腦卒中是世界范圍內死亡和殘疾的主要原因，全球終生風險約為25%［1］。我國腦卒中也是致殘率第一的疾?。?］。在臨床實踐中，顱腦計算機斷層掃描（computed tomography，CT）或磁共振成像（magnetic resonance imaging，MRI）是腦卒中分析研究和臨床決策的支柱。近年來，隨著現(xiàn)代醫(yī)療服務數(shù)字化，在大數(shù)據(jù)領域，人工智能有助于高效數(shù)據(jù)處理、分析和生產(chǎn)數(shù)據(jù)建模。機器學習是人工智能的核心，是一種自動從數(shù)據(jù)中學習并提供預測的算法，而深度學習（deep learning，DL）是機器學習領域的重要分支，已經(jīng)引起了研究者巨大的興趣。

1 深度學習的基本概念

深度學習是一類模式分析方法的統(tǒng)稱，它使用復雜的多層神經(jīng)網(wǎng)絡體系結構，將輸入信息轉換為多層抽象層次自動學習數(shù)據(jù)，這些技術的強大之處主要基于其自動提取相關特征的能力［3］。深度學習可以分為監(jiān)督學習和無監(jiān)督學習，在監(jiān)督學習中，計算機被給予標記的數(shù)據(jù)集，其中對象已被預分類，并且該算法尋找區(qū)分每個分類中對象的特征。相反，對于無監(jiān)督學習，沒有使用標準的圖像或分類，計算機本身必須確定類別［4］。卷積神經(jīng)網(wǎng)絡（convolutional neural networks，CNN）是深度學習代表的算法之一，它就像是人類的神經(jīng)網(wǎng)絡，低級信息輸入與神經(jīng)元的下一級形成連接，第二層中的每個神經(jīng)元可以組合來自較低級別神經(jīng)元的輸入以形成更新、更復雜輸出，隨著中間層或隱藏層數(shù)量的增加，最高層輸出的允許復雜性和豐富性也隨之增加。簡單的基于神經(jīng)網(wǎng)絡的機器學習算法通常只包括少數(shù)這些層，深度學習算法包括更多層與層的連接［3-4］。在圖像識別任務中，其中深度卷積神經(jīng)網(wǎng)絡（deep convolutional neural networks，DCNN）是最常用的模型［5］。深度學習可以在幾天內從標記的數(shù)據(jù)集中自動創(chuàng)建這樣的分類器，在冗雜的數(shù)據(jù)中自動提取相關特征，從而達到人工分類無法實現(xiàn)的目標，已經(jīng)在許多醫(yī)學疾病的診斷和預后預測展現(xiàn)出獨特的優(yōu)勢。

2 深度學習在缺血性腦卒中的應用

2.1 輔助診斷 缺血性腦卒中診斷的金標準是MRI，但CT和CT 灌注成像（CT perfusion imaging，CTP）也是不可或缺的手段，由于不同的影像手段優(yōu)勢不同，醫(yī)師主觀判斷存在一定的局限性，如何從輔助檢查的資料中更快獲得更多有用的信息是亟待解決的問題，而深度學習在這方面取得了一定進展。在缺血性腦卒中的輔助診斷時，需要減少計算時間，提高敏感度和特異度，降低假陽性率。深度學習的優(yōu)勢主要體現(xiàn)在對血管的評估、卒中梗死面積的分割、各類評分等方面，有助于更好更快輔助診斷腦梗死。

在 自 動 檢 測AIS 方 面，CETINOGLU 等［11］基 于MobileNetV2 和EfficientNet-B0 CNN 模型在彌散加權圖像（diffusion-weighted imaging，DWI）上識別缺血性腦卒中及其血管區(qū)域分類，并取得了很高的準確率，有助于進一步應用于自動檢測中風。WANG 等［12］基于非對比計算機斷層掃描（noncontrast computed tomography，NCCT）和CT 血管造影（CT angiography，CTA）圖像，利用端到端3D 卷積神經(jīng)網(wǎng)絡模型在識別AIS 位置和體積方面，與CTP-RAPID 診斷準確性相當，在沒有CTP 的基層醫(yī)院幫助臨床醫(yī)師檢測AIS 病變等方面具有很高的潛力。在AIS 診斷中，MRI 中的DWI 比CT 檢測更加可靠［13］，而NISHIO 等［14］開發(fā)一個基于NCCT 自動化AIS 檢測系統(tǒng)，通過構建兩階段DL 檢測模型，采用You Only Look Once v3模型聯(lián)合Visual Geometry Group 16的減少假陽性模型，顯著提高放射科醫(yī)師檢測AIS 的靈敏度。

在卒中梗死面積分割方面，DL 也展現(xiàn)出獨特的優(yōu)勢。準確的醫(yī)學圖像分割可以進一步幫助臨床醫(yī)師評估患者對AIS的治療反應，并為手術計劃和康復策略提供可靠的依據(jù)［15］。在圖像分割方面，F(xiàn)CN、U-Net、GAN 和Transformer 都具有較強的特征提取能力［16］。此外為了彌補模型的短板，很多研究衍生出一些改進模型。在2018 年的群島挑戰(zhàn)（AIS 病變分割），大部分團隊都是使用CNN 的DL 方法，并且取得了不錯的成績。SONG 等［9］使用深度學習生成對抗網(wǎng)絡算法，用CTP 數(shù)據(jù)創(chuàng)建了偽DWI 圖像，使用鑒別器比較真?zhèn)蜠WI，并提取區(qū)分的特征以提高其預測偽DWI 病變的能力，再對偽DWI 圖像進行分割，該方法平均Dice 系數(shù)（dice score coefficient，DSC）為（0.51±0.31），優(yōu)于傳統(tǒng)基于閾值的腦血流量方法［17］。YU等［18］使用注意力門控DCNN 探索單獨訓練、預訓練和閾值訓練三種不同方法，結果表明預先練習模型在訓練最小和最大再灌注模型比單獨訓練兩個模型和利用依賴于表觀擴散系數(shù)和達峰時間的閾值訓練表現(xiàn)出色，證明使用預訓練預測中風成像的可行性。由于相較于健康組織，病變梗死面積較小，這導致了分類不平衡，這會導致有偏見的學習，從而損害細分績效。CLèRIGUES 等［19］采用對稱模態(tài)增強進行預處理，使用平衡訓練補丁采樣策略和動態(tài)加權損失函數(shù)的小斑塊來解決類別不平衡的問題。KUMAR 等［20］則使用了Classifier 分類器網(wǎng)絡過濾掉所有不需要非病變圖像切片。由于DL 模型圖像分割需要利用大量的數(shù)據(jù)和高質量的體素級標，大多數(shù)基于CNN 的方法都需要對大量完全標注的主題進行訓練，需要花費大量時間，ZHAO 等［21］使用398 個弱標記和5 個完全標記的主題的弱監(jiān)督學習方法來促進AIS 病變較高的分割精度。CHEN 等［15］研究一種改進的平均教師網(wǎng)絡和對抗網(wǎng)絡相結合的半監(jiān)督分割架構，將對抗網(wǎng)絡深度集成到改進的多尺度平均教師模型中，用于腦損傷的分割。不但提高了分割結果，整體性能也優(yōu)于目前最先進的一致性訓練和形狀感知學習半監(jiān)督醫(yī)學圖像分割方法。

在評估血管方面，NIELSEN 等［22］比較基于門控循環(huán)單元DL 模型和基于專家對大腦中動脈M1 段機械取栓再通的評估在改良腦梗死溶栓分級（modified thrombolysis in cerebral infarction score，mTICI）上具有一致性，證明DL 在自動TICI評分具有較大潛力。STIB 等［23］提出基于DenseNet-121 DL 檢測大血管閉塞模型，通過使用延遲期CTA 提高了診斷性能。ROSA 等［24］提出以動脈輸入函數(shù)為主要輸入模型，用一種端到端的監(jiān)督CNN 來估計灌注成像中的血管功能，在血管功能估計方面和核心病變量化方面達到了評估的水平。

關于阿爾伯塔腦卒中計劃早期診斷評分（alberta stroke program early ct score，ASPECT），CHENG 等［25］采用DL 的自動軟件工具（eDWI-ASPECTS）計算的DWI-ASPECTS，其性能與神經(jīng)放射科醫(yī)師對評分評估相當，但由于評分規(guī)則的不確定和中線移位干擾導致M5、內囊和尾狀核區(qū)域的評分一致性較差或中等。

2.2 臨床干預及預后預測 中風是導致長期殘疾的主要原因，其預后與及時干預直接相關，而神經(jīng)影像數(shù)據(jù)與預測治療結果之間的重要相關性。在臨床干預及預后預測這方面，深度學習可以發(fā)揮其獨特的優(yōu)勢。利用深度學習模型可以預測最終梗死面積，幫助醫(yī)師及患者選擇臨床治療方案。HO［26］開發(fā)一種基于自編碼器架構的DL 算法，從磁共振灌注成像（perfusion-weighted imaging，PWI）中提取潛在代表性成像特征（即深度特征）來預測卒中的發(fā)病時間，為指導AIS 治療的操作決策提供了支持。WANG 等［27］開發(fā)和評估一種DL 模型，以動態(tài)敏感對比灌注MRI 中的灌注病灶為監(jiān)督，從而自動化識別動脈自旋標記圖像中的低灌注病灶和半暗帶。DEBS等［28］將再灌注狀態(tài)納入CNN 的模型在預測最終梗死面積方面，比臨床使用的灌注-擴散失配模型獲得了更高的AUC和Dice 相似系數(shù)。通過比較再灌注成功與失敗情況下梗死率的預測，有助于估計治療效果并指導患者治療決策的選定。WOUTERS 等［29］采用深度神經(jīng)網(wǎng)絡模型通過CT 源灌注圖像預測了急性大血管AIS 患者的最終梗死體積并得出了單個梗死生長速率，可以幫助醫(yī)師預測不同情況下的最終梗死體積，包括再通時間和mTICI 評分。此外，HILBERT 等［30］使用殘差網(wǎng)絡模型的自動圖像分析在預測AIS 患者血管內治療后的預后上優(yōu)于基于放射圖像生物標志物的預測。在另一研究中，NISHI 等［31］采用DL 獲得預后信息能夠更好預測大血管閉塞患者的長期臨床結局，與基于DWI-ASPECTS 和缺血性核心梗死體積數(shù)據(jù)相比。但在ASPECTS 0～4 分/大缺血核心梗死體積≥70 mL 亞組的患者中，不具有優(yōu)勢。

腦梗死出血性轉化（Hemorrhagic transformation，HT）是卒中的嚴重并發(fā)癥之一，精準預測患者出血的可能性對疾病治療及預后起著重要的作用。YU 等［32］使用基線MRI 的門控注意力U-net模型不但能預測沒有再灌注信息的AIS患者3～7 d 的梗死灶，并提供了包括水腫和HT 面積在內的亞急性腦卒中病變的綜合估計。JIANG 等［33］開發(fā)和驗證基于多參數(shù)磁共振成像的CNN 模型自動化預測AIS 患者血管內取栓后HT 具有較高的準確性和較好的泛化能力。其中用切片數(shù)據(jù)集可以用來進行模型訓練并替換感興趣體積數(shù)據(jù)集，而提出的基于DWI、PWI 和臨床多參數(shù)DL 模型的預測性能和泛化性最好，可以協(xié)助血管內治療后的AIS 患者的圍手術期管理。

3 DL在AIS應用中現(xiàn)狀及展望

人工智能初步代替人工在醫(yī)療上的作用是大家廣泛關注的話題，DL 作為人工智能的先進方向，既是機遇又是挑戰(zhàn)。3.1 缺少多中心大樣本的檢驗 雖然DL 被各類學者廣泛研究，但大多數(shù)是單中心小樣本小范圍的研究，所研究的數(shù)據(jù)缺乏廣普性，而且大多數(shù)研究的局限性都有提及模型的過擬合和缺乏魯棒性，因而在未來需要建立多中心大樣本的數(shù)據(jù)庫，以供學者研究、檢驗模型性能，改善模型上不足。此外，對多廠商掃描儀提出規(guī)范化的標準，使其獲得的圖像數(shù)據(jù)統(tǒng)一化，這也有利于DL 模型更好適用于臨床。

3.2 DL 被稱為黑盒，其學習和分類機制過于復雜和難以理解，難以解釋單個結果的來源，不能解釋如何通過DL 模型精確計算結果，臨床決策的理想循證使得醫(yī)學適用性受到質疑。因而需要進一步研究模型可視化，以提供洞察網(wǎng)絡的決策過程。

3.3 人工智能應用于醫(yī)學需要多學科聯(lián)合研究。人工智能研究員對臨床了解不深入，而臨床工作者對深度學習知識比較薄弱，研究結果適用于對描述的研究人群具有相似特征的患者，還無法廣泛應用于現(xiàn)實臨床的情況在應用。這需要臨床科室、輔助科室和研究人工智能的團隊聯(lián)合采取多學科合作方式來達到共贏。而真正適用于臨床實際情況的模型，需要臨床醫(yī)師的輔助、大量訓練和不斷改進來提高模型的性能。

4 小結與展望

DL 廣泛應用于AIS 在輔助診斷和臨床預測愈后，并起到了重要作用。在目前深度學習模型無法代替醫(yī)務人員的臨床診斷，但在無論是在自動檢測卒中、對血管的評估、分割病變還是并發(fā)癥的預測方面，DL 從大量冗雜的信息中精確地提取出高質量信息，可以使醫(yī)務人員在臨床工作中能更好更快診斷從而做出有益于治療方案，提高治療決策的速度，對于不熟悉中風成像的醫(yī)療保健專業(yè)人員則可以起到提示作用。深度學習體系對于醫(yī)師而言還是相對陌生的領域，需要聯(lián)合人工智能工程師進行深度學習體系結構的改進和發(fā)展。DL 目前仍存在過度擬合、訓練時間和機制的復雜性等因素的限制，把深度學習合理應用，將在醫(yī)療上達到革命性的進展，相信在未來，DL 將應用于更廣泛的空間。