人工智能在缺血性腦卒中影像中的應(yīng)用進(jìn)展

魯君，張歸玲，朱文珍*

1.華中科技大學(xué)同濟(jì)醫(yī)學(xué)院附屬同濟(jì)醫(yī)院放射科，湖北 武漢 430030；2.石河子大學(xué)醫(yī)學(xué)院第一附屬醫(yī)院CT/MRI室，新疆石河子 832000；*通信作者 朱文珍 zhuwenzhen8612@163.com

全球疾病負(fù)擔(dān)研究顯示，我國總體卒中終生發(fā)病風(fēng)險居全球首位，卒中是我國成人致死、致殘的首位病因[1]。截至2018年，我國年齡＞40歲的居民卒中現(xiàn)患數(shù)約1 318萬，每年因卒中死亡的人數(shù)約190余萬，其中缺血性腦卒中發(fā)病率逐年升高[2]。卒中是一種可防控的疾病，早期篩查和及時干預(yù)可以預(yù)防疾病的發(fā)生和改善預(yù)后。然而，隨著可供選擇的治療方案越來越多，疾病特征和治療反應(yīng)之間的新關(guān)系不斷被發(fā)現(xiàn)，卒中的識別和治療越來越復(fù)雜。影像學(xué)是腦卒中檢測、特征描述和預(yù)測預(yù)后的重要工具，傳統(tǒng)的影像學(xué)分析方法以體積測量和參數(shù)值分析為主，圖像中還有大量信息未被挖掘。

人工智能近年廣泛應(yīng)用于醫(yī)學(xué)圖像領(lǐng)域，可以縮短圖像評估時間、縮小評價者之間的差異，有助于提取影像中的重要信息，從而提高對卒中的識別、治療反應(yīng)和結(jié)果預(yù)測[3]。目前，人工智能在腦卒中影像中的應(yīng)用主要包括疾病診斷、關(guān)鍵成像特征檢測和預(yù)測預(yù)后等[4-5]。本文對人工智能在缺血性腦卒中影像中的應(yīng)用進(jìn)行綜述，探討人工智能在缺血性腦卒中輔助診斷和治療決策支持中的優(yōu)勢與不足。

1 人工智能的概念及原理

人工智能是計算機(jī)科學(xué)的子領(lǐng)域，旨在模擬人類的認(rèn)知過程，通過學(xué)習(xí)、解決問題和采取行動使成功的機(jī)會最大化[6]。早期的人工智能強(qiáng)調(diào)通過理解和解釋數(shù)據(jù)而實現(xiàn)智能[3]。然而，人工智能是一個概括性的術(shù)語，包含了許多復(fù)雜程度不同的技術(shù)，以解決不同的問題。

機(jī)器學(xué)習(xí)（machine learning，ML）是人工智能的子領(lǐng)域[7]。ML的目標(biāo)是自動識別現(xiàn)有數(shù)據(jù)集中復(fù)雜且高維的模式，對新的、看不見的數(shù)據(jù)集進(jìn)行預(yù)測或分類[8]。與早期的人工智能不同，ML不一定涉及對輸入數(shù)據(jù)的語義理解，通常會使問題和建議的解決方案之間出現(xiàn)“黑盒”，而解釋解決方案過程的能力有限[9]。ML可以進(jìn)一步細(xì)分為有監(jiān)督和無監(jiān)督的ML以及強(qiáng)化學(xué)習(xí)。盡管這3種類型的ML均可以用于特定的醫(yī)療環(huán)境中，但有監(jiān)督的ML是該領(lǐng)域中最相關(guān)的類型，特別是在精準(zhǔn)醫(yī)學(xué)方面。有監(jiān)督的ML用標(biāo)記的數(shù)據(jù)作為“基本事實”進(jìn)行訓(xùn)練，以識別特征數(shù)據(jù)中的相應(yīng)模式[10-13]。

深度學(xué)習(xí)是ML的子領(lǐng)域，它將具有復(fù)雜結(jié)構(gòu)的ML算法與自動輸入直接從數(shù)據(jù)中導(dǎo)出的特征相結(jié)合[14]。為確保所建的模型具有代表性，ML更依賴于人工選擇的特征，而深度學(xué)習(xí)更適合輸入相對原始、幾乎沒有先驗專家知識的數(shù)據(jù)。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的一個分支，是一種靈活的、數(shù)據(jù)驅(qū)動的方法，能夠自動提取非線性特征，是目前神經(jīng)影像研究的熱點。

2 人工智能在缺血性腦卒中診斷中的應(yīng)用

2.1 人工智能對非對比增強(qiáng)CT（noncontrast computed tomography，NCCT）上缺血性腦卒中病變的檢測 NCCT是評估急性缺血性腦卒中（acute ischemic stroke，AIS）最廣泛使用的成像方式。在缺血性腦卒中的超急性期，僅憑人眼很難在NCCT圖像中區(qū)分病變與健康組織。Qiu等[15]開發(fā)了一種應(yīng)用ML在NCCT中自動檢測分割A(yù)IS病變的方法，該方法訓(xùn)練出的模型檢測到的病變體積與放射科醫(yī)師在擴(kuò)散加權(quán)成像上手動勾畫的病變體積的平均差值為11 ml（P=0.89），具有很好的一致性（P=0.11）。Wu等[16]提出了一種基于兩階段的卷積神經(jīng)網(wǎng)絡(luò)識別NCCT中不可見的缺血性腦卒中，該研究對來自2家醫(yī)院的患者進(jìn)行3個獨立的試驗（即數(shù)據(jù)來自1家醫(yī)院、2家醫(yī)院的組合以及分別來自2家醫(yī)院），該模型在3個試驗中對腦卒中的識別準(zhǔn)確率分別為91.9%、87.2%和85.7%，精確定位準(zhǔn)確率分別為82.4%、83.0%和81.4%，表明該模型具有魯棒性。由此可見，人工智能可以檢測出NCCT圖像上病變與健康組織之間深層的、人眼不可見的特征差異，并描繪和量化病灶，從而幫助醫(yī)師做出臨床決策。

2.2 人工智能對缺血性腦卒中自動進(jìn)行阿爾伯塔中風(fēng)項目早期CT評分（Alberta stroke program early CT score，ASPECTS） ASPECTS是評估大腦中動脈區(qū)缺血性腦卒中的常用方法，它將大腦中動脈區(qū)細(xì)分為10個亞區(qū)，以視覺識別病變所在亞區(qū)進(jìn)行計分，將缺血性腦卒中的檢測和報告系統(tǒng)化。為了實現(xiàn)這種視覺評分的自動化，Kuang等[17]提出一種從ASPECTS的每個亞區(qū)提取紋理特征訓(xùn)練隨機(jī)森林分類器的方法，對100例患者進(jìn)行測試，顯示了人工智能自動ASPECTS評分的能力。盡管有研究使用ML軟件（如e-ASPECTS）進(jìn)行ASPECTS自動評分的結(jié)果不遜于人類專家，但在已有病理改變的卒中患者（包括腦白質(zhì)病變、陳舊性梗死和非典型腦實質(zhì)缺損）中，與人工評估（準(zhǔn)確率為77.0%～80.0%）相比，e-ASPECTS的性能較低（準(zhǔn)確率為67.0%）[18-19]，表明ASPECTS自動評分軟件可以協(xié)助神經(jīng)放射科醫(yī)師做臨床決策，但是最后需要對其可靠性進(jìn)行人工檢查，特別是在大腦已有病理改變的患者中。

2.3 人工智能對多模態(tài)MRI中缺血性腦卒中病灶的自動分割 MRI能獲取更多與缺血性腦卒中相關(guān)的影像信息，對疾病的診斷更有價值。Liu等[20]通過深層卷積神經(jīng)網(wǎng)絡(luò)在多模態(tài)MRI上自動分割A(yù)IS病變，該模型的平均Dice系數(shù)和Hausdorff距離分別為0.742和2.33 mm，在單模態(tài)和多模態(tài)MRI中均表現(xiàn)出良好的性能。Zhao等[21]提出一種多特征圖像融合網(wǎng)絡(luò)，混合使用多個弱標(biāo)記和幾個全標(biāo)記被試以緩解模型對全標(biāo)記被試的依賴，該模型的平均Dice系數(shù)為0.699，其中以病變層面為單位的F1評分為0.886，受試者檢測率為100%。因此，人工智能可以對單模態(tài)、多模態(tài)MRI上缺血性腦卒中的病變進(jìn)行自動分割，并可以不斷改善對標(biāo)記的依賴。

2.4 人工智能對缺血性腦卒中發(fā)病時間（time since stroke onset，TSS）的預(yù)測 對于TSS不明的患者，若能僅通過影像信息客觀確定TSS對卒中評估和治療選擇有重要意義。Ho等[22]通過對181例患者擴(kuò)散加權(quán)成像與T2液體衰減反轉(zhuǎn)序列不匹配模式構(gòu)建的ML模型結(jié)合灌注加權(quán)成像參數(shù)圖構(gòu)建的深度學(xué)習(xí)模型評估TSS。該研究比較了5種ML方法（Logistic回歸、隨機(jī)森林、梯度增強(qiáng)回歸樹、支持向量機(jī)、逐步多元線性回歸）評估TSS的效能，結(jié)果顯示Logistic回歸結(jié)合深度學(xué)習(xí)模型評估效能最高，受試者工作特征曲線下面積為0.765，敏感度為78.8%，陰性預(yù)測值為60.9%，優(yōu)于擴(kuò)散加權(quán)成像與T2液體衰減反轉(zhuǎn)序列不匹配模式。人工智能對TSS的評估為后續(xù)是否進(jìn)行溶栓治療提供了客觀依據(jù)。

3 人工智能對缺血性腦卒中關(guān)鍵成像特征的檢測

3.1 人工智能對大血管閉塞（large vessel occlusion，LVO）的識別 LVO引起的AIS需要采取血管內(nèi)血栓切除術(shù)進(jìn)行緊急治療，應(yīng)用人工智能及時、準(zhǔn)確識別LVO對于優(yōu)化血管內(nèi)治療至關(guān)重要[23]。?man等[24]使用三維卷積神經(jīng)網(wǎng)絡(luò)從CT血管成像（CTA）源圖中檢測LVO引起的缺血性卒中，以手動分割的病變作為“金標(biāo)準(zhǔn)”，該模型對缺血性病變的識別與“金標(biāo)準(zhǔn)”具有高度一致性，敏感度為93.0%，特異度為82.0%?；隗w素的曲線下面積為0.93，最高相似Dice系數(shù)為0.61。Chatterjee等[25]利用卷積神經(jīng)網(wǎng)絡(luò)開發(fā)了一種新算法，以識別頸內(nèi)動脈和（或）大腦中動脈M1段的前循環(huán)LVO。該研究對650例AIS的CTA進(jìn)行分析，敏感度為82.0%，特異度為94.0%，陽性預(yù)測值為77.0%，陰性預(yù)測值為95.0%，平均處理時間為5 min。人工智能在快速、準(zhǔn)確識別LVO中具有一定的優(yōu)勢。

3.2 人工智能對缺血性腦卒中出血轉(zhuǎn)化（hemorrhagic transformation，HT）的預(yù)測 HT是AIS再灌注治療中最嚴(yán)重的并發(fā)癥，術(shù)前預(yù)測其發(fā)生出血性轉(zhuǎn)化的風(fēng)險可以指導(dǎo)臨床治療決策[26]。Yu等[27]通過不同類別的ML模型自動學(xué)習(xí)AIS再灌注治療前的灌注加權(quán)成像和擴(kuò)散加權(quán)成像影像以及動脈輸入函數(shù)的HT相關(guān)特征，比較其預(yù)測HT的效能。研究顯示譜回歸核判別分析的預(yù)測效能最好，略高于支持向量機(jī)，譜回歸判別分析、決策樹、神經(jīng)網(wǎng)絡(luò)和線性回歸模型的預(yù)測效能與譜回歸核判別分析相比有顯著差異。該研究表明，使用ML模型可以預(yù)測AIS再灌注治療后HT的發(fā)生，從而篩選適合再灌注療法的患者。

3.3 人工智能對缺血半暗帶及梗死核心的檢測 缺血半暗帶及梗死核心區(qū)的準(zhǔn)確評估對缺血性腦卒中的治療決策和預(yù)后具有重要意義。Kuo等[28]對14只永久性大腦中動脈閉塞雄鼠進(jìn)行7T MRI成像，根據(jù)平均彌散率和相對腦血流量參數(shù)圖構(gòu)建的ML模型將病灶側(cè)大腦半球分為3部分：缺血半暗帶、梗死核心和正常組織。2-level分類法識別3種組織亞型的準(zhǔn)確率為（88.1±6.7）%，與灌注加權(quán)成像和擴(kuò)散加權(quán)成像不匹配方法的結(jié)果相似。Yu等[29]納入AIS患者發(fā)病后24 h內(nèi)的擴(kuò)散加權(quán)成像、灌注加權(quán)成像及其參數(shù)圖訓(xùn)練ML模型，以發(fā)病后3～7 d內(nèi)T2液體衰減反轉(zhuǎn)序列上放射科醫(yī)師手動勾畫的病變大小和位置作為“金標(biāo)準(zhǔn)”，建立的模型可以從基線MRI預(yù)測最終的梗死核心大小和位置，為AIS患者在干預(yù)前提供個性化的梗死灶預(yù)測。而Sheth等[30]通過AIS患者的CTA數(shù)據(jù)構(gòu)建ML模型，該模型可以快速有效地檢測LVO，并可以從CTA圖像中確定梗死核心體積，兩者相關(guān)系數(shù)為0.7。在人工智能的輔助下，CTA能夠提供類似計算機(jī)體層灌注（CTP）的信息，并迅速且自動化的分析，對溶栓或確定取栓治療方案有指導(dǎo)意義。

4 人工智能對缺血性腦卒中預(yù)后的預(yù)測

4.1 人工智能對缺血性腦卒中治療相關(guān)并發(fā)癥及療效的預(yù)測 對缺血性腦卒中治療相關(guān)并發(fā)癥及療效的預(yù)測有助于篩選接受急性期治療（如溶栓治療）的高危人群。Pfaff等[31]納入220例接受機(jī)械取栓和術(shù)前基線CT檢查的AIS患者，進(jìn)行e-ASPECTS與3位放射科醫(yī)師評分，結(jié)果顯示四者之間的一致性很高，其中e-ASPECTS與術(shù)后3個月改良Rankin評分呈顯著負(fù)相關(guān)，而與其一致性最高的專家評分也具有相同的結(jié)果。此外，在多變量分析中，e-ASPECTS軟件評分也是AIS機(jī)械取栓術(shù)后不良結(jié)局（改良Rankin評分4～6）的獨立預(yù)測因子（比值比為0.79，95%置信區(qū)間0.63～0.99，P=0.049）。該研究表明人工智能軟件e-ASPECTS可以預(yù)測急性缺血性卒中患者機(jī)械取栓術(shù)后的不良結(jié)局，有助于制訂治療決策。

4.2 人工智能對缺血性腦卒中神經(jīng)功能長期結(jié)局的預(yù)測 對神經(jīng)功能長期結(jié)局的預(yù)測可以指導(dǎo)缺血性腦卒中的治療。Tang等[32]納入155例發(fā)病后9 h內(nèi)接受擴(kuò)散加權(quán)成像與灌注加權(quán)成像檢查的AIS患者，隨后靜脈注射阿替普酶或常規(guī)藥物治療。采用LASSO邏輯回歸模型選擇對臨床結(jié)果最具預(yù)測性的特征，建立了3個ML預(yù)測模型：臨床模型、不匹配模型和聯(lián)合模型，三者預(yù)測短期結(jié)局的曲線下面積分別為0.743、0.854、0.863，預(yù)測長期結(jié)局的曲線下面積分別為0.697、0.773、0.778。臨床模型與不匹配模型對于短期結(jié)局與長期結(jié)局的預(yù)測效能均有顯著差異；聯(lián)合模型僅在預(yù)測短期結(jié)局時有顯著差異；不匹配模型與聯(lián)合模型之間無顯著差異。該研究通過ML方法將缺血半暗帶、梗死核心的局部影像參數(shù)與臨床因素、治療方式相結(jié)合所建立的聯(lián)合模型可以預(yù)測患者的臨床結(jié)局，從而指導(dǎo)臨床醫(yī)師為不同患者制訂治療方案。Tang等[33]在既往研究的基礎(chǔ)上引入基于半暗帶的影像組學(xué)特征預(yù)測AIS的臨床結(jié)局，與既往研究采用的局部影像參數(shù)相比，影像組學(xué)特征對短期臨床結(jié)局的預(yù)測有更大的貢獻(xiàn)。

5 人工智能應(yīng)用于缺血性腦卒中影像中的局限性與展望

人工智能的應(yīng)用具有一些局限性，如大部分模型的建立需要大量分類良好和準(zhǔn)確的數(shù)據(jù)集；各醫(yī)院在圖像采集和數(shù)據(jù)存儲方面存在差異，使得數(shù)據(jù)共享存在困難；當(dāng)模型錯誤地學(xué)習(xí)了訓(xùn)練集中的“噪聲”而不是“信號”時，會出現(xiàn)過擬合的問題；“黑盒”的出現(xiàn)使結(jié)果的解釋具有挑戰(zhàn)性，特別是深度學(xué)習(xí)算法。針對這些局限性，目前也有一些相應(yīng)的解決方法，如成像方法的標(biāo)準(zhǔn)化和開源數(shù)據(jù)收集可以解決數(shù)據(jù)集的問題；更多的訓(xùn)練數(shù)據(jù)、正則化和批量歸一化可以緩解過擬合。

在缺血性腦卒中影像評估中，人工智能非常適合減少評價者之間的分歧，提高評估的標(biāo)準(zhǔn)化，實現(xiàn)對有意義的成像數(shù)據(jù)的快速評估，通過識別關(guān)鍵的治療相關(guān)變量并綜合這些變量預(yù)測治療反應(yīng)、支持臨床決策。未來，還有相當(dāng)大的空間可以實施更先進(jìn)的成像分析，為臨床醫(yī)師提供直接或間接征象，合并、排序優(yōu)先級和總結(jié)一個人的大量臨床和成像特征，并將這些特征與經(jīng)過穩(wěn)健評估和優(yōu)化的擬合模型進(jìn)行比較，以幫助常規(guī)臨床決策、實現(xiàn)精準(zhǔn)醫(yī)療。