腦梗死影像智能診斷及預(yù)測的研究進展

魏 來，譚文莉，詹松華

上海中醫(yī)藥大學附屬曙光醫(yī)院放射科，上海201203

腦梗死是指局部腦組織血液循環(huán)產(chǎn)生障礙，腦組織缺血、缺氧而發(fā)生軟化壞死。隨著CT、MRI 設(shè)備和成像技術(shù)的不斷發(fā)展，腦組織影像檢查方法也逐漸成熟［1］。目前，醫(yī)學影像檢查設(shè)備基于不同的成像原理，可實現(xiàn)腦梗死的多模態(tài)成像，部分特殊成像方法（DWI、CTP、PWI 等）可協(xié)助判斷腦組織的病理生理狀態(tài)［2］。因此，影像學檢查是腦梗死重要的檢出與評估手段，在臨床實踐中應(yīng)用廣泛。

1 腦梗死的影像診斷（圖1）

圖1 腦梗死常用的影像學檢查方法圖像 注：圖1a 為頭顱CT 平掃；圖1b 為頭顱DWI；圖1c 為頭顱MRA；圖1d 為頭顱CTA；圖1e 為頭顱CTP

1.1 CT 與MRI 平掃

CT 檢查具有成像速度快、檢查費用低等優(yōu)點，是腦梗死最常用的影像學檢查方法。腦梗死急性期CT平掃表現(xiàn)主要為腦動脈供血區(qū)域腦實質(zhì)密度不同程度減低。2000 年，Alberta 卒中項目提出了一項早期CT 評分（alberta stroke program early CT scale，ASPECTS），用于評估大腦中動脈供血區(qū)早期缺血性改變，實現(xiàn)了CT 平掃圖像上缺血性腦卒中的半定量評估［3］。MRI 成像具有多序列、多參數(shù)、多平面的特點，可更準確地顯示腦梗死的范圍及水腫等情況。MRI是腦梗死的首選檢查方法，DWI 可顯示超急性期的腦梗死（發(fā)病6 h 內(nèi)），在DWI 圖像上表現(xiàn)為高信號區(qū)域，同時可借助ADC 來量化彌散受限的程度［4］。

1.2 CTA 與MRA

CTA 作為無創(chuàng)血管成像方法，具有成像速度快、空間分辨力高等優(yōu)點，是目前臨床首選的頭顱血管檢查方法。MIP、VR 可直觀顯示血管管腔的內(nèi)部形態(tài)，準確評價腦動脈狹窄的發(fā)生部位及狹窄程度。常用的MRA 序列為3D 擾相梯度回波序列（3D spoiled gradient recalled echo，3D-SPGR），該序列無需引入外源對比劑，且敏感度高，是臨床上最常用的MRI動脈成像方法。對比增強MRA（contrast-enhanced magnetic resonance angiography，CE-MRA）需快速注射釓對比劑。與CTA 相比，MRA 易過高評估血管狹窄程度，對遠端或分支血管狹窄顯示準確度有限，但MRA 是碘對比劑過敏或急性腎功能不全患者的首選檢查方法［5］。

1.3 CTP 與PWI

CTP 是評價急性腦梗死血流灌注情況的首選檢查方法。借助定量分析軟件（如RAPID、MIStar 等），可提供梗死核心區(qū)及缺血半暗帶的定量信息。PWI也可提供腦組織的血流灌注信息，MRI 檢查灌注-彌散不匹配（perfusion-diffusion mismatch，PDM）是目前判斷缺血半暗帶的最理想的影像學方法，即PWI/DWI不匹配［6］。最為廣泛認可和使用的頭顱CTP/PWI 分析軟件Rapid，應(yīng)用閾值法界定核心梗死區(qū)與缺血半暗帶，即ADC＜620 mm2/s 的區(qū)域為核心梗死區(qū)，灌注殘余功能達峰時間（time of maximum concentration，Tmax）＞6 s 的區(qū)域為缺血區(qū)域［7］。

2 人工智能概況

人工智能是一系列用以模仿人類智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)，其是計算機科學的分支，現(xiàn)階段較為流行的算法分支是機器學習和深度學習。因為機器模型的性能根據(jù)輸入的特征而變化，所以從數(shù)據(jù)中適當?shù)剡x擇和提取特征非常重要。輸入特征通常由研究人員和數(shù)據(jù)科學家確定［8］。目前，已經(jīng)開發(fā)了各種特征選擇方法來增強選擇過程并建立高精度的機器學習模型?；谶@些特征，機器學習算法確定最佳決策邊界，選擇特征并開發(fā)模型以執(zhí)行任務(wù)。圖像數(shù)據(jù)的各種特征均可用于機器學習模型，如病變的大小、位置、形狀和信號強度。此外，機器學習可區(qū)分和利用額外的圖像特征，如紋理信息、信號強度梯度和偏斜度，這些特征是人類無法辨別的［9］。

2.1 機器學習

機器學習是人工智能的核心技術(shù)，涉及諸多領(lǐng)域。該算法可從大數(shù)據(jù)中學習規(guī)律，從而擁有對測試集進行分析和研究的能力［10］。機器學習通常分為監(jiān)督學習和非監(jiān)督學習。監(jiān)督學習使用由人類標記的訓(xùn)練數(shù)據(jù)集以定義所需或已知的答案，需人工標記過程。監(jiān)督學習的經(jīng)典方法有支持向量機、決策樹、線性回歸、邏輯回歸、樸素貝葉斯和隨機森林方法；非監(jiān)督機器學習不使用人類定義的答案，試圖在大型數(shù)據(jù)集中自行識別隱藏的模式，而這些模式通常對人類是不可見的。無監(jiān)督學習的經(jīng)典方法有K 均值、均值偏移、親和傳播、層次聚類和高斯混合建模［11］。

2.2 深度學習

深度學習是新一代的機器學習技術(shù)，其使用人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）模仿人腦，具有多個隱藏層的ANN［12］。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）也使用ANN，CNN 是醫(yī)學中最常用的深度學習模型，其仿照生物視覺系統(tǒng)構(gòu)建，能進行有監(jiān)督學習和無監(jiān)督學習，其隱藏層內(nèi)的卷積核構(gòu)建的權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)，可減少計算過程中所需的權(quán)值數(shù)量［13］。深度學習可從醫(yī)學大數(shù)據(jù)中挖掘深度信息，構(gòu)建人工智能模型以實現(xiàn)疾病的識別診斷及預(yù)后預(yù)測，同時深度學習模型具備糾錯能力，可根據(jù)結(jié)果反饋不斷提高其算法的準確率，以減少臨床實踐中的人為診斷和治療偏差［14］。

3 人工智能在腦梗死影像領(lǐng)域的研究進展

3.1 腦梗死醫(yī)學影像的分割與定量

①閾值法：Lee 等［15］研究結(jié)果顯示DWI圖像上急性腦梗死核心區(qū)域的閾值法自動分割結(jié)果與金標準之間的戴斯一致性系數(shù)（dice coefficient，DC）為0.395 1。Boldsen 等［16］開發(fā)了一種基于閾值法的機器學習模型，用于前循環(huán)急性腦梗死DWI 圖像上梗死病灶的自動分割，中位DC 為0.612 2。②深度學習方法：Nishi 等［17］設(shè)計了一個CNN 模型，用于MRI-DWI圖像上梗死核心區(qū)的自動分割，DC 為0.58±0.01。Kim 等［18］構(gòu)建了U-Net 模型，實現(xiàn)了基于DWI+ADC和DWI 的腦梗死病灶的自動分割，平均DC 分別為0.60 和0.57。Wu 等［19］的研究應(yīng)用深度學習分割模型實現(xiàn)了MRI-DWI 圖像上梗死核心區(qū)的自動分割，DC為0.86（0.79～0.89）。Kamnitsas 等［20］構(gòu)建了3D-DNN模型，使用體素周圍的3D 面片來代替像素周圍的2D 面片，該3D-CNN 模型的平均DC 為0.59±0.31，正確分割了測試集（36 例）中的34 例。Chen 等［21］利用CNN 模型實現(xiàn)了DWI 圖像上腦梗死病灶的全自動分割，病灶檢出敏感度達0.94，與標準化標注結(jié)果的DC 約為0.67，該模型在開發(fā)及訓(xùn)練過程中，使用了無監(jiān)督學習。Wei 等［22］的研究利用U-net 模型實現(xiàn)了MRI-DWI 圖像上腦梗死區(qū)域的自動分割與體積測算，DC 高達0.806（圖2）。

圖2 3 例人工智能自動標注結(jié)果與人工標注結(jié)果間的比較 注：圖2a～2c 為DWI 圖像；圖2d～2f 為人工智能分割結(jié)果。紅色區(qū)域為人工標注結(jié)果，綠色區(qū)域為人工智能輸出結(jié)果，黃色區(qū)域為一致性部分

3.2 腦梗死的診斷與預(yù)測

①識別與診斷：Takahashi 等［23］利用機器學習技術(shù)檢測CT 圖像上的大腦中動脈高密度征，提取外側(cè)裂區(qū)特征，使用支持向量機進行分類，并使用留一法（交叉驗證）對模型性能進行評估，該模型檢測大腦中動脈高密度征的敏感度達97.5%（39/40）。Nagel等［24］運用2 組人工智能技術(shù)進行自動化ASPECTS評分，特異度分別為93%和87%，準確率分別達91%和85%。Cheng 等［25］應(yīng)用2D 和3D 網(wǎng)絡(luò)相結(jié)合的CNN 模型實現(xiàn)了急性腦梗死在MRI-DWI 圖像上的病灶自動分割及自動化DWI-ASPECTS 評分，結(jié)果表明自動化DWI-ASPECTS 評分和放射科醫(yī)師評分之間有很好的一致性，其中高級放射科醫(yī)師與自動化評分的Kendall’s tau-b 值為0.848。Czap 等［26］運用一種基于3D-CNN 的機器學習算法檢出頭顱CTA 圖像上的大血管閉塞，在68 例外部驗證集中ROC 的AUC 為0.80。Wei 等［27］設(shè)計了一種3D-CNN，用于頭顱CTA 圖像上動脈瘤的自動檢出，并將人工智能檢出結(jié)果與金標準DSA 檢查結(jié)果進行對照，在212 例患者中，人工智能系統(tǒng)診斷動脈瘤的敏感度、特異度和準確率分別為84.9%、18.2%和74.5%。②預(yù)測：Nielsen 等［28］的研究構(gòu)建了一個深度學習CNN，用以預(yù)測靜脈注射組織多肽抗原（tPA）治療后的MRI-DWI圖像上最終梗死體積，輸入9 個生物標志物，對比了29 例未經(jīng)靜脈注射tPA 治療的患者和35 例接受靜脈注射tPA 患者的數(shù)據(jù)，該模型預(yù)測最終梗死體積的準確率為88%，優(yōu)于其他模型。Ho 等［29］運用深度學習方法對腦梗死患者的多模態(tài)MRI 圖像進行發(fā)病時間點的預(yù)測分類（發(fā)病時間是否在4.5 h 內(nèi)），模型預(yù)測敏感度達0.788，陰性預(yù)測值達0.609。Kim 等［30］構(gòu)建了一個基于支持向量機的機器學習模型，整合了大腦中動脈區(qū)域腦梗死患者病變區(qū)域范圍和其他臨床變量，成功預(yù)測了患者3 個月后視野缺陷的改善情況。Lee 等［31］構(gòu)建了貝葉斯網(wǎng)絡(luò)模型，分析處理MRI-DWI 圖像及臨床信息，用于預(yù)測腦梗死患者6 個月后吞咽困難的恢復(fù)情況，AUC 為0.802。Nishi 等［17］的研究基于CNN 模型對腦梗死患者的MRI 圖像進行分析處理，預(yù)測腦梗死患者的90d-mRS，AUC 達0.81±0.06。Wei 等［22］利用MRI-DWI 圖像及臨床信息，構(gòu)建了機器學習模型，實現(xiàn)了對前循環(huán)非腔隙性腦梗死患者重癥卒中轉(zhuǎn)化風險的預(yù)測，AUC 達0.835 8。

4 前景與展望

隨著計算機技術(shù)及醫(yī)學大數(shù)據(jù)的蓬勃發(fā)展，醫(yī)學影像的智能診斷及預(yù)測將是必然趨勢。目前，醫(yī)學影像相關(guān)的人工智能輔助診斷技術(shù)已逐步應(yīng)用到臨床實踐工作中。同時，人工智能與醫(yī)學影像的融合也面臨著巨大挑戰(zhàn)，尚需大量的準備工作，以實現(xiàn)人工智能技術(shù)與醫(yī)學影像分析的完美結(jié)合。

首先，高質(zhì)量的臨床影像多維數(shù)據(jù)庫是人工智能技術(shù)得以應(yīng)用的基礎(chǔ)［32］。人工智能在腦梗死方面可利用的數(shù)據(jù)除影像數(shù)據(jù)外，還包括臨床病史資料、檢驗信息、生物學信息等。目前，醫(yī)學信息正逐步走向數(shù)字化，如能夠?qū)⑦@些數(shù)據(jù)加以結(jié)構(gòu)化、系統(tǒng)化的收集，并構(gòu)建出臨床影像多維的標準化數(shù)據(jù)庫（包含影像、臨床病史資料、檢驗信息等），將會為人工智能技術(shù)與醫(yī)學影像的融合奠定堅實的基礎(chǔ)。

其次，構(gòu)建多中心、大樣本、標準化標注的臨床影像數(shù)據(jù)庫是精準智能診斷及預(yù)測模型構(gòu)建的前提條件［33］。目前，尚缺乏標準化的數(shù)據(jù)處理方法和智能存儲、隨訪、分析及共享模式，需不斷完善標準化數(shù)據(jù)庫的建設(shè)。已有研究中，數(shù)據(jù)庫多為單中心、小樣本量數(shù)據(jù)庫，高質(zhì)量數(shù)據(jù)庫構(gòu)建的關(guān)鍵點在于影像數(shù)據(jù)采集的質(zhì)量和廣泛代表性，因此，需構(gòu)建多中心、大樣本的數(shù)據(jù)庫。醫(yī)學影像人工智能模型的敏感度及特異度仍有待提升，準確率是醫(yī)學影像人工智能模型的核心部分，可通過在訓(xùn)練數(shù)據(jù)集內(nèi)使用交叉驗證法來增加模型的穩(wěn)定性，應(yīng)用獨立的數(shù)據(jù)集驗證模型的魯棒性和泛化性，來進一步完善模型。另外，目前尚缺乏標注的標準化共識規(guī)范，數(shù)據(jù)庫質(zhì)量和規(guī)模參差不齊，不同機構(gòu)采用的標注方式和結(jié)果各不相同。因此，有必要提高數(shù)據(jù)集的標注準確率，從而有效提高模型的準確率和魯棒性。

在臨床工作中，已積累了大量腦梗死的影像學信息及臨床信息，而人工智能需基于大樣本、標準化、結(jié)構(gòu)化的數(shù)據(jù)庫才能更好地運行。因此，實現(xiàn)成像協(xié)議的標準化、保證數(shù)據(jù)的準確率、開發(fā)用戶友好的圖像上傳服務(wù)器、構(gòu)建大存儲容量的云系統(tǒng)，建立一個大樣本、多中心、標準化的腦梗死數(shù)據(jù)庫勢在必行。