龔凱琳，張利麗，宋佳佳，何健

缺血性腦卒中是危害人類健康的常見病、多發(fā)病，構(gòu)成了日益嚴(yán)重的醫(yī)學(xué)、社會(huì)和公共衛(wèi)生問(wèn)題。缺血性腦卒中因其高發(fā)病率、高死亡率和高致殘率，給社會(huì)和家庭均帶來(lái)了沉重的經(jīng)濟(jì)負(fù)擔(dān)[1]。近年來(lái)，缺血性腦卒中已成為中國(guó)老年人群致殘和死亡的主要病因之一，如何降低缺血性腦卒中的發(fā)病率和病死率是當(dāng)前的研究熱點(diǎn)[2]。本研究采用基于人工智能斑塊分割超聲圖像的影像組學(xué)，對(duì)南京鼓樓醫(yī)院和南京腦科醫(yī)院2018年1月—2019年12月診治的171例缺血性腦卒中患者頸動(dòng)脈斑塊的穩(wěn)定性進(jìn)行評(píng)估。旨在探討影像組學(xué)對(duì)頸動(dòng)脈易損斑塊與穩(wěn)定性斑塊的診斷效能，為快速準(zhǔn)確地評(píng)估頸動(dòng)脈斑塊的穩(wěn)定性及預(yù)防缺血性腦卒中的發(fā)生提供新的方法。現(xiàn)報(bào)告如下。

1 資料與方法

1.1 一般資料 本組171例患者經(jīng)頸動(dòng)脈超聲檢查分為易損斑塊組與穩(wěn)定斑塊組。(1)易損斑塊組：83例，男36例，女47例，平均年齡為(62.4±1.5)歲；(2)穩(wěn)定斑塊組：88例，男42例，女46例，平均年齡為(62.1±1.7)歲。兩組患者的性別、年齡比較，差異無(wú)統(tǒng)計(jì)學(xué)意義(均P>0.05)。入組標(biāo)準(zhǔn)：經(jīng)臨床及MRI檢查診斷為缺血性腦卒中；缺血性腦卒中的診斷符合中華醫(yī)學(xué)會(huì)2014年發(fā)布的“中國(guó)缺血性腦卒中診治指南”中制定的標(biāo)準(zhǔn)[3]。

1.2 方法

1.2.1 頸動(dòng)脈超聲檢測(cè)[4]采用彩色多普勒超聲診斷儀(LOGIQ E8型，美國(guó)GE 公司)進(jìn)行檢測(cè)?；颊哐雠P位，頭部稍微低枕，探頭頻率設(shè)定為7.5～12.0 MHz，對(duì)頸總動(dòng)脈、頸內(nèi)動(dòng)脈及頸外動(dòng)脈等進(jìn)行依次檢查。首先需要明確頸總動(dòng)脈的位置，然后再逐漸向上掃查直到頸內(nèi)動(dòng)脈入顱段前。按超聲斑塊分型標(biāo)準(zhǔn)[5]將斑塊分為4種類型：Ⅰ型為內(nèi)膜偏心性增厚，局部隆起<2 mm，回聲粗糙、強(qiáng)度中等的扁平斑；Ⅱ型為厚度>2 mm，斑塊回聲不均勻的軟斑塊；Ⅲ型為強(qiáng)回聲后伴聲影的硬斑塊；Ⅳ型為表面凹凸不平，邊緣伴有低回聲的潰瘍斑塊。根據(jù)斑塊特征將Ⅱ和Ⅳ型斑塊定義為易損斑塊，Ⅰ型和Ⅲ型斑塊定義為穩(wěn)定斑塊。見圖1。

1.2.2 圖像后處理 采用圖像人工智能分割法，在軟件Matlab上進(jìn)行操作。將所有受試者原始數(shù)據(jù)導(dǎo)入電腦，將雙線檢測(cè)(double line detection，DLD)應(yīng)用于該邊緣映射的局部分割。將計(jì)算得到的輪廓作為蛇形分割模型的輸入。目前影像組學(xué)大多數(shù)方法都是手動(dòng)提取超聲圖像中的感興趣區(qū)域(ROI)。本研究提出一種自動(dòng)的預(yù)處理分割方法，將超像素水平的光流和二值掩碼特征轉(zhuǎn)換為普通的概率超像素，用于構(gòu)建超像素級(jí)的條件隨機(jī)場(chǎng)，自動(dòng)標(biāo)記出管腔(前景，即ROI)和其他組織(背景)。在ROI中用改進(jìn)的數(shù)學(xué)模型對(duì)斑塊進(jìn)行分割。

1.2.3 影像組學(xué)特征獲取 由兩名具有豐富頸部超聲圖像閱片經(jīng)驗(yàn)的超聲科診斷醫(yī)師獨(dú)立分析人工智能分割斑塊超聲圖像。將獲得的圖像導(dǎo)入自主開發(fā)的軟件(Image Analyzer 2.0,China)，從每個(gè)ROI中可提取369個(gè)影像組學(xué)特征，分為以下3類。(1)一階：統(tǒng)計(jì)學(xué)特征，即灰度直方圖特征，反映了ROI內(nèi)灰度值的頻數(shù)分布情況，共提取該類特征20個(gè)；其中N代表ROI內(nèi)的灰度值的總數(shù)量，P(i)代表ROI中某值出現(xiàn)的頻率，X(i)代表ROI內(nèi)的頻數(shù)。形狀特征，此類特征主要描述ROI的大小和形狀特點(diǎn)，共提取特征11個(gè)，包括體積(volume)、表面積(surface area)、最大徑(volume diameter)、表面積體積比(surface volume ratio)、球形度(sphericity)、球形不均衡度(spherical disproportion)、緊湊度(compactness)等。(2)二階：紋理特征，描述不同體素之間的空間位置關(guān)系和紋理圖案形狀。紋理特征來(lái)源于灰度共生矩陣(gray-level co-occirrence matrix,GLCM)、灰度游程長(zhǎng)度矩陣(gray-level run length matrix,GLRLM)?；贕LCM的紋理特征：此方法是通過(guò)計(jì)算GLCM，描繪沿某一特定方向(θ=0°、45°、90°、135°或隨機(jī)角度)，間隔一定距離的一對(duì)灰度值的頻率分布；共提取208個(gè)特征參數(shù)。(3)三階：基于GLRLM的紋理特征，計(jì)算沿預(yù)先設(shè)定方向(θ= 0°、90°或隨機(jī)方向)上相同灰度值的連續(xù)體素長(zhǎng)度的矩陣，共提取130個(gè)特征參數(shù)。

A：超聲圖像中的穩(wěn)定斑塊； B：人工智能分割后的穩(wěn)定斑塊； C：超聲圖像中的易損斑塊； D：人工智能分割后的易損斑塊圖1 超聲圖像中和人工智能分割后的易損斑塊與穩(wěn)定斑塊

1.3 統(tǒng)計(jì)學(xué)方法 LASSO模型用于篩選人工智能分割斑塊超聲圖像的影像組學(xué)特征。LASSO回歸篩選出的影像組學(xué)特征用核函數(shù)向量機(jī)(support vector machine,SVM)進(jìn)一步建模和驗(yàn)證。用受試者工作特征曲線(receiver operating characteristic curve,ROC)分析評(píng)估模型的預(yù)測(cè)效能，記錄模型的曲線下面積(area under the curve,AUC)、最佳閾值、敏感性、特異性、陽(yáng)性預(yù)測(cè)值以及陰性預(yù)測(cè)值。使用R軟件(版本3.0.1)進(jìn)行統(tǒng)計(jì)學(xué)分析，P<0.05為有統(tǒng)計(jì)學(xué)意義。

2 結(jié) 果

將LASSO回歸篩選出的21個(gè)影像組學(xué)特征用于建立核函數(shù)SVM分類器；模型參數(shù)為：gamma，0.05；epsilon，0.1；支持向量個(gè)數(shù)140。該模型的訓(xùn)練組的AUC為0.984(95% CI：0.971～0.997)，驗(yàn)證組的AUC為0.964(95%CI：0.935～0.993)。SVM分類器在訓(xùn)練組和驗(yàn)證組的診斷效能見表1，ROC曲線見圖2。

表1 支持SVM分類器在人工智能斑塊分割超聲圖像訓(xùn)練組和驗(yàn)證組的診斷效能

A:訓(xùn)練組的ROC曲線； B:驗(yàn)證組的ROC曲線圖2 支持SVM分類器ROC曲線

3 討 論

缺血性腦卒中的發(fā)生與很多因素之間存在相關(guān)性，有一些為不可控因素，如地域、性別及年齡和種族等；還有一些為可防可控的因素，如頸動(dòng)脈狹窄、高血壓、糖尿病及嗜酒、吸煙等不良生活習(xí)慣，其中以頸動(dòng)脈粥樣硬化的危害最為顯著[3]。因此，如何有效地檢測(cè)到頸動(dòng)脈粥樣硬化斑塊及其發(fā)展對(duì)缺血性腦卒中的防治有十分重要的意義[6]。在臨床應(yīng)用中，比較常見的影像學(xué)技術(shù)有以下幾種：多層螺旋CT、MRI及彩色多普勒超聲檢查等[7]。CT血管成像是將掃描容積內(nèi)的全部像素顯示出來(lái)，可以全面地同時(shí)呈現(xiàn)深層及淺表組織的結(jié)構(gòu)，對(duì)于血管疾病的診斷有重要價(jià)值[8]。頸動(dòng)脈MRI檢查可以提供多種組織對(duì)比加權(quán)圖像，可以清晰地顯示血管腔、血管內(nèi)膜及管腔的亞結(jié)構(gòu)。研究表明，MRI在檢測(cè)斑塊成分方面具有較高的敏感性、特異性和準(zhǔn)確性[9-10]。彩色多普勒超聲檢查[11]能清晰顯示頸部血管管壁厚度、斑塊大小和管腔內(nèi)徑，并提供血流動(dòng)力學(xué)信息；同時(shí)頸動(dòng)脈內(nèi)中膜的厚度、斑塊形成以及狹窄程度等都可以作為勁動(dòng)脈粥樣硬化監(jiān)測(cè)的的敏感指標(biāo)和直接征象[12]，可以對(duì)腦血管事件的預(yù)后進(jìn)行評(píng)估與判斷。相較于CT血管成像和MR血管成像，彩色多普勒超聲檢查因其方便性和投入成本少，以及較好的準(zhǔn)確率被各級(jí)醫(yī)院廣泛采用。但在傳統(tǒng)的超聲檢查中，因探頭的角度和方向、超聲診斷醫(yī)師經(jīng)驗(yàn)和斑塊本身形態(tài)及成分顯像的影響，超聲易損斑塊的診斷往往需要耗費(fèi)相對(duì)較長(zhǎng)的時(shí)間，復(fù)雜血管狀況的診斷效率普遍偏低。超聲圖像中斑塊的手工分割或大量圖像手工分割不僅是一項(xiàng)繁瑣而耗時(shí)的工作，還受到觀察者之間和觀察者內(nèi)部的影響，以及很難跟蹤心動(dòng)周期的每個(gè)時(shí)間幀和大量數(shù)據(jù)集。因此，亟需新的技術(shù)輔助超聲醫(yī)生對(duì)斑塊進(jìn)行診斷，提高診斷的工作效率及準(zhǔn)確率，降低漏診率。

通過(guò)影像特征對(duì)斑塊組織進(jìn)行診斷與識(shí)別已被廣泛研究，但仍無(wú)法對(duì)斑塊組織進(jìn)行快速由內(nèi)而外的全面精準(zhǔn)的判斷。由于斑塊組織的成分特性較為復(fù)雜，需要建立診斷模型進(jìn)行定量化定性化描述。近年來(lái)，計(jì)算機(jī)技術(shù)的進(jìn)步使自動(dòng)化、可重復(fù)的人工智能分析方法得以發(fā)展，并從中產(chǎn)生了能從海量的影像圖像資料中提取關(guān)鍵信息，建立模型，從而推斷患者精準(zhǔn)數(shù)據(jù)的影像組學(xué)方法。影像組學(xué)是近年來(lái)新出現(xiàn)的一種新型圖像后處理技術(shù)，融合了數(shù)字影像處理、統(tǒng)計(jì)學(xué)、 機(jī)器學(xué)習(xí)等方法，對(duì)醫(yī)學(xué)影像進(jìn)行定量、高通量的分析，從常規(guī)影像學(xué)檢查中挖掘更多的有診斷意義的信息。影像組學(xué)分析主要應(yīng)用于醫(yī)學(xué)圖像并進(jìn)行定量處理。傳統(tǒng)的影像診斷主要依賴于影像醫(yī)師的判斷，而影像組學(xué)基于數(shù)據(jù)進(jìn)行分析，提取高維圖像特征作為新的生物標(biāo)記物來(lái)幫助臨床診斷。頸動(dòng)脈斑塊分割是基于頸動(dòng)脈超聲圖像的粥樣硬化研究中一項(xiàng)十分重要的工作，斑塊面積、斑塊總體積、斑塊形態(tài)學(xué)分析和組成成分分析都是以斑塊分割為基礎(chǔ)[13]。

頸動(dòng)脈粥樣硬化最基本的病理過(guò)程包含血管內(nèi)膜及中膜層的增厚、斑塊出現(xiàn)粥樣硬化、血管內(nèi)皮損傷等[14]。超聲檢查的非均質(zhì)性斑塊、低回聲斑塊、潰瘍斑塊、軟斑塊及混合回聲斑塊被納入為不穩(wěn)定性斑塊，缺血性腦卒中的發(fā)生與易損斑塊之間有密切的關(guān)系。

人工智能(artificial intelligence，AI)作為當(dāng)今最為熱門的課題之一，是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新技術(shù)科學(xué)。隨著醫(yī)學(xué)影像智能化診斷的快速發(fā)展,為了滿足愈加復(fù)雜的醫(yī)學(xué)圖像分析和處理要求，人工智能成為近年來(lái)醫(yī)學(xué)圖像處理技術(shù)發(fā)展的一個(gè)研究熱點(diǎn)[15-16]。在醫(yī)學(xué)臨床應(yīng)用中，AI的目標(biāo)是預(yù)測(cè)診斷結(jié)果或選擇最佳治療方案。人工智能可以更好地處理大量輸入的數(shù)據(jù)，可用于全部成像過(guò)程中，包括圖像獲取、量化、分析和報(bào)告[17]。因此，人工智能在大大提高臨床診療效率的同時(shí)，也降低了工作成本[8]。人工智能已經(jīng)逐漸應(yīng)用于腦卒中診斷領(lǐng)域，如基于頭顱CT影像快速鑒別缺血性與出血性腦卒中，快速評(píng)估缺血半暗帶和閉塞性大血管[18]。

本研究首先通過(guò)頸動(dòng)脈彩超判斷出易損斑塊和穩(wěn)定性斑塊，然后利用人工智能進(jìn)行斑塊分割，建立模型；結(jié)果顯示訓(xùn)練組和驗(yàn)證組的敏感性和特異性均較高，建模成功。本研究應(yīng)用的人工智能數(shù)據(jù)分析方法(分割算法)的敏感度和特異度都很高，最終得出的結(jié)果與人工方法得到的結(jié)果十分接近。本研究在易損斑塊的影像組學(xué)分析中，獲取了有價(jià)值的診斷信息，提高了斑塊性質(zhì)診斷的準(zhǔn)確率。

綜上所述，本研究將人工智能斑塊分割技術(shù)前置于影像組學(xué)，旨在用更強(qiáng)更精確的計(jì)算機(jī)算法代替人工手動(dòng)分割ROI區(qū)域，提高了超聲診斷頸動(dòng)脈斑塊的工作效率。并且人工智能通過(guò)自動(dòng)分割血管斑塊，有可能減少人為的錯(cuò)誤。未來(lái)，人工智能可能擴(kuò)大基于圖像或圖像與臨床變量結(jié)合的診斷圖像的信息價(jià)值[19-20]，從而促進(jìn)人工智能對(duì)疾病診斷、治療決策和預(yù)后判斷應(yīng)用的發(fā)展[21]。也可將生物標(biāo)志物、基因組學(xué)、蛋白質(zhì)組學(xué)和代謝組學(xué)與成像數(shù)據(jù)結(jié)合起來(lái)，提高機(jī)器學(xué)習(xí)算法的預(yù)測(cè)價(jià)值，并為患者制定個(gè)性化的醫(yī)療措施。