魯君，張歸玲，朱文珍*

1.華中科技大學(xué)同濟(jì)醫(yī)學(xué)院附屬同濟(jì)醫(yī)院放射科，湖北 武漢 430030；2.石河子大學(xué)醫(yī)學(xué)院第一附屬醫(yī)院CT/MRI室，新疆石河子 832000；*通信作者 朱文珍 zhuwenzhen8612@163.com

全球疾病負(fù)擔(dān)研究顯示，我國(guó)總體卒中終生發(fā)病風(fēng)險(xiǎn)居全球首位，卒中是我國(guó)成人致死、致殘的首位病因[1]。截至2018年，我國(guó)年齡＞40歲的居民卒中現(xiàn)患數(shù)約1 318萬(wàn)，每年因卒中死亡的人數(shù)約190余萬(wàn)，其中缺血性腦卒中發(fā)病率逐年升高[2]。卒中是一種可防控的疾病，早期篩查和及時(shí)干預(yù)可以預(yù)防疾病的發(fā)生和改善預(yù)后。然而，隨著可供選擇的治療方案越來(lái)越多，疾病特征和治療反應(yīng)之間的新關(guān)系不斷被發(fā)現(xiàn)，卒中的識(shí)別和治療越來(lái)越復(fù)雜。影像學(xué)是腦卒中檢測(cè)、特征描述和預(yù)測(cè)預(yù)后的重要工具，傳統(tǒng)的影像學(xué)分析方法以體積測(cè)量和參數(shù)值分析為主，圖像中還有大量信息未被挖掘。

人工智能近年廣泛應(yīng)用于醫(yī)學(xué)圖像領(lǐng)域，可以縮短圖像評(píng)估時(shí)間、縮小評(píng)價(jià)者之間的差異，有助于提取影像中的重要信息，從而提高對(duì)卒中的識(shí)別、治療反應(yīng)和結(jié)果預(yù)測(cè)[3]。目前，人工智能在腦卒中影像中的應(yīng)用主要包括疾病診斷、關(guān)鍵成像特征檢測(cè)和預(yù)測(cè)預(yù)后等[4-5]。本文對(duì)人工智能在缺血性腦卒中影像中的應(yīng)用進(jìn)行綜述，探討人工智能在缺血性腦卒中輔助診斷和治療決策支持中的優(yōu)勢(shì)與不足。

1 人工智能的概念及原理

人工智能是計(jì)算機(jī)科學(xué)的子領(lǐng)域，旨在模擬人類的認(rèn)知過(guò)程，通過(guò)學(xué)習(xí)、解決問(wèn)題和采取行動(dòng)使成功的機(jī)會(huì)最大化[6]。早期的人工智能強(qiáng)調(diào)通過(guò)理解和解釋數(shù)據(jù)而實(shí)現(xiàn)智能[3]。然而，人工智能是一個(gè)概括性的術(shù)語(yǔ)，包含了許多復(fù)雜程度不同的技術(shù)，以解決不同的問(wèn)題。

機(jī)器學(xué)習(xí)（machine learning，ML）是人工智能的子領(lǐng)域[7]。ML的目標(biāo)是自動(dòng)識(shí)別現(xiàn)有數(shù)據(jù)集中復(fù)雜且高維的模式，對(duì)新的、看不見(jiàn)的數(shù)據(jù)集進(jìn)行預(yù)測(cè)或分類[8]。與早期的人工智能不同，ML不一定涉及對(duì)輸入數(shù)據(jù)的語(yǔ)義理解，通常會(huì)使問(wèn)題和建議的解決方案之間出現(xiàn)“黑盒”，而解釋解決方案過(guò)程的能力有限[9]。ML可以進(jìn)一步細(xì)分為有監(jiān)督和無(wú)監(jiān)督的ML以及強(qiáng)化學(xué)習(xí)。盡管這3種類型的ML均可以用于特定的醫(yī)療環(huán)境中，但有監(jiān)督的ML是該領(lǐng)域中最相關(guān)的類型，特別是在精準(zhǔn)醫(yī)學(xué)方面。有監(jiān)督的ML用標(biāo)記的數(shù)據(jù)作為“基本事實(shí)”進(jìn)行訓(xùn)練，以識(shí)別特征數(shù)據(jù)中的相應(yīng)模式[10-13]。

深度學(xué)習(xí)是ML的子領(lǐng)域，它將具有復(fù)雜結(jié)構(gòu)的ML算法與自動(dòng)輸入直接從數(shù)據(jù)中導(dǎo)出的特征相結(jié)合[14]。為確保所建的模型具有代表性，ML更依賴于人工選擇的特征，而深度學(xué)習(xí)更適合輸入相對(duì)原始、幾乎沒(méi)有先驗(yàn)專家知識(shí)的數(shù)據(jù)。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的一個(gè)分支，是一種靈活的、數(shù)據(jù)驅(qū)動(dòng)的方法，能夠自動(dòng)提取非線性特征，是目前神經(jīng)影像研究的熱點(diǎn)。

2 人工智能在缺血性腦卒中診斷中的應(yīng)用

2.1 人工智能對(duì)非對(duì)比增強(qiáng)CT（noncontrast computed tomography，NCCT）上缺血性腦卒中病變的檢測(cè) NCCT是評(píng)估急性缺血性腦卒中（acute ischemic stroke，AIS）最廣泛使用的成像方式。在缺血性腦卒中的超急性期，僅憑人眼很難在NCCT圖像中區(qū)分病變與健康組織。Qiu等[15]開(kāi)發(fā)了一種應(yīng)用ML在NCCT中自動(dòng)檢測(cè)分割A(yù)IS病變的方法，該方法訓(xùn)練出的模型檢測(cè)到的病變體積與放射科醫(yī)師在擴(kuò)散加權(quán)成像上手動(dòng)勾畫(huà)的病變體積的平均差值為11 ml（P=0.89），具有很好的一致性（P=0.11）。Wu等[16]提出了一種基于兩階段的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別NCCT中不可見(jiàn)的缺血性腦卒中，該研究對(duì)來(lái)自2家醫(yī)院的患者進(jìn)行3個(gè)獨(dú)立的試驗(yàn)（即數(shù)據(jù)來(lái)自1家醫(yī)院、2家醫(yī)院的組合以及分別來(lái)自2家醫(yī)院），該模型在3個(gè)試驗(yàn)中對(duì)腦卒中的識(shí)別準(zhǔn)確率分別為91.9%、87.2%和85.7%，精確定位準(zhǔn)確率分別為82.4%、83.0%和81.4%，表明該模型具有魯棒性。由此可見(jiàn)，人工智能可以檢測(cè)出NCCT圖像上病變與健康組織之間深層的、人眼不可見(jiàn)的特征差異，并描繪和量化病灶，從而幫助醫(yī)師做出臨床決策。

2.2 人工智能對(duì)缺血性腦卒中自動(dòng)進(jìn)行阿爾伯塔中風(fēng)項(xiàng)目早期CT評(píng)分（Alberta stroke program early CT score，ASPECTS） ASPECTS是評(píng)估大腦中動(dòng)脈區(qū)缺血性腦卒中的常用方法，它將大腦中動(dòng)脈區(qū)細(xì)分為10個(gè)亞區(qū)，以視覺(jué)識(shí)別病變所在亞區(qū)進(jìn)行計(jì)分，將缺血性腦卒中的檢測(cè)和報(bào)告系統(tǒng)化。為了實(shí)現(xiàn)這種視覺(jué)評(píng)分的自動(dòng)化，Kuang等[17]提出一種從ASPECTS的每個(gè)亞區(qū)提取紋理特征訓(xùn)練隨機(jī)森林分類器的方法，對(duì)100例患者進(jìn)行測(cè)試，顯示了人工智能自動(dòng)ASPECTS評(píng)分的能力。盡管有研究使用ML軟件（如e-ASPECTS）進(jìn)行ASPECTS自動(dòng)評(píng)分的結(jié)果不遜于人類專家，但在已有病理改變的卒中患者（包括腦白質(zhì)病變、陳舊性梗死和非典型腦實(shí)質(zhì)缺損）中，與人工評(píng)估（準(zhǔn)確率為77.0%～80.0%）相比，e-ASPECTS的性能較低（準(zhǔn)確率為67.0%）[18-19]，表明ASPECTS自動(dòng)評(píng)分軟件可以協(xié)助神經(jīng)放射科醫(yī)師做臨床決策，但是最后需要對(duì)其可靠性進(jìn)行人工檢查，特別是在大腦已有病理改變的患者中。

2.3 人工智能對(duì)多模態(tài)MRI中缺血性腦卒中病灶的自動(dòng)分割 MRI能獲取更多與缺血性腦卒中相關(guān)的影像信息，對(duì)疾病的診斷更有價(jià)值。Liu等[20]通過(guò)深層卷積神經(jīng)網(wǎng)絡(luò)在多模態(tài)MRI上自動(dòng)分割A(yù)IS病變，該模型的平均Dice系數(shù)和Hausdorff距離分別為0.742和2.33 mm，在單模態(tài)和多模態(tài)MRI中均表現(xiàn)出良好的性能。Zhao等[21]提出一種多特征圖像融合網(wǎng)絡(luò)，混合使用多個(gè)弱標(biāo)記和幾個(gè)全標(biāo)記被試以緩解模型對(duì)全標(biāo)記被試的依賴，該模型的平均Dice系數(shù)為0.699，其中以病變層面為單位的F1評(píng)分為0.886，受試者檢測(cè)率為100%。因此，人工智能可以對(duì)單模態(tài)、多模態(tài)MRI上缺血性腦卒中的病變進(jìn)行自動(dòng)分割，并可以不斷改善對(duì)標(biāo)記的依賴。

2.4 人工智能對(duì)缺血性腦卒中發(fā)病時(shí)間（time since stroke onset，TSS）的預(yù)測(cè) 對(duì)于TSS不明的患者，若能僅通過(guò)影像信息客觀確定TSS對(duì)卒中評(píng)估和治療選擇有重要意義。Ho等[22]通過(guò)對(duì)181例患者擴(kuò)散加權(quán)成像與T2液體衰減反轉(zhuǎn)序列不匹配模式構(gòu)建的ML模型結(jié)合灌注加權(quán)成像參數(shù)圖構(gòu)建的深度學(xué)習(xí)模型評(píng)估TSS。該研究比較了5種ML方法（Logistic回歸、隨機(jī)森林、梯度增強(qiáng)回歸樹(shù)、支持向量機(jī)、逐步多元線性回歸）評(píng)估TSS的效能，結(jié)果顯示Logistic回歸結(jié)合深度學(xué)習(xí)模型評(píng)估效能最高，受試者工作特征曲線下面積為0.765，敏感度為78.8%，陰性預(yù)測(cè)值為60.9%，優(yōu)于擴(kuò)散加權(quán)成像與T2液體衰減反轉(zhuǎn)序列不匹配模式。人工智能對(duì)TSS的評(píng)估為后續(xù)是否進(jìn)行溶栓治療提供了客觀依據(jù)。

3 人工智能對(duì)缺血性腦卒中關(guān)鍵成像特征的檢測(cè)

3.1 人工智能對(duì)大血管閉塞（large vessel occlusion，LVO）的識(shí)別 LVO引起的AIS需要采取血管內(nèi)血栓切除術(shù)進(jìn)行緊急治療，應(yīng)用人工智能及時(shí)、準(zhǔn)確識(shí)別LVO對(duì)于優(yōu)化血管內(nèi)治療至關(guān)重要[23]。?man等[24]使用三維卷積神經(jīng)網(wǎng)絡(luò)從CT血管成像（CTA）源圖中檢測(cè)LVO引起的缺血性卒中，以手動(dòng)分割的病變作為“金標(biāo)準(zhǔn)”，該模型對(duì)缺血性病變的識(shí)別與“金標(biāo)準(zhǔn)”具有高度一致性，敏感度為93.0%，特異度為82.0%?；隗w素的曲線下面積為0.93，最高相似Dice系數(shù)為0.61。Chatterjee等[25]利用卷積神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)了一種新算法，以識(shí)別頸內(nèi)動(dòng)脈和（或）大腦中動(dòng)脈M1段的前循環(huán)LVO。該研究對(duì)650例AIS的CTA進(jìn)行分析，敏感度為82.0%，特異度為94.0%，陽(yáng)性預(yù)測(cè)值為77.0%，陰性預(yù)測(cè)值為95.0%，平均處理時(shí)間為5 min。人工智能在快速、準(zhǔn)確識(shí)別LVO中具有一定的優(yōu)勢(shì)。

3.2 人工智能對(duì)缺血性腦卒中出血轉(zhuǎn)化（hemorrhagic transformation，HT）的預(yù)測(cè) HT是AIS再灌注治療中最嚴(yán)重的并發(fā)癥，術(shù)前預(yù)測(cè)其發(fā)生出血性轉(zhuǎn)化的風(fēng)險(xiǎn)可以指導(dǎo)臨床治療決策[26]。Yu等[27]通過(guò)不同類別的ML模型自動(dòng)學(xué)習(xí)AIS再灌注治療前的灌注加權(quán)成像和擴(kuò)散加權(quán)成像影像以及動(dòng)脈輸入函數(shù)的HT相關(guān)特征，比較其預(yù)測(cè)HT的效能。研究顯示譜回歸核判別分析的預(yù)測(cè)效能最好，略高于支持向量機(jī)，譜回歸判別分析、決策樹(shù)、神經(jīng)網(wǎng)絡(luò)和線性回歸模型的預(yù)測(cè)效能與譜回歸核判別分析相比有顯著差異。該研究表明，使用ML模型可以預(yù)測(cè)AIS再灌注治療后HT的發(fā)生，從而篩選適合再灌注療法的患者。

3.3 人工智能對(duì)缺血半暗帶及梗死核心的檢測(cè) 缺血半暗帶及梗死核心區(qū)的準(zhǔn)確評(píng)估對(duì)缺血性腦卒中的治療決策和預(yù)后具有重要意義。Kuo等[28]對(duì)14只永久性大腦中動(dòng)脈閉塞雄鼠進(jìn)行7T MRI成像，根據(jù)平均彌散率和相對(duì)腦血流量參數(shù)圖構(gòu)建的ML模型將病灶側(cè)大腦半球分為3部分：缺血半暗帶、梗死核心和正常組織。2-level分類法識(shí)別3種組織亞型的準(zhǔn)確率為（88.1±6.7）%，與灌注加權(quán)成像和擴(kuò)散加權(quán)成像不匹配方法的結(jié)果相似。Yu等[29]納入AIS患者發(fā)病后24 h內(nèi)的擴(kuò)散加權(quán)成像、灌注加權(quán)成像及其參數(shù)圖訓(xùn)練ML模型，以發(fā)病后3～7 d內(nèi)T2液體衰減反轉(zhuǎn)序列上放射科醫(yī)師手動(dòng)勾畫(huà)的病變大小和位置作為“金標(biāo)準(zhǔn)”，建立的模型可以從基線MRI預(yù)測(cè)最終的梗死核心大小和位置，為AIS患者在干預(yù)前提供個(gè)性化的梗死灶預(yù)測(cè)。而Sheth等[30]通過(guò)AIS患者的CTA數(shù)據(jù)構(gòu)建ML模型，該模型可以快速有效地檢測(cè)LVO，并可以從CTA圖像中確定梗死核心體積，兩者相關(guān)系數(shù)為0.7。在人工智能的輔助下，CTA能夠提供類似計(jì)算機(jī)體層灌注（CTP）的信息，并迅速且自動(dòng)化的分析，對(duì)溶栓或確定取栓治療方案有指導(dǎo)意義。

4 人工智能對(duì)缺血性腦卒中預(yù)后的預(yù)測(cè)

4.1 人工智能對(duì)缺血性腦卒中治療相關(guān)并發(fā)癥及療效的預(yù)測(cè) 對(duì)缺血性腦卒中治療相關(guān)并發(fā)癥及療效的預(yù)測(cè)有助于篩選接受急性期治療（如溶栓治療）的高危人群。Pfaff等[31]納入220例接受機(jī)械取栓和術(shù)前基線CT檢查的AIS患者，進(jìn)行e-ASPECTS與3位放射科醫(yī)師評(píng)分，結(jié)果顯示四者之間的一致性很高，其中e-ASPECTS與術(shù)后3個(gè)月改良Rankin評(píng)分呈顯著負(fù)相關(guān)，而與其一致性最高的專家評(píng)分也具有相同的結(jié)果。此外，在多變量分析中，e-ASPECTS軟件評(píng)分也是AIS機(jī)械取栓術(shù)后不良結(jié)局（改良Rankin評(píng)分4～6）的獨(dú)立預(yù)測(cè)因子（比值比為0.79，95%置信區(qū)間0.63～0.99，P=0.049）。該研究表明人工智能軟件e-ASPECTS可以預(yù)測(cè)急性缺血性卒中患者機(jī)械取栓術(shù)后的不良結(jié)局，有助于制訂治療決策。

4.2 人工智能對(duì)缺血性腦卒中神經(jīng)功能長(zhǎng)期結(jié)局的預(yù)測(cè) 對(duì)神經(jīng)功能長(zhǎng)期結(jié)局的預(yù)測(cè)可以指導(dǎo)缺血性腦卒中的治療。Tang等[32]納入155例發(fā)病后9 h內(nèi)接受擴(kuò)散加權(quán)成像與灌注加權(quán)成像檢查的AIS患者，隨后靜脈注射阿替普酶或常規(guī)藥物治療。采用LASSO邏輯回歸模型選擇對(duì)臨床結(jié)果最具預(yù)測(cè)性的特征，建立了3個(gè)ML預(yù)測(cè)模型：臨床模型、不匹配模型和聯(lián)合模型，三者預(yù)測(cè)短期結(jié)局的曲線下面積分別為0.743、0.854、0.863，預(yù)測(cè)長(zhǎng)期結(jié)局的曲線下面積分別為0.697、0.773、0.778。臨床模型與不匹配模型對(duì)于短期結(jié)局與長(zhǎng)期結(jié)局的預(yù)測(cè)效能均有顯著差異；聯(lián)合模型僅在預(yù)測(cè)短期結(jié)局時(shí)有顯著差異；不匹配模型與聯(lián)合模型之間無(wú)顯著差異。該研究通過(guò)ML方法將缺血半暗帶、梗死核心的局部影像參數(shù)與臨床因素、治療方式相結(jié)合所建立的聯(lián)合模型可以預(yù)測(cè)患者的臨床結(jié)局，從而指導(dǎo)臨床醫(yī)師為不同患者制訂治療方案。Tang等[33]在既往研究的基礎(chǔ)上引入基于半暗帶的影像組學(xué)特征預(yù)測(cè)AIS的臨床結(jié)局，與既往研究采用的局部影像參數(shù)相比，影像組學(xué)特征對(duì)短期臨床結(jié)局的預(yù)測(cè)有更大的貢獻(xiàn)。

5 人工智能應(yīng)用于缺血性腦卒中影像中的局限性與展望

人工智能的應(yīng)用具有一些局限性，如大部分模型的建立需要大量分類良好和準(zhǔn)確的數(shù)據(jù)集；各醫(yī)院在圖像采集和數(shù)據(jù)存儲(chǔ)方面存在差異，使得數(shù)據(jù)共享存在困難；當(dāng)模型錯(cuò)誤地學(xué)習(xí)了訓(xùn)練集中的“噪聲”而不是“信號(hào)”時(shí)，會(huì)出現(xiàn)過(guò)擬合的問(wèn)題；“黑盒”的出現(xiàn)使結(jié)果的解釋具有挑戰(zhàn)性，特別是深度學(xué)習(xí)算法。針對(duì)這些局限性，目前也有一些相應(yīng)的解決方法，如成像方法的標(biāo)準(zhǔn)化和開(kāi)源數(shù)據(jù)收集可以解決數(shù)據(jù)集的問(wèn)題；更多的訓(xùn)練數(shù)據(jù)、正則化和批量歸一化可以緩解過(guò)擬合。

在缺血性腦卒中影像評(píng)估中，人工智能非常適合減少評(píng)價(jià)者之間的分歧，提高評(píng)估的標(biāo)準(zhǔn)化，實(shí)現(xiàn)對(duì)有意義的成像數(shù)據(jù)的快速評(píng)估，通過(guò)識(shí)別關(guān)鍵的治療相關(guān)變量并綜合這些變量預(yù)測(cè)治療反應(yīng)、支持臨床決策。未來(lái)，還有相當(dāng)大的空間可以實(shí)施更先進(jìn)的成像分析，為臨床醫(yī)師提供直接或間接征象，合并、排序優(yōu)先級(jí)和總結(jié)一個(gè)人的大量臨床和成像特征，并將這些特征與經(jīng)過(guò)穩(wěn)健評(píng)估和優(yōu)化的擬合模型進(jìn)行比較，以幫助常規(guī)臨床決策、實(shí)現(xiàn)精準(zhǔn)醫(yī)療。