人工智能在腦卒中神經影像中的應用

韓小偉，李 茗，張 冰,2

1南京大學醫學院附屬鼓樓醫院醫學影像科，南京 2100082南京大學腦科學研究院，南京 210008

人工智能是計算機科學中快速發展的研究領域，旨在通過多種算法模擬人類認知和信息處理過程，由于臨床醫學成像過程中生成了大量復雜高維的圖像數據而特別適合采用人工智能算法進行處理[1]。人工智能模型算法涉及常見的機器學習算法，如采用監督學習的支持向量機(support vector machine, SVM)、線性回歸、Logistic回歸、樸素貝葉斯及采用非監督學習的分層聚類、K均值等。隨著基于深度學習的卷積神經網絡(convolutional neural network, CNN)架構的發展和完善，人工智能已從最初的計算機視覺應用示范逐漸轉向醫學圖像處理領域，并顯示出巨大的應用前景[2]。近年來，人工智能在神經影像領域的應用研究呈現出強勁的增長態勢，尤其是新興的各類CNN技術可更為有效和更加準確地進行圖像數據處理[3]。在臨床實踐中，腦卒中患者神經影像檢查在診療及隨訪過程中發揮非常關鍵的作用。對于急性腦卒中影像，人工智能在梗死或出血灶的檢測、分割、分類、分型以及腦血管狀態檢測、腦卒中早期評估、病情分級和轉歸預測中具有越來越多的應用[4- 5]。采用人工智能技術數據分析和構建的模型可以幫助臨床醫生對腦卒中患者進行診療、隨訪評估和及時干預，有效降低了患者的發病率和死亡率[6- 7]。本文通過回顧缺血性與出血性腦卒中人工智能技術的研究現狀，闡述人工智能在腦卒中神經影像診斷、鑒別診斷、病灶量化分析及療效評估等方面的應用及臨床轉化，并針對當前存在的缺陷和應用限制分析未來發展前景，以期為臨床診療提供最新借鑒。

1 人工智能在缺血性腦卒中的應用研究

1.1 缺血性腦卒中的檢測與缺血狀態判斷

臨床實踐中，基于患者影像數據判斷急性缺血性腦卒中患者的治療時間窗至關重要。有研究采用缺血性腦卒中患者的磁共振灌注加權成像(perfusion-weighted images, PWI)，構建基于自動編碼器架構的深度學習算法，在PWI中提取隱藏的定量或半定量參數特征用于確定卒中發作后的時間(time-since-stroke, TSS)，指導臨床溶栓治療時機及策略選擇[8]。腦梗死區域的準確識別和評估對于急性腦卒中的治療決策同樣至關重要，Chen等[9]的研究采用磁共振彌散加權成像(diffusion weighted imaging, DWI)數據，開發了兩類CNN深度學習框架，對DWI病灶區域進行分割模型訓練，并對網絡架構和參數進行調整配置，結果表明基于深度學習的計算模型對于缺血病灶具有較高的檢出率和準確性。

臨床需要依據缺血性腦卒中患者不同亞型制訂相應管理和預防措施，從而便于進行卒中的分類管理。 Garg等[10]聯合采用患者電子病歷文本信息及神經影像數據，使用機器學習技術對病歷中的自然語言進行處理，并基于患者腦常規磁共振成像和磁共振血管成像(magnetic resonance angiography, MRA)，回顧性分析和確定患者在入院時的卒中分類亞型，結果顯示機器學習自動分類亞型與人工分類結果的Kappa值為0.72，一致性結果較好，表明該自動化分類流程和系統可進一步用于大規模腦卒中流行病學研究。

基于磁共振PWI及DWI對于灌注-擴散不匹配區域的測量可輔助臨床判斷腦組織缺血狀態，及時作出搶救治療決策。研究表明，基于磁共振影像的算法模型(廣義線性模型、 SVM、自適應增強和隨機森林)分析腦梗死區域缺血狀態的異質性，可用于評估急性缺血性腦卒中潛在的可挽救組織[11]。基于腦血流量和表觀擴散系數，采用SVM預測腦梗死區域的缺血狀態及恢復情況，結果表明SVM模型的性能較好，有望提供定量或半定量算法框架輔助急性腦卒中治療的臨床決策[12]。

1.2 缺血性腦卒中的治療評估

基于結構和功能磁共振影像的人工智能算法模型有助于預測腦卒中患者的運動缺陷。Rondina等[13]提出了一種預測缺血性腦卒中患者上肢運動障礙的人工智能模型，該模型基于3D-T1WI高分辨率磁共振影像數據開發。基于體素模式計算概率圖用于運動障礙的預測，并在結果呈現中加載相應病灶區域可得到責任腦區的疊加展示效果。另一項研究應用SVM分類模型，通過納入不同腦區的病變、卒中偏側性及其他可選特征在內的參數，如梗死體積、入院時的卒中評分和患者年齡等，對于缺血性腦卒中患者30 d內臨床療效進行評估，并通過整合可選特征和病灶位置得到較好的預測結果，準確率達85%[14]。

基于人工智能的算法越來越多地用于預測建模和臨床決策支持，雖然其不同程度提高了模型的性能，但對預測模型工作過程的可解釋性仍有待提高[15]。Zihni 等[16]的研究采用傳統的多參數回歸分析方法及兩類機器學習模型(決策樹和多層感知器)，基于DWI及相應臨床數據預測卒中后90 d 的Rankin評分，結果表明3類模型的預測性能及可解釋性分析具有較好的一致性。機器學習可以提供與領域知識和傳統方法兼容的解釋性，但應在其他更大規模的影像數據集中進一步研究并測試不同模型的解釋方法。

急性缺血性腦卒中患者的預后不僅取決于治療方法，同時取決于患者在治療前或治療中出現并發癥的風險。Bentley等[17]研究表明，基于CT影像構建的SVM模型可較好預測靜脈溶栓治療后癥狀性腦出血的風險。一項多中心研究回顧性分析來自4個醫療中心263例患者的動態磁共振T2*PWI，并將6種滲透性磁共振參數作為線性和非線性預測模型的輸入， 開發基于自動分類器的框架模型自動識別滲透率圖的整體強度分布模式，可用于評估磁共振成像相關參數對出血性轉化的預測能力。結果表明，應用基于非線性回歸的預測模型時，采用灌注參數對急性缺血性腦卒中的預測準確率可達85%以上；此外，人工智能模型采用回流率(percentage of recovery)的滲透率特征也明顯優于其他特征，對于出血性轉化的預測可較好改進急性缺血性腦卒中的治療決策[18]。

2 人工智能在出血性腦卒中的應用研究

2.1 出血性腦卒中的診斷及量化分析

由各種原因引起腦血管破裂而導致出血性卒中，臨床上多見的基礎病因為高血壓、心肌梗死和血小板消耗等[19]。相比缺血性腦卒中，出血性腦卒中在CT影像上較易診斷，磁共振影像表現隨時間變化較為復雜[20]。因此，目前人工智能研究較多采用CT影像數據。

自發性顱內出血(intracerebral hemorrhage,ICH)的血腫量化分析有助于患者治療決策的制定及預后預測。已有研究提出不同的CNN或全卷積網絡(fully convolutional network, FCN)模型可從CT圖像中識別和分割腦出血病灶區域[21- 22]。采用Dense U-net的深度網絡框架可較好地基于CT圖像對于腦部血腫進行三維體積分割，有助于臨床有效制訂ICH的治療策略[21]。Zhao等[22]采用no-new-Net網絡框架用于全自動分割ICH、腦室內出血(intraventricular hemorrhage, IVH)及血腫周圍的水腫，結果表明人工智能模型對于ICH、IVH及周圍水腫自動分割和體積測量的方法可減少醫生工作量，節省手工計算時間且具有較高的可靠性。

當前，基于人工智能算法的全自動血腫分割和量化分析模型運行速度較手動和半自動分割方法明顯加快，結果之間具有很好的一致性，且全自動分割算法模型經外部驗證時具有較高的性能表現[23]。增加神經網絡的層數或改變網絡架構的方法也常用于提升模型的整體性能，如采用級聯式雙CNN或FCN可增加深度學習網絡模型預測結果的靈敏度及特異度[24]。此外，對于某一特定臨床問題可以設計特定網絡模型加以解決。Kuo等[25]針對當前CT圖像組織對比度差、信噪比低和偽影發生率高的缺點，采用基于patch-FCN的算法模型，在臨床上基于CT圖像的血腫分割和量化計算得到了滿意效果。這些不同參數和架構的人工智能模型，多是利用預先訓練好的深度學習框架體系進行預測分類，當訓練體系轉移到外部圖像進行驗證時，由于模型過擬合會對出血性腦卒中的預測結果產生不同程度的影響，因此，如何獲得魯棒性模型和預測結果尚需深入研究[26]。

2.2 出血性腦卒中的治療評估

在卒中治療過程中，基于PWI和DWI構建預測模型可對腦出血風險及轉化進行預測評估，根據隨訪結果在治療前后進行不同大腦區域出血風險的對比評估，并可使腦內病灶的空間分布可視化，進而為干預治療提供新的視角[27]。臨床常需對出血性腦卒中患者治療后的神經功能恢復情況進行判斷，有研究采用多種不同的機器學習方法預測急性腦卒中患者治療后90 d內的神經功能恢復狀況，通過篩選206個相關變量確定17個重要因素，分別采用SVM、隨機森林及混合神經網絡的建模方法，結果表明除病情嚴重患者出現較大偏差外，機器學習模型可較為準確預測出血性腦卒中后期神經功能的恢復結果[28]。?elik等[29]則采用兩種不同的多參數統計方法和人工神經網絡模型預測腦卒中患者治療10 d內出血和缺血的風險狀況，結果表明，采用構建的多參數統計方法和多層感知神經網絡模型，對于出血性腦卒中患者的訓練組和測試組均呈現出較好的預測性能。

蛛網膜下腔出血(subarachnoid hemorrhage, SAH)多由腦動脈瘤自發性破裂引起，約30%的SAH患者因遲發性腦缺血(delayed cerebral ischemia, DCI)而影響預后。當前，采用前饋人工神經網絡可較好用于SAH的CT檢測和預后分析，有助于患者特定結果的預測評估[30]。Capoglu等[31]基于3D數字腦血管造影圖像采用一種新的基于稀疏語義學習和協方差特征方法進行處理分析，在基于固定大小向量的基礎上編碼全腦血管結構特征，納入構建預測模型可較好地評估DCI的腦血管痙攣狀況。此外，在構建模型時加入患者臨床資料信息則在一定程度上可提升機器學習算法的預測性能[32]。

有研究采用家庭機器人輔助上肢康復設備與個性化的家庭鍛煉計劃相結合的方式，基于機器人在輔助家庭鍛煉計劃后腦卒中患者的影像學改變，評價患者上肢運動功能的康復質量和強度改善程度，結果表明，與單純家庭鍛煉計劃相比，聯合機器人家庭鍛煉可增加患者上肢功能的改善程度，增強卒中后神經功能的恢復[33]。因此，聯合使用機器人裝置與自主鍛煉計劃改善腦卒中患者后期康復具有現實可行性，并增加了依據傳統觀念被排除在康復鍛煉計劃之外的人群重新獲得基于影像的遠程康復療效評價機會。

3 基于腦卒中影像智能診斷系統的臨床應用

基于腦卒中影像的人工智能診斷系統或平臺已逐步在臨床實現應用轉化[34]。由SHUKUN Technology開發的出血性腦卒中智能診斷平臺StrokeDoc已較為成熟地應用于血腫的快速診斷、定位和量化評估，基于自動計算ASPECT評分、動態評估活動性出血可輔助治療方案選擇及預后判斷[35]。而BioMind開發的腦血管病診療輔助系統則基于人機交互處理方式，實現了融合影像及臨床數據的“中國缺血性卒中亞型”智能化分型并輔助參與臨床決策[36- 37]。最近，RapidAITM平臺將卒中影像與臨床療效評價相結合，顛覆性實現了在較短治療窗口期的智能檢測和評估，從而輔助實現腦卒中患者更為高效的診療流程[38]。目前，基于人工智能技術的系統平臺可初步實現臨床腦卒中影像的快速和智能化診療評估，不遠的將來有望為臨床醫生提供更為精準、高效和便捷的輔助診斷工具[34]。

4 小結與展望

人工智能技術在急性腦卒中患者基于影像數據的診斷和治療支持方面已顯示出巨大的應用價值，但目前在相關模型開發和臨床實施中還面臨一定挑戰[39]。首先，人工智能算法受限于有限的醫學影像數據，采用較小規模數據集進行訓練的模型通常出現過擬合現象，即訓練集中表現的預測結果很好，但在獨立測試集中的性能不佳[40]；另一方面，獲取充足的數據集后，如何采用合適算法開發高性能模型以真實反映影像數據模式的變化規律亦是一項艱巨的任務。因此，如何構建大規模、高質量的訓練集數據，在經臨床驗證檢測后持續提高模型的魯棒性，將是一項長期挑戰。其次，算法模型與人工智能醫用軟件的銜接流程尚需規范和完善，人工智能醫療產品的評估和監管力度也在一定程度上影響算法模型的大規模臨床測試和應用[41]。最后，醫學影像數據作為患者個體信息的載體，其倫理層面的保護措施將成為人工智能領域非算法技術層面的挑戰和關注點[41- 42]。

人工智能技術在腦卒中神經影像應用領域具有極大改進和發展空間。當前，將人工智能系統或平臺初步集成和應用到臨床實踐中，可輔助臨床醫師實現高效的工作流程[35, 38, 41, 43- 44]。未來，基于人工智能的深度學習模式是否可取代卒中神經影像相關的人工流程尚未可知，但其必將對卒中神經影像相關數據的處理和自動化分析進程產生巨大影響，在獲取更大規模數據集的基礎上訓練出更為魯棒的算法模型，并改善腦卒中患者現有臨床工作流程和管理實踐，從而更為智能化地輔助臨床作出診療決策。

作者貢獻：韓小偉、李茗負責文獻檢索并撰寫初稿；張冰負責選題構思及文章修訂。

利益沖突：無

志謝：感謝鄭冠鳴提供基于腦卒中影像人工智能系統轉化應用的相關資料。