古展亮,吳英寧(通信作者)
(1右江民族醫(yī)學院研究生院 廣西 百色 533000)
(2右江民族醫(yī)學院附屬醫(yī)院放射科 廣西 百色 533000)
顱內動脈瘤(intracranial aneurysms,IA)是一種以顱內動脈管壁異常擴張為病理特征的腦血管病。在普通人群中,全球發(fā)病率超過3%,中國發(fā)病率約為7%[1]。隨著先進醫(yī)學成像技術的廣泛應用,未破裂的顱內動脈瘤(unruptured intracranial aneurysms,UIA)的偶然發(fā)現(xiàn)越來越多。UIA的診斷是一個臨床難題,IA的每年破裂風險為0.26%~1.90%,蛛網膜下腔出血(subarachnoid hemorrhage,SAH)會導致死亡和永久性殘疾[2]??紤]到在UIA的檢測和管理中面臨的挑戰(zhàn),AI技術已經被開發(fā)來自動解釋復雜的數(shù)據,提取關聯(lián),最終增強對動脈瘤的精確檢測,同時提供關于其管理的最佳決策。本文對人工智能及其相關子領域在顱內動脈瘤檢測及預測新進展進行綜述。
人工智能(artificial intelligence,AI)由英國數(shù)學家圖靈(Alan Mathison Turing)在1956年提出,其是一門多學科相互融合的交叉學科,包括計算機、控制論、信息論、數(shù)學及心理學等學科。目前成為應用機器模擬、拓展人的思維及智能的新興科學技術[3]。AI因其能夠分析復雜數(shù)據、自動關聯(lián)和預測的能力,優(yōu)于傳統(tǒng)的統(tǒng)計方法,在現(xiàn)實世界中顯示出巨大的應用前景。在神經系統(tǒng)領域,AI已被開發(fā)應用于腦血管疾病的診斷和預測等方面[4]。
機器學習(machine learning,ML)是一種人工智能算法,它訓練計算機自動檢測復雜的非線性關系,這些關系可能無法明確顯示或人眼無法察覺;然而這些關系可以應用于不斷演變的臨床數(shù)據,以產生高度準確的預測[5]。從對訓練數(shù)據的不同方法來看,ML可分為監(jiān)督學習和無監(jiān)督學習。監(jiān)督學習擅長處理分類和回歸問題,該算法被賦予特定的標簽(即輸入和輸出)在數(shù)據集中的變量之間進行預測。無監(jiān)督學習指的是沒有特定標簽的訓練,能夠發(fā)現(xiàn)看似無關聯(lián)的數(shù)據集中變量之間的相關性[6]。
深度學習(deep learning,DL)是機器學習的一個子領域,它在已有經驗的基礎上自動學習輸入數(shù)據的特征進行鑒別[7]。DL算法使用的人工神經網絡(artificial neural networks,ANN)受到神經生物學的啟發(fā)。ANN主要包括全連接神經網絡(fully connected neural network,F(xiàn)CNN)和卷積神經網絡(convolutional neural networks,CNN)兩種。在FCNN中,一層中的所有神經元都與下一層中的所有神經元相連,權值非常大。由于FCNN的權值較大,計算代價較高,因此采用CNN。CNN利用隱含層之間簡單的局部非線性連接,創(chuàng)建每個深層的抽象表示,降低了模型的計算代價。CNN還可以跨層共享權重,提取獨立于其位置的圖像特征,并使用盡可能多的隱藏層進行學習[8]。
近年來,出現(xiàn)了一種結合了MRA的基于DL的CAD系統(tǒng)。Nakao等[9]應用二維卷積神經網絡檢測MRA圖像中的UIA,敏感度為70.0%~94.2%。Sichtermann等[10]利用DeepMedic CNN分析三維時間飛躍法MRA(three dimension time of flight MRA,3D-TOFMRA)的數(shù)據,對IA總體檢測敏感度為90%(對于3~7 mm的動脈瘤為96%,對于>7 mm的動脈瘤為100%)。Uede等[11]提出了基于MR圖像的RES-Net18神經結構,該算法改進了動脈瘤檢測,其內部和外部測試數(shù)據集的敏感度分別為91%和93%。Joo等[12]利用3D-TOF-MRA數(shù)據集建立3D ResNet網絡,該方法在內部和外部數(shù)據集上的診斷敏感度分別為87.1%和85.7%。
Park等[13]使用HeadXNet模型實現(xiàn)了第一個基于DL應用于CTA圖像的CAD系統(tǒng)。該模型的診斷敏感度為94.9%,但是該項研究中只關注了≥3 mm的UIA,因此限制了該系統(tǒng)的進一步推廣和使用。隨后,Dai等[14]使用更快的CNN模型,在自動檢測動脈瘤方面的敏感度為91.8%,而對于>3 mm的動脈瘤高達96.7%。Bo等[15]引入了基于全球本地化的人工智能網絡,從1 338例病人的CTA圖像數(shù)據庫中診斷動脈瘤。通過應用內部和外部數(shù)據集,獲得了總體90%的敏感度。
Jerman等[16]使用ResNet網絡對UIA中的DSA圖像進行分類。值得注意的是,這種方法在每個病例2.4 FPS,即圖像每秒傳輸幀數(shù)為2.4時達到了100%的敏感度。Podgorsak等[17]采用CNN算法對250例動脈瘤數(shù)據進行AI訓練,并采用100例動脈瘤進行驗證,獲得了0.823的Jaccard指數(shù)和0.903的Dice相似系數(shù)。Zeng等[18]則采用空間信息融合技術與CNN算法相結合的AI技術,對263例動脈瘤數(shù)據進行訓練,獲得動脈瘤檢出的敏感度和特異度分別為99.38%和98.19%。該算法是目前文獻所報道檢出動脈瘤敏感度最高的研究。
IA破裂與動脈瘤形態(tài)、大小和血流動力學之間的動態(tài)相互作用有關。動脈瘤的幾何特征決定了其血流動力學特征,而血流動力學特征又可能導致血管壁的改變和炎癥反應,從而導致動脈瘤破裂。Stember等[19]提出了第一個基于CNN的MRA圖像算法來預測5個動脈瘤的大小。這個基于U-Net的模型首先被訓練來檢測動脈瘤,敏感度為98.8%。然后將該算法應用于基底動脈末端動脈瘤的數(shù)據集,以自動化檢測動脈瘤的大小和面積,與放射科醫(yī)生得出的結果相比,分別相差2.01 mm(30%)和8.21 mm2(27%)。Kim等[20]應用AlexNet-v2模型在3D-DSA圖像上評估<7 mm動脈瘤的破裂風險,其特征曲線下面積為0.755(95%可信區(qū)間:60.93%~81.65%)。Bijak等[21]提出了一種基于PointNet++架構的CTA和MRA圖像形狀特征的DL模型,用于預測動脈瘤的生長和破裂風險。通過計算5個形態(tài)特征(動脈瘤大小、體積、表面積、非球形指數(shù)和長徑比),得出了該模型的敏感度和準確率分別為96%和82%,與淺層ML模型相比,表現(xiàn)出最穩(wěn)定的性能。
目前,IA的治療主要包括血管內夾閉和血管介入治療[6]。Bhurwani等[22]提出了基于DSA圖像的深度神經網絡和血管造影參數(shù)成像的應用來預測管道栓塞器治療后IA閉塞的風險。將DL算法應用于DSA圖像的三個亞組:非規(guī)格化、規(guī)格化(API參數(shù)的動脈規(guī)格化)和相對(治療前后掃描中投影視圖的規(guī)格化),對治療后IA閉塞的預測準確率分別為62.5%、70.8%和77.9%。Guédon等[23]將分類回歸決策樹算法應用于ML,對146例(154個IA)置入密網支架的患者進行了ML學習,最終總結了預測密網支架閉塞動脈瘤情況的DIANES評分,即動脈瘤最大徑、栓塞后影像特征、載瘤動脈上下游直徑比、瘤徑與載瘤動脈比、有無側支血管及患者性別與動脈瘤密網支架栓塞預后相關的因素,最終這組報告的敏感度為89%,準確率為81%。Xia等[24]應用隨機森林模型進行訓練,并進行了122例的內部驗證及202例患者的外部驗證,最終內部和外部驗證準確度分別為78.3%和73.8%,證實了AI在預測顱內動脈瘤治療后療效評估中有較高的價值。
目前用于動脈瘤檢測和預測的AI模型是在單一人群中進行的回顧性單中心研究。回顧性設計與選擇偏倚和差異性有關,這限制了研究結果的可靠性。與此同時,由于缺乏具有不同人口統(tǒng)計學、成像設備、外科醫(yī)生和治療方案的外部數(shù)據集,提出了這些模型是否能得到有力的驗證、適應和準確處理未知數(shù)據的問題。此外,對于AI模型的監(jiān)管,就像醫(yī)療設備一樣,缺乏法律共識,也沒有明確法律指南。
綜上所述,AI在顱內動脈瘤檢測和預測中作出了貢獻,包括可以從危險因素的分層中預測動脈瘤的風險,檢測動脈瘤,并預測動脈瘤破裂的風險及其治療結果。然而,目前AI在高風險臨床實踐中的應用存在局限性。因此,未來需要進行具有大量多中心驗證過程的前瞻性試驗,以彌補當前的不足,提高AI在顱內動脈瘤臨床應用的可行性,以便能夠廣泛使用這些AI產品作為減輕醫(yī)務人員工作負擔、提高工作效率以及改善患者結果的補充工具。