吳韻陽(yáng)，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(fā)生率為60%～70%[1]。近年來(lái)我國(guó)卒中發(fā)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(fā)生與年齡、家族史、高血壓、糖尿病、高脂血癥等因素相關(guān)，其病因復(fù)雜，患者間異質(zhì)性大。傳統(tǒng)診斷方法主要依賴(lài)醫(yī)師自身的診療經(jīng)驗(yàn)，診治水平差異性較大。人工智能影像技術(shù)可深入挖掘卒中患者的多模態(tài)影像信息并綜合分析其他臨床數(shù)據(jù)，在精準(zhǔn)評(píng)估、整合分析、推理預(yù)測(cè)等方面較傳統(tǒng)診斷方法具備顯著優(yōu)勢(shì)，可提升篩查和診斷的速度及準(zhǔn)確率，促進(jìn)卒中診治標(biāo)準(zhǔn)化，提高各地醫(yī)療服務(wù)水平。本文將對(duì)人工智能影像技術(shù)在卒中診療中的應(yīng)用現(xiàn)狀展開(kāi)綜述。

1 人工智能影像技術(shù)概述

人工智能影像技術(shù)的常規(guī)定義為“智能主體（intelligent agent）”的研究和設(shè)計(jì)，包括研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人類(lèi)智能的理論、方法、技術(shù)和應(yīng)用系統(tǒng)[2]。目前的人工智能影像技術(shù)包括兩類(lèi)，分別是機(jī)器學(xué)習(xí)和認(rèn)知科學(xué)技術(shù)。

機(jī)器學(xué)習(xí)致力于應(yīng)用計(jì)算的手段從數(shù)據(jù)中學(xué)習(xí)，運(yùn)用經(jīng)驗(yàn)以改善系統(tǒng)自身的性能。機(jī)器學(xué)習(xí)算法可以分為有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)三類(lèi)，目前在針對(duì)卒中診治的研究中，有監(jiān)督學(xué)習(xí)算法的應(yīng)用更加廣泛，常用的有監(jiān)督算法包括人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、邏輯回歸、線(xiàn)性回歸及支持向量機(jī)等。認(rèn)知科學(xué)技術(shù)則強(qiáng)調(diào)對(duì)數(shù)據(jù)、模式和情景進(jìn)行創(chuàng)造性推理，兩者應(yīng)用場(chǎng)景有所不同。

多模態(tài)影像數(shù)據(jù)是全面評(píng)估卒中發(fā)生發(fā)展的重要手段，針對(duì)影像數(shù)據(jù)的人工智能任務(wù)場(chǎng)景是多樣的，如分類(lèi)、分割等，不同的任務(wù)有相應(yīng)的模型評(píng)價(jià)指標(biāo)。對(duì)于分類(lèi)任務(wù)，ROC可以衡量一個(gè)模型的表現(xiàn)，相應(yīng)的曲線(xiàn)下面積（area under curve，AUC）則代表ROC中所有可能分類(lèi)閾值的綜合性能度量，AUC取值為0.5～1，數(shù)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(zhǔn)確率等常規(guī)指標(biāo)。對(duì)于分割任務(wù)，通常使用Dice相似系數(shù)，該系數(shù)可衡量預(yù)測(cè)的分割結(jié)果與手動(dòng)分割結(jié)果的重疊程度，其取值為0～1，Dice相似系數(shù)越接近1表明分割效果越好。

2 人工智能影像技術(shù)在缺血性卒中的應(yīng)用

缺血性卒中的病因較為復(fù)雜，在最短的時(shí)間內(nèi)篩查易誤診的假性卒中、快速精確探查病灶情況，進(jìn)行準(zhǔn)確診斷及合理治療是臨床面臨的主要問(wèn)題。人工智能影像技術(shù)具有高效自動(dòng)化和標(biāo)準(zhǔn)化的特點(diǎn)，在結(jié)合高維異構(gòu)數(shù)據(jù)進(jìn)行復(fù)雜建模方面有顯著優(yōu)勢(shì)。以下將從缺血性卒中的快速檢測(cè)與篩查、病灶識(shí)別、輔助診療及預(yù)后預(yù)測(cè)方面展開(kāi)介紹。

2.1 快速檢測(cè)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(shí)間窗較短，故快速進(jìn)行缺血性卒中的早期診斷并選擇合理的治療方式至關(guān)重要。根據(jù)《中國(guó)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(shí)均需及時(shí)給予CT掃描檢查。目前已有一些研究采用機(jī)器學(xué)習(xí)算法在CT和MRI影像數(shù)據(jù)上進(jìn)行缺血性卒中的快速檢測(cè)。

Tang等[4]針對(duì)增強(qiáng)頭部CT數(shù)據(jù)提出了一種基于圓形自適應(yīng)感興趣區(qū)域的計(jì)算機(jī)輔助檢測(cè)方案（computer-aided detection，CAD），該方法可利用圖像紋理信息識(shí)別病灶直徑＜15 mm的腔隙性卒中。結(jié)果表明，CAD方法可輔助急診醫(yī)師和低年資放射科醫(yī)師識(shí)別腔隙性卒中，提升其診斷的準(zhǔn)確率。Abedi等[5]則采用人工神經(jīng)網(wǎng)絡(luò)模型，采用10倍交叉驗(yàn)證法對(duì)130例急性缺血性卒中和130例假性卒中患者進(jìn)行回顧性鑒別診斷，結(jié)果診斷的敏感度為80.0%、特異度為86.2%、準(zhǔn)確率為92.0%。以上研究表明人工智能影像技術(shù)能夠輔助識(shí)別和診斷卒中患者，并且可對(duì)影響具體診療策略的關(guān)鍵因素提供更精準(zhǔn)、客觀、全面的信息，從而達(dá)到輔助診療作用。

2.2 病灶識(shí)別

2.2.1 核心梗死灶的自動(dòng)識(shí)別 缺血性卒中核心梗死灶的識(shí)別對(duì)判斷病情變化和進(jìn)展具有重要意義，早期識(shí)別病灶梗死程度還有助于急診靜脈溶栓和血管內(nèi)機(jī)械取栓治療患者的分流和篩選。

Chen等[6]在DWI上采用兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)協(xié)同處理的架構(gòu)進(jìn)行梗死灶識(shí)別，其中基于編碼-解碼器架構(gòu)的DeconvNet網(wǎng)絡(luò)用于分割和識(shí)別，多尺度標(biāo)簽網(wǎng)絡(luò)用于病灶的評(píng)估，以剔除假陽(yáng)性樣本?；?41例患者的DWI數(shù)據(jù)結(jié)果進(jìn)行測(cè)試，該模型在小病變（＜37個(gè)像素）和大病變上均獲得較好的分割效果（Dice系數(shù)分別為0.61和0.83）。

Guerrero等[7]將一種U型殘差網(wǎng)絡(luò)用于在MRI圖像上分割腦白質(zhì)高信號(hào)，其診斷腦白質(zhì)高信號(hào)和缺血性卒中的Dice系數(shù)分別為0.7和0.4。此外，有研究者通過(guò)三維卷積神經(jīng)網(wǎng)絡(luò)對(duì)CTA數(shù)據(jù)源進(jìn)行急性大腦中動(dòng)脈區(qū)缺血性卒中的檢測(cè)，結(jié)果檢測(cè)的敏感度為93%、特異度為82%、AUC為0.93，分割的Dice系數(shù)為0.61[8]。與手工標(biāo)注相比，三維卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)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(shí)別 對(duì)缺血性卒中后大血管閉塞的識(shí)別與分類(lèi)可輔助病因分型及判斷是否適合機(jī)械取栓。研究表明血管密度指標(biāo)可作為大血管閉塞的間接衡量標(biāo)準(zhǔn)[8]。Takahashi等[9]應(yīng)用支持向量機(jī)對(duì)“大腦中動(dòng)脈點(diǎn)征”中選擇的四個(gè)特征進(jìn)行分類(lèi)，在來(lái)自7例具有“大腦中動(dòng)脈點(diǎn)征”的急性缺血性卒中患者CT圖像上進(jìn)行測(cè)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(shù)據(jù)及臨床危險(xiǎn)因素作為神經(jīng)網(wǎng)絡(luò)的輸入訓(xùn)練模型，結(jié)果顯示識(shí)別大血管閉塞的準(zhǔn)確率達(dá)82%[10]。

三維卷積神經(jīng)網(wǎng)絡(luò)相對(duì)于隨機(jī)森林算法對(duì)圖像特征檢測(cè)具有更高的敏感度（85%vs68%），在大血管閉塞識(shí)別方面應(yīng)用較廣[11]?；诰矸e神經(jīng)網(wǎng)絡(luò)的商業(yè)軟件Viz-AI-Algorithm v3.04在識(shí)別大血管閉塞方面的準(zhǔn)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(shí)別大血管閉塞的敏感度為82%，特異度為94%[13]?；谏鲜鲕浖拇笱荛]塞識(shí)別算法在CTA圖像上也表現(xiàn)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(jì)劃早期CT評(píng)分 Alberta卒中計(jì)劃早期CT評(píng)分可用于評(píng)估缺血性卒中的早期受累程度，評(píng)分越高表明受累范圍越大，已有大型臨床對(duì)照研究將ASPECTS≥6分作為機(jī)械取栓手術(shù)的納入標(biāo)準(zhǔn)[14]。但人工ASPECTS評(píng)分存在一致性差、診斷時(shí)延長(zhǎng)等問(wèn)題，因此快速、客觀、精準(zhǔn)的自動(dòng)化評(píng)分工具的開(kāi)發(fā)具有重要意義。目前已有研究表明基于人工智能技術(shù)的自動(dòng)化評(píng)分工具的表現(xiàn)普遍優(yōu)于單一放射科醫(yī)師，并與多名醫(yī)師聯(lián)合診斷結(jié)果一致性良好[11]。

Nagel等[15]采用人工智能技術(shù)在來(lái)自多中心、132例急性卒中患者的2640個(gè)（每例20個(gè)區(qū)域）非增強(qiáng)CT圖像區(qū)域上進(jìn)行自動(dòng)化ASPECTS評(píng)分，以彌散加權(quán)成像為評(píng)價(jià)缺血范圍的金標(biāo)準(zhǔn)，結(jié)果顯示兩組不同工作點(diǎn)系統(tǒng)的特異度分別為93%和87%，準(zhǔn)確率為91%和85%，均未低于3名神經(jīng)內(nèi)科專(zhuān)家的聯(lián)合判定結(jié)果。但有研究顯示，對(duì)于既往存在腦白質(zhì)病變、陳舊性梗死或其他腦實(shí)質(zhì)病變的急性缺血性卒中患者，基于人工智能技術(shù)的評(píng)分者信度為0.59，低于神經(jīng)影像學(xué)專(zhuān)家的0.71～0.80[16]。在用于ASPECTS評(píng)分的機(jī)器學(xué)習(xí)方法中最常見(jiàn)的是隨機(jī)森林算法，Kuang等[17]在非增強(qiáng)CT圖像區(qū)域上提取紋理特征并構(gòu)造隨機(jī)森林模型，進(jìn)而獲得相應(yīng)的ASPECTS評(píng)分，結(jié)果與專(zhuān)家根據(jù)DWI影像評(píng)分的結(jié)果進(jìn)行對(duì)比，其組內(nèi)相關(guān)系數(shù)為0.76。

目前已有的基于機(jī)器學(xué)習(xí)的ASPECTS自動(dòng)化評(píng)分商業(yè)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(cè)支循環(huán)、缺血半暗帶、發(fā)病到就診時(shí)間及病因分型等因素以選擇合適的方案。Grunwald等[18]通過(guò)e-ASPECTS對(duì)側(cè)支循環(huán)進(jìn)行評(píng)分，結(jié)果表明基于人工智能技術(shù)的自動(dòng)化評(píng)分工具在保證與專(zhuān)家共識(shí)判讀一致性的同時(shí)，還可顯著提升專(zhuān)家判讀的組內(nèi)相關(guān)性。

缺血半暗帶范圍可用于評(píng)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(dǎo)作用。人工智能在缺血半暗帶范圍評(píng)估領(lǐng)域主要有兩方面應(yīng)用：①范圍勾畫(huà)的自動(dòng)化[19-20]；②通過(guò)機(jī)器學(xué)習(xí)方法提供不同于傳統(tǒng)影像學(xué)評(píng)估方法的缺血半暗帶范圍評(píng)估[21-22]。

患者發(fā)病到就診時(shí)間對(duì)缺血性卒中的治療決策有重要影響，在預(yù)測(cè)領(lǐng)域機(jī)器學(xué)習(xí)相對(duì)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(yōu)勢(shì)。Lee等[23]將從梗死灶分割、DWI和FLAIR圖像配準(zhǔn)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(jī)和隨機(jī)森林三種機(jī)器學(xué)習(xí)模型實(shí)現(xiàn)二分類(lèi)任務(wù)，即從355例患者中篩選出發(fā)病時(shí)間在4.5 h內(nèi)的患者。在保持與人工判讀特異度相當(dāng)?shù)那疤嵯?，機(jī)器學(xué)習(xí)模型可大幅度提高識(shí)別的敏感度（人工判讀48.5%，機(jī)器學(xué)習(xí)72.7%～75.8%）。

病因分型有助于更加精準(zhǔn)的治療方案選擇，目前在卒中領(lǐng)域應(yīng)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(jìn)行了人工TOAST分型和基于人工智能技術(shù)的自動(dòng)TOAST分型，結(jié)果表明機(jī)器學(xué)習(xí)算法可與評(píng)估者分型保持較高的一致性（根據(jù)亞型的不同，Kappa系數(shù)為0.47～0.64）。

2.4 預(yù)后預(yù)測(cè) 基于機(jī)器學(xué)習(xí)的預(yù)測(cè)模型可用于缺血性卒中的病情發(fā)展預(yù)測(cè)、功能性結(jié)局預(yù)測(cè)及致死性結(jié)局預(yù)測(cè)三個(gè)方面。

在病情發(fā)展預(yù)測(cè)方面，已有研究采用支持向量機(jī)對(duì)缺血性卒中患者的CT圖像進(jìn)行識(shí)別和分類(lèi)，從而實(shí)現(xiàn)急性溶栓后癥狀性顱內(nèi)出血的風(fēng)險(xiǎn)預(yù)測(cè)。相對(duì)于溶栓后出血評(píng)分（AUC 0.630）和癥狀性溶栓出血危險(xiǎn)因素評(píng)分（AUC 0.626）兩種人工評(píng)分方法，機(jī)器學(xué)習(xí)模型具有更好的表現(xiàn)（AUC 0.744）[25]。此外，在大腦后動(dòng)脈閉塞患者確診后3個(gè)月的視野缺損改善情況預(yù)測(cè)及圍手術(shù)期血管痙攣預(yù)測(cè)方面，機(jī)器學(xué)習(xí)模型同樣表現(xiàn)出良好的預(yù)測(cè)能力[26-27]。

功能性結(jié)局是指患者獨(dú)立生活的能力，包括身心狀態(tài)及社會(huì)功能，通常采用mRS評(píng)估，人工智能技術(shù)還可以探究影響預(yù)后的因素。2019年，Heo等[28]選擇出病因分型結(jié)果、既往病史、實(shí)驗(yàn)室檢查指標(biāo)等38個(gè)變量作為模型輸入，分別采用深度學(xué)習(xí)、隨機(jī)森林和邏輯回歸三種機(jī)器學(xué)習(xí)模型對(duì)患者是否具有良好預(yù)后進(jìn)行預(yù)測(cè)，并與洛桑卒中量表評(píng)分進(jìn)行比較，結(jié)果表明基于機(jī)器學(xué)習(xí)方法的AUC（0.888，0.857，0.849）普遍優(yōu)于傳統(tǒng)評(píng)估（0.839），但當(dāng)兩者輸入變量保持一致時(shí)，機(jī)器學(xué)習(xí)模型與傳統(tǒng)評(píng)估方法效果相當(dāng)，該結(jié)果提示在預(yù)測(cè)任務(wù)方面，納入更多信息可能是機(jī)器學(xué)習(xí)方法存在優(yōu)勢(shì)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(fā)展而變化的特征信息后，可進(jìn)一步提升模型的預(yù)后分類(lèi)性能（AUC從0.808提升至0.90）。2021年，van Horn等[30]通過(guò)邏輯回歸方法探究影響預(yù)后的因素，結(jié)果表明高齡、高NIHSS評(píng)分、低ASPECTS評(píng)分是導(dǎo)致不良預(yù)后的獨(dú)立因素。

致死性結(jié)局預(yù)測(cè)可分為不同時(shí)間跨度，?elik等[31]運(yùn)用人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)缺血性卒中患者發(fā)病后10 d內(nèi)的死亡情況，在訓(xùn)練和測(cè)試數(shù)據(jù)集上的分類(lèi)準(zhǔn)確率可達(dá)97.8%和75.9%。另一項(xiàng)關(guān)于大腦動(dòng)靜脈畸形的研究結(jié)果顯示，支持向量機(jī)等機(jī)器學(xué)習(xí)方法可準(zhǔn)確預(yù)測(cè)介入治療后5年的致死性結(jié)局，準(zhǔn)確率為97.5%[32]。但以上方法均未提供可評(píng)估的模型或可實(shí)際使用的臨床預(yù)測(cè)工具，其有效性和可行性還有待論證。

3 結(jié)語(yǔ)與展望

隨著相關(guān)研究的逐步深入，人工智能影像技術(shù)在缺血性卒中診治方面的應(yīng)用優(yōu)勢(shì)亦逐漸顯現(xiàn)。在治療時(shí)間窗較短的背景下，快速高效的人工智能影像技術(shù)可從病灶識(shí)別、病情評(píng)估等多方面提高診治效率，挽救患者生命；卒中的臨床表現(xiàn)多樣、病因復(fù)雜，基于人工智能影像的臨床決策支持系統(tǒng)可改善醫(yī)療質(zhì)量，促進(jìn)卒中診治標(biāo)準(zhǔn)化；人工智能影像技術(shù)在卒中風(fēng)險(xiǎn)及預(yù)后預(yù)測(cè)方面也初顯優(yōu)勢(shì)，未來(lái)可進(jìn)一步集成多源異構(gòu)數(shù)據(jù)，為臨床醫(yī)師提供全面且具有預(yù)見(jiàn)性的診療意見(jiàn)。

然而，現(xiàn)階段人工智能技術(shù)在卒中臨床診療中的應(yīng)用仍然存在一定的局限性。如由于缺乏公開(kāi)且有標(biāo)注的完備大型數(shù)據(jù)集，研究工作的評(píng)估難以標(biāo)準(zhǔn)化；數(shù)據(jù)局限性導(dǎo)致對(duì)于病灶的自動(dòng)化檢測(cè)和識(shí)別僅針對(duì)特定的類(lèi)型；人工智能方法的“黑箱”特性導(dǎo)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(shí)際臨床背景下的前瞻性研究進(jìn)一步論證。

【點(diǎn)睛】人工智能影像技術(shù)對(duì)于卒中診療可發(fā)揮積極作用，但該技術(shù)仍面臨諸多挑戰(zhàn)，未來(lái)還需繼續(xù)深入研發(fā)針對(duì)卒中的臨床輔助決策系統(tǒng)，使更多患者受益。