人工智能影像技術在卒中診療中的應用

吳韻陽，高鍵東，吳及

卒中分為缺血性和出血性卒中，其中缺血性卒中發生率為60%～70%[1]。近年來我國卒中發生率逐年上升，已成為居民致殘和致死的首位病因[1]。卒中的發生與年齡、家族史、高血壓、糖尿病、高脂血癥等因素相關，其病因復雜，患者間異質性大。傳統診斷方法主要依賴醫師自身的診療經驗，診治水平差異性較大。人工智能影像技術可深入挖掘卒中患者的多模態影像信息并綜合分析其他臨床數據，在精準評估、整合分析、推理預測等方面較傳統診斷方法具備顯著優勢，可提升篩查和診斷的速度及準確率，促進卒中診治標準化，提高各地醫療服務水平。本文將對人工智能影像技術在卒中診療中的應用現狀展開綜述。

1 人工智能影像技術概述

人工智能影像技術的常規定義為“智能主體（intelligent agent）”的研究和設計，包括研究、開發用于模擬、延伸和擴展人類智能的理論、方法、技術和應用系統[2]。目前的人工智能影像技術包括兩類，分別是機器學習和認知科學技術。

機器學習致力于應用計算的手段從數據中學習，運用經驗以改善系統自身的性能。機器學習算法可以分為有監督學習、無監督學習和強化學習三類，目前在針對卒中診治的研究中，有監督學習算法的應用更加廣泛，常用的有監督算法包括人工神經網絡、隨機森林、邏輯回歸、線性回歸及支持向量機等。認知科學技術則強調對數據、模式和情景進行創造性推理，兩者應用場景有所不同。

多模態影像數據是全面評估卒中發生發展的重要手段，針對影像數據的人工智能任務場景是多樣的，如分類、分割等，不同的任務有相應的模型評價指標。對于分類任務，ROC可以衡量一個模型的表現，相應的曲線下面積（area under curve，AUC）則代表ROC中所有可能分類閾值的綜合性能度量，AUC取值為0.5～1，數值越高表明模型整體性能越好；此外，還包括敏感度、特異度及準確率等常規指標。對于分割任務，通常使用Dice相似系數，該系數可衡量預測的分割結果與手動分割結果的重疊程度，其取值為0～1，Dice相似系數越接近1表明分割效果越好。

2 人工智能影像技術在缺血性卒中的應用

缺血性卒中的病因較為復雜，在最短的時間內篩查易誤診的假性卒中、快速精確探查病灶情況，進行準確診斷及合理治療是臨床面臨的主要問題。人工智能影像技術具有高效自動化和標準化的特點，在結合高維異構數據進行復雜建模方面有顯著優勢。以下將從缺血性卒中的快速檢測與篩查、病灶識別、輔助診療及預后預測方面展開介紹。

2.1 快速檢測與篩查 溶栓是治療急性缺血性卒中的有效方法，但溶栓的時間窗較短，故快速進行缺血性卒中的早期診斷并選擇合理的治療方式至關重要。根據《中國急性缺血性卒中診治指南2018》推薦[3]，所有疑似卒中的患者在入院時均需及時給予CT掃描檢查。目前已有一些研究采用機器學習算法在CT和MRI影像數據上進行缺血性卒中的快速檢測。

Tang等[4]針對增強頭部CT數據提出了一種基于圓形自適應感興趣區域的計算機輔助檢測方案（computer-aided detection，CAD），該方法可利用圖像紋理信息識別病灶直徑＜15 mm的腔隙性卒中。結果表明，CAD方法可輔助急診醫師和低年資放射科醫師識別腔隙性卒中，提升其診斷的準確率。Abedi等[5]則采用人工神經網絡模型，采用10倍交叉驗證法對130例急性缺血性卒中和130例假性卒中患者進行回顧性鑒別診斷，結果診斷的敏感度為80.0%、特異度為86.2%、準確率為92.0%。以上研究表明人工智能影像技術能夠輔助識別和診斷卒中患者，并且可對影響具體診療策略的關鍵因素提供更精準、客觀、全面的信息，從而達到輔助診療作用。

2.2 病灶識別

2.2.1 核心梗死灶的自動識別 缺血性卒中核心梗死灶的識別對判斷病情變化和進展具有重要意義，早期識別病灶梗死程度還有助于急診靜脈溶栓和血管內機械取栓治療患者的分流和篩選。

Chen等[6]在DWI上采用兩個卷積神經網絡協同處理的架構進行梗死灶識別，其中基于編碼-解碼器架構的DeconvNet網絡用于分割和識別，多尺度標簽網絡用于病灶的評估，以剔除假陽性樣本。基于741例患者的DWI數據結果進行測試，該模型在小病變（＜37個像素）和大病變上均獲得較好的分割效果（Dice系數分別為0.61和0.83）。

Guerrero等[7]將一種U型殘差網絡用于在MRI圖像上分割腦白質高信號，其診斷腦白質高信號和缺血性卒中的Dice系數分別為0.7和0.4。此外，有研究者通過三維卷積神經網絡對CTA數據源進行急性大腦中動脈區缺血性卒中的檢測，結果檢測的敏感度為93%、特異度為82%、AUC為0.93，分割的Dice系數為0.61[8]。與手工標注相比，三維卷積神經網絡檢測方法傾向于取中間值，即高估小梗死面積，低估大梗死面積。

2.2.2 大血管閉塞識別 對缺血性卒中后大血管閉塞的識別與分類可輔助病因分型及判斷是否適合機械取栓。研究表明血管密度指標可作為大血管閉塞的間接衡量標準[8]。Takahashi等[9]應用支持向量機對“大腦中動脈點征”中選擇的四個特征進行分類，在來自7例具有“大腦中動脈點征”的急性缺血性卒中患者CT圖像上進行測試，其敏感度為97.5%。此外，有研究將患者的性別、年齡、既往抗血小板治療史等臨床資料，影像數據及臨床危險因素作為神經網絡的輸入訓練模型，結果顯示識別大血管閉塞的準確率達82%[10]。

三維卷積神經網絡相對于隨機森林算法對圖像特征檢測具有更高的敏感度（85%vs68%），在大血管閉塞識別方面應用較廣[11]。基于卷積神經網絡的商業軟件Viz-AI-Algorithm v3.04在識別大血管閉塞方面的準確率、敏感度、特異度及AUC分別為86%、90%、83%和0.86[12]，而Viz-AI-Algorithm v4.1.2軟件識別大血管閉塞的敏感度為82%，特異度為94%[13]。基于上述軟件的大血管閉塞識別算法在CTA圖像上也表現出較好的診斷效能（敏感度67%～94%，特異度52%～94%）[8，12-13]。

2.2.3 Alberta卒中計劃早期CT評分 Alberta卒中計劃早期CT評分可用于評估缺血性卒中的早期受累程度，評分越高表明受累范圍越大，已有大型臨床對照研究將ASPECTS≥6分作為機械取栓手術的納入標準[14]。但人工ASPECTS評分存在一致性差、診斷時延長等問題，因此快速、客觀、精準的自動化評分工具的開發具有重要意義。目前已有研究表明基于人工智能技術的自動化評分工具的表現普遍優于單一放射科醫師，并與多名醫師聯合診斷結果一致性良好[11]。

Nagel等[15]采用人工智能技術在來自多中心、132例急性卒中患者的2640個（每例20個區域）非增強CT圖像區域上進行自動化ASPECTS評分，以彌散加權成像為評價缺血范圍的金標準，結果顯示兩組不同工作點系統的特異度分別為93%和87%，準確率為91%和85%，均未低于3名神經內科專家的聯合判定結果。但有研究顯示，對于既往存在腦白質病變、陳舊性梗死或其他腦實質病變的急性缺血性卒中患者，基于人工智能技術的評分者信度為0.59，低于神經影像學專家的0.71～0.80[16]。在用于ASPECTS評分的機器學習方法中最常見的是隨機森林算法，Kuang等[17]在非增強CT圖像區域上提取紋理特征并構造隨機森林模型，進而獲得相應的ASPECTS評分，結果與專家根據DWI影像評分的結果進行對比，其組內相關系數為0.76。

目前已有的基于機器學習的ASPECTS自動化評分商業軟件包括Brainomix e-ASPECTS（Oxford，UK），Siemens Frontier（Erlangen，Germany），iSchemaView ASPECTS（Menlo Park，California，USA）等。

2.3 輔助診療 卒中的治療需要綜合考慮側支循環、缺血半暗帶、發病到就診時間及病因分型等因素以選擇合適的方案。Grunwald等[18]通過e-ASPECTS對側支循環進行評分，結果表明基于人工智能技術的自動化評分工具在保證與專家共識判讀一致性的同時，還可顯著提升專家判讀的組內相關性。

缺血半暗帶范圍可用于評估急性缺血性卒中患者可挽救的腦組織，具有一定的臨床治療指導作用。人工智能在缺血半暗帶范圍評估領域主要有兩方面應用：①范圍勾畫的自動化[19-20]；②通過機器學習方法提供不同于傳統影像學評估方法的缺血半暗帶范圍評估[21-22]。

患者發病到就診時間對缺血性卒中的治療決策有重要影響，在預測領域機器學習相對于人工推斷可以綜合患者除病史以外的更多信息，具有更大的優勢。Lee等[23]將從梗死灶分割、DWI和FLAIR圖像配準及圖像特征中提取的89維特征向量作為輸入，分別采用邏輯回歸、支持向量機和隨機森林三種機器學習模型實現二分類任務，即從355例患者中篩選出發病時間在4.5 h內的患者。在保持與人工判讀特異度相當的前提下，機器學習模型可大幅度提高識別的敏感度（人工判讀48.5%，機器學習72.7%～75.8%）。

病因分型有助于更加精準的治療方案選擇，目前在卒中領域應用較多的病因分型是TOAST分型。2019年，Garg等[24]在包含1091例缺血性卒中患者的前瞻性研究中，分別進行了人工TOAST分型和基于人工智能技術的自動TOAST分型，結果表明機器學習算法可與評估者分型保持較高的一致性（根據亞型的不同，Kappa系數為0.47～0.64）。

2.4 預后預測 基于機器學習的預測模型可用于缺血性卒中的病情發展預測、功能性結局預測及致死性結局預測三個方面。

在病情發展預測方面，已有研究采用支持向量機對缺血性卒中患者的CT圖像進行識別和分類，從而實現急性溶栓后癥狀性顱內出血的風險預測。相對于溶栓后出血評分（AUC 0.630）和癥狀性溶栓出血危險因素評分（AUC 0.626）兩種人工評分方法，機器學習模型具有更好的表現（AUC 0.744）[25]。此外，在大腦后動脈閉塞患者確診后3個月的視野缺損改善情況預測及圍手術期血管痙攣預測方面，機器學習模型同樣表現出良好的預測能力[26-27]。

功能性結局是指患者獨立生活的能力，包括身心狀態及社會功能，通常采用mRS評估，人工智能技術還可以探究影響預后的因素。2019年，Heo等[28]選擇出病因分型結果、既往病史、實驗室檢查指標等38個變量作為模型輸入，分別采用深度學習、隨機森林和邏輯回歸三種機器學習模型對患者是否具有良好預后進行預測，并與洛桑卒中量表評分進行比較，結果表明基于機器學習方法的AUC（0.888，0.857，0.849）普遍優于傳統評估（0.839），但當兩者輸入變量保持一致時，機器學習模型與傳統評估方法效果相當，該結果提示在預測任務方面，納入更多信息可能是機器學習方法存在優勢的原因之一。此外，Monteiro等[29]研究表明，在逐步納入隨患者病情發展而變化的特征信息后，可進一步提升模型的預后分類性能（AUC從0.808提升至0.90）。2021年，van Horn等[30]通過邏輯回歸方法探究影響預后的因素，結果表明高齡、高NIHSS評分、低ASPECTS評分是導致不良預后的獨立因素。

致死性結局預測可分為不同時間跨度，?elik等[31]運用人工神經網絡模型預測缺血性卒中患者發病后10 d內的死亡情況，在訓練和測試數據集上的分類準確率可達97.8%和75.9%。另一項關于大腦動靜脈畸形的研究結果顯示，支持向量機等機器學習方法可準確預測介入治療后5年的致死性結局，準確率為97.5%[32]。但以上方法均未提供可評估的模型或可實際使用的臨床預測工具，其有效性和可行性還有待論證。

3 結語與展望

隨著相關研究的逐步深入，人工智能影像技術在缺血性卒中診治方面的應用優勢亦逐漸顯現。在治療時間窗較短的背景下，快速高效的人工智能影像技術可從病灶識別、病情評估等多方面提高診治效率，挽救患者生命；卒中的臨床表現多樣、病因復雜，基于人工智能影像的臨床決策支持系統可改善醫療質量，促進卒中診治標準化；人工智能影像技術在卒中風險及預后預測方面也初顯優勢，未來可進一步集成多源異構數據，為臨床醫師提供全面且具有預見性的診療意見。

然而，現階段人工智能技術在卒中臨床診療中的應用仍然存在一定的局限性。如由于缺乏公開且有標注的完備大型數據集，研究工作的評估難以標準化；數據局限性導致對于病灶的自動化檢測和識別僅針對特定的類型；人工智能方法的“黑箱”特性導致其在臨床中的可信度較低，故需要更多的可解釋性方法或借助實際臨床背景下的前瞻性研究進一步論證。

【點睛】人工智能影像技術對于卒中診療可發揮積極作用，但該技術仍面臨諸多挑戰，未來還需繼續深入研發針對卒中的臨床輔助決策系統，使更多患者受益。