耿道穎 夏 威 耿 辰

醫(yī)學(xué)影像作為臨床常用的診斷工具，擁有指導(dǎo)臨床診斷的巨大潛能；而對醫(yī)學(xué)影像數(shù)據(jù)的準確解讀是臨床診斷過程中繁重且具有挑戰(zhàn)性的工作。目前，醫(yī)學(xué)影像的解讀依賴于經(jīng)驗豐富的放射科醫(yī)師，然而隨著醫(yī)學(xué)影像設(shè)備的廣泛應(yīng)用，中國醫(yī)學(xué)影像數(shù)據(jù)量年增長率超過30%，而放射科醫(yī)師人數(shù)年增長率僅為4%，兩者的嚴重不匹配造成了放射科醫(yī)師工作負擔(dān)與日俱增，導(dǎo)致其疲勞程度增加，容易出現(xiàn)誤診、漏診[1]；其次，醫(yī)學(xué)影像學(xué)診斷結(jié)果的準確性易受放射科醫(yī)師專業(yè)知識水平和認知能力的影響，醫(yī)師通過肉眼讀片，憑借經(jīng)驗對疾病進行診斷，缺乏客觀量化標(biāo)準，評判結(jié)果的可重復(fù)性不高；此外，結(jié)構(gòu)MRI影像、功能MRI影像、分子影像等多模態(tài)影像廣泛應(yīng)用于中樞神經(jīng)系統(tǒng)疾病影像學(xué)中，全面解讀這些多模態(tài)結(jié)合的影像大數(shù)據(jù)需要放射科醫(yī)師具有極其豐富的經(jīng)驗，耗費其大量時間和精力，并且這類影像中可能潛藏著肉眼難以識別的深層影像信息。故當(dāng)前的醫(yī)學(xué)影像診斷工作亟須解決以上關(guān)鍵問題。近年來，隨著模式識別、機器學(xué)習(xí)、影像組學(xué)、深度學(xué)習(xí)等人工智能關(guān)鍵技術(shù)的突破和豐富的影像數(shù)據(jù)資源積累，將人工智能與醫(yī)學(xué)影像結(jié)合，通過人工智能算法高通量地挖掘醫(yī)學(xué)影像大數(shù)據(jù)中的定量影像特征，訓(xùn)練并構(gòu)建精準的輔助診斷模型，有望解決放射科醫(yī)師在醫(yī)學(xué)影像臨床工作中面臨的問題[2]。目前，以影像組學(xué)和深度學(xué)習(xí)為代表的人工智能技術(shù)在醫(yī)學(xué)影像自動分析與輔助診斷領(lǐng)域被廣泛研究并取得了大量成果。在病灶自動檢測和勾畫、定量影像特征提取、疾病診斷和預(yù)后預(yù)測等方面已有較多的臨床研究和應(yīng)用[3]。但現(xiàn)階段人工智能技術(shù)在醫(yī)學(xué)影像工作中的應(yīng)用依然存在全信息影像學(xué)數(shù)據(jù)庫缺失、模型性能標(biāo)準化評價體系缺失、模型決策過程可解釋性缺乏，以及人機協(xié)同模式有待探索等問題。

本文重點介紹人工智能在中樞神經(jīng)系統(tǒng)疾病影像學(xué)中的主要應(yīng)用，結(jié)合臨床實際總結(jié)目前存在的問題，并對其應(yīng)用前景進行展望。

1 人工智能在腦腫瘤影像學(xué)中的應(yīng)用

腦腫瘤是危害公眾健康的重要疾病之一，中國腦腫瘤年發(fā)病率約為 3～8/10萬。在各類腦腫瘤中，膠質(zhì)瘤具有高致死率和致殘率，人工智能在腦腫瘤影像學(xué)方面的應(yīng)用研究主要集中于膠質(zhì)瘤。人工智能在腦腫瘤影像學(xué)應(yīng)用中，以MRI作為主要的成像方法，以病灶檢測與分割、腫瘤診斷、預(yù)后預(yù)測等為主要任務(wù)。在病灶檢測與分割方面，國際醫(yī)學(xué)圖像計算和計算機輔助介入?yún)f(xié)會(MICCAI)舉辦了基于TCIA(The Cancer Imaging Archive)數(shù)據(jù)庫的多模態(tài)腦腫瘤分割競賽(BraTS)，為膠質(zhì)瘤分割提供了訓(xùn)練樣本和性能評價平臺[4]；其中，Chang[5]構(gòu)建了全卷積殘差網(wǎng)絡(luò)(FCR-NN)，實現(xiàn)了全腫瘤區(qū)域分割、腫瘤核心區(qū)域分割、腫瘤增強區(qū)域分割，3種分割方式的Dice系數(shù)分別達到0.87、0.81、0.72，完成整個腫瘤三維分割耗時<2 s；艾玲梅等[6]利用注意力模塊改進U-net結(jié)構(gòu)，使得以上3種分割方式的Dice系數(shù)分別達到 0.90、0.79和0.78。在腫瘤診斷方面，針對膠質(zhì)瘤與淋巴瘤的鑒別診斷，Kang等[7]利用112例患者的三維T1加權(quán)成像增強掃描和表觀擴散系數(shù)(ADC)影像數(shù)據(jù)，手工勾畫腫瘤區(qū)域并提取1 618個影像組學(xué)特征，采用隨機森林方法進行模型構(gòu)建，取得了ROC的AUC為0.979的診斷精度；針對膠質(zhì)瘤分級，Yang等[8]采用遷移學(xué)習(xí)方法，利用130例患者數(shù)據(jù)訓(xùn)練了AlexNet和GoogLeNet，在高低級別膠質(zhì)瘤分級上取得了0.939的AUC。在預(yù)后預(yù)測方面，Nie等[9]利用高級別膠質(zhì)瘤的術(shù)前多模態(tài)磁共振影像，采用可融合多通道數(shù)據(jù)的三維卷積神經(jīng)網(wǎng)絡(luò)(CNN)自動提取影像特征，結(jié)合臨床特征，采用支持向量機(SVM)預(yù)測患者的生存期，準確率達到90.6%。

2 人工智能在腦血管疾病影像學(xué)中的應(yīng)用

據(jù)國家心血管病中心統(tǒng)計，中國腦血管病的發(fā)病率與病死率總體仍呈上升趨勢，相關(guān)患者在城市、農(nóng)村人群中的病死率分別為126.31/10萬、158.15/10萬，40歲以上人群患病率約為2.06%[10]。在中樞神經(jīng)系統(tǒng)疾病中，腦血管疾病占重要比重，因其具有發(fā)病率高、病程長、致殘率高、致死率高等特點，影像學(xué)診斷在人群日常體檢、相關(guān)患者疾病篩查與發(fā)病時的診斷具有重要作用。人工智能在腦血管疾病的影像學(xué)應(yīng)用中，以病灶檢測、病灶成分分析為主。對于腦血管疾病中最為常見的腦動脈瘤、頸動脈斑塊、顱內(nèi)血管畸形、血管狹窄等病癥，近年來人工智能在腦動脈瘤與頸動脈斑塊的篩查、診斷方面取得了一定的進展。在腦動脈瘤方面，目前臨床主要以DSA為金標(biāo)準，以CTA、MRA檢測得到兩種模態(tài)作為檢查的主要手段。人工智能技術(shù)在對CTA和MRA的腦動脈瘤影像分析方面，從基于手動特征的傳統(tǒng)機器學(xué)習(xí)方法，到基于深度學(xué)習(xí)的自動特征方法，均有較多的研究成果。在MRA的影像方面，目前采用的技術(shù)以二維CNN為主；Nakao等[11]利用三維數(shù)據(jù)的多角度投影，在二維CNN下，利用300例樣本訓(xùn)練、100例樣本測試，得到了94.2%的靈敏度；Ueda等[12]采用ResNet-18網(wǎng)絡(luò)，利用683例樣本訓(xùn)練、80例樣本測試，得到了93.0%的靈敏度。在CTA影像方面，人工智能技術(shù)的應(yīng)用已不再局限于動脈瘤的檢測，同時也涉及動脈瘤破裂風(fēng)險的分析；其中，Park等[13]采用三維CNN，利用611例樣本訓(xùn)練、115例樣本測試，得到了94.9%的靈敏度；Liu等[14]采用雙層前饋網(wǎng)絡(luò)對CTA影像中的腦血管瘤進行基于多因素的破裂風(fēng)險分析，在594例樣本的研究中得到了94.8%的準確率。在頸動脈斑塊方面，近年來人工智能技術(shù)的應(yīng)用更多地集中在對斑塊進行篩查及其成分分析上，所處理的影像模態(tài)則以超聲、CTA的影像為主；如孫夏等[15]采用二維CNN，對1 160例樣本的超聲數(shù)據(jù)進行頸動脈斑塊檢測，得到了97.33%的靈敏度；Lekadir等[16]采用二維CNN對超聲影像中的頸動脈斑塊進行分類，在56例數(shù)據(jù)條件下，脂質(zhì)、纖維、鈣化的平均分類準確率達到76.7%，其中，對脂質(zhì)的分類準確率最高(83.4%)；而Dong等[17]采用ResNet-101網(wǎng)絡(luò)，在1 098例MRI的影像數(shù)據(jù)中對脂質(zhì)、纖維、鈣化、出血4種類型的平均分類準確率達到74%。

3 人工智能在神經(jīng)退行性疾病影像學(xué)中的應(yīng)用

人工智能在神經(jīng)退行性疾病影像學(xué)應(yīng)用方面主要集中在阿茲海默病(AD)和帕金森病(PD)。由于AD患病初期沒有明顯的癥狀，發(fā)病機制尚不明確，約有半數(shù)患者被誤認為是正常老化(NC)[18]。研究者們將人工智能算法應(yīng)用于早期AD與NC的鑒別診斷；Hosseini-Asl等[19]采用三維CNN提取受試者MRI圖像中的皮層厚度、大腦尺寸、海馬等信息，構(gòu)建智能診斷模型，區(qū)分AD與NC的準確率達97.6%；張柏雯等[18]采用特征遷移學(xué)習(xí)方法，使用預(yù)訓(xùn)練的AlexNet網(wǎng)絡(luò)模型提取MRI影像特征并進行降維，最終使用SVM進行AD與NC的鑒別診斷，其準確率、靈敏度和特異度分別為95.14%、96.43%和94.83%。人工智能技術(shù)的應(yīng)用已不局限于AD的診斷，亦可應(yīng)用于AD進展的預(yù)測；Lee等[20]采用多模態(tài)遞歸神經(jīng)網(wǎng)絡(luò)，提取時序影像標(biāo)記物，構(gòu)建了可預(yù)測AD患者從輕度認知障礙(MCI)轉(zhuǎn)變?yōu)锳D的預(yù)測模型，預(yù)測準確率為81%(AUC為0.86)。PD是老年人中樞神經(jīng)系統(tǒng)第二大常見的退行性疾病，可導(dǎo)致人體運動功能受損，如何識別早期PD存在較大難度，針對三維腦影像數(shù)據(jù)體積大、難以處理的問題，Ortiz等[21]首先采用等值面算法減少數(shù)據(jù)體積，然后訓(xùn)練CNN進行模型構(gòu)建，達到了95.1%的準確率和0.97的AUC；張巧麗等[22]對AlexNet進行優(yōu)化，采用13 571例患者的數(shù)據(jù)進行模型訓(xùn)練，2 237例患者的數(shù)據(jù)進行模型測試，最終模型識別準確率達到98.4%。在預(yù)測PD進展方面，Klyuzhin等[23]利用腦部SPECT，采用CNN進行模型構(gòu)建，實現(xiàn)了對PD患者的認知減退預(yù)測，模型的AUC為0.74。

4 總結(jié)與展望

本文介紹了人工智能技術(shù)在腦腫瘤、腦血管和神經(jīng)退行性疾病等中樞神經(jīng)系統(tǒng)疾病影像學(xué)中的應(yīng)用和研究進展，該技術(shù)在病灶自動標(biāo)注、定量影像特征提取、疾病診斷和預(yù)后預(yù)測等方面已有較多臨床研究，且許多研究取得了接近或者超越臨床醫(yī)師的水平，然而在臨床中尚未見到廣泛應(yīng)用的人工智能模型或成熟產(chǎn)品。

目前，人工智能技術(shù)的臨床應(yīng)用方面面臨以下問題：首先，模型構(gòu)建仍依賴大量數(shù)據(jù)的訓(xùn)練，現(xiàn)有研究主要集中在膠質(zhì)瘤等代表性疾病，難以解決小數(shù)據(jù)條件下或罕見病的診斷問題；其次，人工智能模型性能標(biāo)準化評價體系缺失，難以客觀評價各研究機構(gòu)所建模型的真實泛化性能，不利于人工智能模型在臨床推廣；更重要的是，人工智能模型決策過程的可解釋性缺失，模型僅能給出診斷結(jié)果卻無法輸出醫(yī)師可理解的決策過程，限制了其臨床應(yīng)用；除此之外，現(xiàn)有的研究將人工智能模型與臨床醫(yī)師診斷結(jié)果進行對比，缺乏探索如何建立人工智能模型與放射科醫(yī)師有效協(xié)作的人機協(xié)同模式，來提升臨床診療效率與準確性。若能解決以上問題，人工智能技術(shù)將有望更高效地應(yīng)用于臨床，開創(chuàng)精準影像診斷新時代。