人工智能在腦血管病診療中的應用

許璟 魯偉 向建平

腦血管病位居我國居民各種死亡原因的第一位，已成為嚴重危害我國居民健康和生命的主要疾病?！吨袊l(wèi)生健康統(tǒng)計年鑒（2018）》指出，2017年我國腦血管病死亡構(gòu)成比超過20%[1]，這意味著我國居民平均每5例死者中有1例死于腦血管病。該病的發(fā)病特點是起病突然、病情進展迅速、診療時間窗短、病程長、患者預后較差等。腦卒中是最常見的腦血管病之一，主要包括出血性卒中和缺血性卒中，其中出血性腦卒中包括高血壓腦出血、顱內(nèi)動脈瘤破裂、腦血管畸形出血、硬腦膜動靜脈瘺和煙霧病出血等；缺血性腦卒中包括急性腦梗死、頸動脈和椎動脈狹窄閉塞、顱內(nèi)血管狹窄、靜脈竇狹窄閉塞等?；诙嗄B(tài)的影像學診斷是腦卒中診療過程中的主要檢查方法。腦血管病影像檢查主要包括CT、MR和數(shù)字減影血管造影（digital subtraction angiography，DSA）等影像模態(tài)，具體包括顱內(nèi)無顯影CT（non contrast CT，NCCT）、CT血管造影（CT angiography，CTA）、CT灌注成像（CT perfusion，CTP）、MR血管造影（MR angiography，MRA）、MR灌注成像（MR perfusion，MRP）和DSA等。隨著人工智能（artificial intelligence，AI）和計算機視覺技術(shù)的快速發(fā)展，機器學習和深度學習等AI技術(shù)逐漸用于醫(yī)學影像學領(lǐng)域[2]。以深度學習神經(jīng)網(wǎng)絡為代表的AI算法基于強大的表征學習能力，能夠自動化提取影像學特征，進而為輔助診斷和決策提供參考。合理、合規(guī)地應用AI技術(shù)并將其充分與臨床結(jié)合，能有效提高診斷效率和診斷精度，對緩解醫(yī)療資源緊張、區(qū)域和城鄉(xiāng)醫(yī)療資源分配不均衡等均有重要社會意義。本文對AI在腦血管多模態(tài)影像處理、腦卒中和顱內(nèi)動脈瘤等腦血管病診療過程中的研究進展和產(chǎn)業(yè)應用作一述評，同時結(jié)合腦血管病的臨床需求，總結(jié)目前AI在腦血管病診療應用中存在的問題，并對未來的發(fā)展進行展望。

1 AI在腦血管影像處理中的應用

AI在腦血管影像處理中的應用主要包括影像的顱骨去除和血管分割等兩個方面。對于腦血管影像，特別是CT模態(tài)的影像，顱骨的CT值一般都非常大，對于后續(xù)腦血管的識別、分割會有較大干擾，所以腦血管圖像處理的一個關(guān)鍵問題就是去除顱骨。隨著AI技術(shù)的興起，顱骨去除方法經(jīng)歷了由傳統(tǒng)的圖像處理算法（如閾值法、區(qū)域生長方法等[3]）逐漸轉(zhuǎn)變?yōu)橛蓹C器學習和深度學習神經(jīng)網(wǎng)絡為主導的AI算法。在機器學習方面，像經(jīng)典的支持向量機[4]、主成分分析降維方法[5]都可用于顱骨去除，但整體效果有限，AI方法在顱骨去除方面的應用主要還是在于深度學習。Kleesiek等[6]提出使用3D卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）來提取MRI腦部區(qū)域，最優(yōu)分割dice系數(shù)能夠達到0.95。Chen等[7]基于3D網(wǎng)絡和ResNet結(jié)構(gòu)設(shè)計了一種VoxResNet網(wǎng)絡，同樣也是用于MRI影像的顱骨去除。

AI在腦血管影像處理中的另一個應用就是顱內(nèi)血管分割。血管影像的快速準確分割是進行后續(xù)腦血管病診斷與預測的重要前提。而血管分割的時效性、準確性、覆蓋度、連通性等是腦血管分割最主要的評價指標。Klimont等[8]基于預訓練和2D UNet網(wǎng)絡在NCCT上進行嘗試，并將其與對應CTA影像進行比較，得到分割dice系數(shù)為0.64。Fu等[9]基于3D CNN首次設(shè)計了一個可實現(xiàn)頭頸CTA血管分割的后處理系統(tǒng)，它能夠自動除去骨影像，并完成頭頸CTA的血管分割與重建。該研究構(gòu)建了近2萬份數(shù)據(jù)的CTA影像隊列，該算法在分割dice系數(shù)和靈敏度上均達到0.9以上，在外部不獨立測試集的準確性上也達到0.93，對CTA影像細小血管的分割均有非常高的精度。

2 AI在腦卒中診療過程中的應用

腦卒中的診療高度依賴于多模態(tài)的影像數(shù)據(jù)。AI在腦卒中診療中的應用主要體現(xiàn)在基于多模態(tài)影像數(shù)據(jù)的輔助診斷分類、病灶分割、病變血管定位和梗死進展預測等方面。腦卒中可分為出血性卒中和缺血性卒中兩大類型，是顱內(nèi)兩種截然相反的情況。腦出血的特征是閉合顱腔內(nèi)血量過多，而腦缺血的特征是血量過少而不能為某部分腦組織提供足量的氧和營養(yǎng)物質(zhì)。以下將對目前AI在出血性卒中和缺血性卒中的應用研究進展進行梳理，并對相關(guān)的產(chǎn)業(yè)實踐作一簡單介紹。

2.1 出血性卒中的AI應用研究 出血性腦卒中是由于局部腦組織血管破裂引起的急性腦血管病，包括創(chuàng)傷性腦出血和自發(fā)性出血。NCCT是診斷腦部病變的最常用成像技術(shù)，具有成像速度快、掃描方便、價格相對便宜等優(yōu)點。該方法可以迅速、準確地顯示血腫部位、出血量、占位效應、是否破入腦室或蛛網(wǎng)膜下腔、周圍腦組織受損等情況，是疑似卒中患者的首選影像學檢查方法。目前AI在急性顱內(nèi)出血（intracranial hemorrhage，ICH）中的應用主要體現(xiàn)在基于深度學習神經(jīng)網(wǎng)絡的出血二分類診斷、多分類出血分型診斷以及出血病灶的圖像分割等。Chang等[10]提出一種基于混合2D和3D CNN網(wǎng)絡的ICH檢測網(wǎng)絡，在大隊列數(shù)據(jù)集上，其檢測出血的靈敏度和特異度分別達0.971和0.975；在出血病灶分割問題上，Hssayeni等[11]提出了一種基于深度全卷積網(wǎng)絡的ICH病灶圖像分割模型，最優(yōu)分割dice系數(shù)能達到0.52；此外，該模型對于硬膜下出血、硬膜外出血、腦室內(nèi)出血、實質(zhì)內(nèi)出血和蛛網(wǎng)膜下腔出血（subarachnoid hemorrhage，SAH）均有較好的分割效果，見圖1。

圖1 人工智能在顱內(nèi)出血分型病灶分割中的應用

2.2 缺血性卒中的AI應用研究 相較于出血性卒中，缺血性腦卒中是由于局部腦組織血管堵塞和供血不足引起的急性腦血管病。臨床上常用的檢查手段包括CT、MR，基于CT的一站式腦卒中檢查的診斷流程如下：患者入院先行NCCT檢查，判斷是出血還是缺血，或者是其他顱內(nèi)疾?。蝗绻浅鲅宰渲?，即按照出血治療方式進行相應處理；如果是缺血性卒中，可先進行Alberta卒中項目早期CT評分（Alberta stroke program early CT score，ASPECTS），然后進一步通過CTA檢查確定堵塞血管的位置，通過CTP檢查量化評估梗死核心體積和缺血半暗區(qū)域體積。

ASPECTS是一種基于NCCT影像評估早期缺血性卒中梗死范圍的定量評估方法，但其本身存在著主觀性強、評估誤差大等弊端。Kuang等[12]提出基于隨機森林算法的自動化ASPECTS系統(tǒng)，通過提取ASPECTS分區(qū)區(qū)域圖像特征并訓練機器學習算法來判定區(qū)域是否有低密度梗死灶，最后進行匯總評分。該研究認為基于機器學習算法的早期缺血特征判讀能力不弱于臨床專家。在缺血梗死區(qū)域定量評估方面，F(xiàn)lottmann等[13]提出基于機器學習算法的無閾值方法來預測梗死區(qū)域，從體積誤差上看，效果要優(yōu)于傳統(tǒng)的單一閾值化方法。Dolz等[14]提出多路徑的UNet網(wǎng)絡進行灌注參數(shù)圖的梗死區(qū)域分割，以MRI影像作為金標準，以CT灌注參數(shù)圖像作為多通道輸入，構(gòu)建多路徑UNet分割網(wǎng)絡，平均分割dice系數(shù)能達到0.635。大血管堵塞（large vessel occlusion，LVO）是指在顱內(nèi)外供應腦部的動脈血管壁在發(fā)生病理性改變的基礎(chǔ)上，在血流緩慢、血液成分改變或血黏度增加等情況下形成血栓，致使血管閉塞。CTA是腦血管成像的一種技術(shù)方法，是識別疑似急性缺血性卒中患者大血管狹窄閉塞的最常用方法。You等[15]基于CTA影像提出一種混合XGBoost機器學習和CNN深度學習方法的LVO檢測模型，該模型對于LVO的檢測率達到93%。在MR梗死定量評估方面，Chen等[16]設(shè)計了一種兩層結(jié)構(gòu)的深度卷積網(wǎng)絡用于MRI DWI影像的梗死病灶區(qū)域分割，對于大梗死和小梗死區(qū)域的分割dice系數(shù)分別為0.83和0.61。

總而言之，目前AI在缺血性卒中診療中的應用主要體現(xiàn)在影像評估上，包括基于機器學習方法的自動化NCCT ASPECTS、基于深度學習圖像分割的CTP/DWI梗死核心和半暗帶定量評估以及基于深度學習檢測算法的CTA LVO檢測。

2.3 腦卒中診療與AI產(chǎn)品化實踐 AI在腦卒中診療的應用除了學術(shù)界廣泛研究外，在工業(yè)界產(chǎn)品化方面也取得了較大的進展。目前國內(nèi)外主要醫(yī)療軟件廠商關(guān)于腦卒中診療AI產(chǎn)品化應用相關(guān)的基本信息，見表1。ICH、ASPECTS、CTP和LVO在腦卒中臨床診斷流程中的位置，見圖2。從表1可以看到，目前國內(nèi)外醫(yī)療軟件廠商在AI腦卒中產(chǎn)品化方面都有著相對成熟的產(chǎn)品線，且各廠商的軟件均能在圖2找到對應工具。在相關(guān)應用上，可以看出兩個技術(shù)結(jié)合的特征，第一個是傳統(tǒng)圖像算法與AI技術(shù)的結(jié)合，對于不適合直接用AI技術(shù)進行處理的問題，比如CTP的灌注參數(shù)圖分析，一般會通過傳統(tǒng)的圖像處理技術(shù)來解決；第二個是傳統(tǒng)的機器學習與當前流行的深度學習算法相結(jié)合，可以進行多元化的影像特征信息提取，以獲得更為準確的預測結(jié)果。

圖2 腦卒中臨床診斷流程

表1 腦卒中診療軟件和主要技術(shù)

3 AI在動脈瘤診療中的應用

顱內(nèi)動脈瘤是由于先天發(fā)育異?；蚝筇鞊p傷等因素導致局部的顱內(nèi)動脈管壁損害，在血流動力學和其他因素的共同作用下，逐漸擴張形成的異常膨出，是最常見的腦血管病之一。它在人群中的發(fā)病率為2%～7%，任何年齡段均可發(fā)病，40~60歲是發(fā)病年齡的高峰期。顱內(nèi)動脈瘤破裂所致的SAH具有極高的致殘率和致死率，占所有卒中的5%~10%；而80%的SAH是由于顱內(nèi)動脈瘤破裂導致的。因此，對顱內(nèi)動脈瘤進行早期篩查并準確預估其是否有破裂風險至關(guān)重要。而AI在動脈瘤診療中的應用主要集中于自動化診斷篩查和破裂風險評估兩個方面。

顱內(nèi)動脈瘤的常規(guī)檢查手段是顱內(nèi)CTA、DSA和MRA，其中CTA作為顱內(nèi)CT一站式檢查方式之一，具有成像速度快、分辨率較高的特點，是臨床上常用的動脈瘤檢查手段。然而，也存在傳統(tǒng)人工閱片和篩查技術(shù)效率低下、漏檢率較高等問題。近年來，基于AI和深度學習技術(shù)的自動化動脈瘤篩查與檢測相關(guān)研究逐漸開展起來。Park等[17]提出基于CTA的動脈瘤檢測模型HeadXNet，且實驗證實配備HeadXNet動脈瘤輔助診斷系統(tǒng)的醫(yī)生診斷動脈瘤的準確率明顯高于沒有算法輔助的醫(yī)生。Shi等[18]提出了基于CTA影像的動脈瘤檢測模型DAResUNet，該模型以多個CNN結(jié)構(gòu)設(shè)計進行拼接，以DSA影像作為動脈瘤診斷標簽的金標準設(shè)計了多個臨床對比實驗，最終顯示該模型的靈敏度高達0.97，在獨立的外部驗證集上靈敏度也有0.85，且對于＜5 mm的小動脈瘤也有較高的檢出率。在MR影像動脈瘤診斷方面，Ueda等[19]提出了基于MRA影像的Aneu-Dect模型，在內(nèi)部和外部驗證集上的靈敏度分別為0.91和0.93。

顱內(nèi)動脈瘤破裂的風險評估是動脈瘤診斷的核心。目前相關(guān)研究主要集中在構(gòu)建包含動脈瘤破裂終點事件的隊列數(shù)據(jù)，基于各種機器學習算法進行建模預測。傳統(tǒng)方法通常收集患者的常規(guī)臨床信息和動脈瘤形態(tài)學參數(shù)信息作為特征，通過隨機森林或XGBoost分類模型對動脈瘤是否有破裂風險進行預測。Jaehyuk等[20]對常規(guī)臨床信息和病史進行特征重要性排序，說明了某些特征對于動脈瘤破裂風險的影響更大。Chubin等[21]采用了radiomics醫(yī)學影像特征提取庫提取動脈瘤形態(tài)信息，且在預測動脈瘤破裂風險上具有不錯的準確性（AUC=0.883）。近年來，部分國內(nèi)醫(yī)學影像科研機構(gòu)計算了動脈瘤的血流動力學參數(shù)信息，并與常規(guī)臨床信息和動脈瘤形態(tài)學參數(shù)信息一同作為特征進行模型訓練，以預測動脈瘤破裂風險。Xiang等[22]采用邏輯回歸模型融合動脈瘤形態(tài)學參數(shù)和血流動力學參數(shù)信息，該模型在預測動脈瘤破裂風險方面具有較好的準確性（AUC=0.89）。

在動脈瘤臨床治療和預后評估方面，近年來也有一些基于AI的研究被逐漸提出。Bhurwani等[23]提出將深度神經(jīng)網(wǎng)絡應用于血管造影，利用治療前、后的DSA預測動脈瘤閉塞情況。在基于造影參數(shù)來預測顱內(nèi)動脈瘤介入治療的成功率方面，該研究展現(xiàn)了深度神經(jīng)網(wǎng)絡的潛在應用前景。Tabaie等[24]基于機器學習模型來捕捉預測動脈瘤引起SAH患者的臨床風險因素，這些因素有助于高風險患者的臨床治療決策和患者影像數(shù)據(jù)的臨床價值挖掘。Paliwal等[25]比較了4種經(jīng)典的監(jiān)督學習機器學習算法（邏輯回歸、支持向量機、K-近鄰和BP神經(jīng)網(wǎng)絡）預測血流導向裝置治療動脈瘤6個月的預后結(jié)果，結(jié)果表明BP神經(jīng)網(wǎng)絡（AUC=0.967）在訓練集上表現(xiàn)最好，支持向量機和BP神經(jīng)網(wǎng)絡在測試隊列中的預測準確性為0.90。盡管該研究缺乏獨立的外部驗證，但應用機器學習模型來幫助臨床醫(yī)生在適當?shù)膭用}瘤患者中選擇血流導向裝置具有較高的臨床價值。

4 小結(jié)與展望

本文重點梳理了近年來AI在腦血管病診療過程中的應用研究與產(chǎn)業(yè)實踐進展，同時闡述了AI在腦血管影像處理、腦卒中診療以及顱內(nèi)動脈瘤診療等領(lǐng)域中的應用進展，并結(jié)合臨床實際對目前AI在腦血管病診療應用中存在的問題進行總結(jié)。AI可應用于腦血管病的診斷分類、病變檢測定位、病灶分割和破裂風險預測等，并在多個領(lǐng)域取得了較大的進展，而且一些產(chǎn)品已經(jīng)在臨床中得到廣泛應用，如本文提到的ASPECTS和CTP的評估。但AI在腦血管病的應用也面臨著許多問題：（1）目前的AI模型還處于對數(shù)據(jù)極度依賴的發(fā)展階段，構(gòu)建穩(wěn)健和泛化能力強的模型缺乏大型隊列和高質(zhì)量標注的數(shù)據(jù)集，這使得AI在腦血管病中的應用仍處于定制化場景，而泛化應用廣度不能令人滿意。（2）AI模型算法工程師缺乏與臨床醫(yī)生或放射科醫(yī)生之間的有效協(xié)作模式，大多數(shù)由工程師訓練出模型，不能滿足真正的臨床使用需求。（3）AI模型的可解釋性問題，因為臨床診斷過程一般需要明確的可解釋性和決策依據(jù)。但是，隨著數(shù)據(jù)的標準化和AI算法的發(fā)展，相信未來會有越來越多成熟的AI產(chǎn)品廣泛應用于臨床，覆蓋腦血管病診療的整個流程。