陳曉宇 王希明

急性缺血性卒中是一種由動(dòng)脈粥樣硬化和血栓形成引起的急性腦血管疾病，是成人致殘的主要原因。如何客觀準(zhǔn)確地評(píng)估缺血性腦卒中病人的狀況，如血管閉塞的部位、梗死灶的面積、腦側(cè)支循環(huán)的狀態(tài)等，對(duì)于臨床診治十分重要。在缺血性腦卒中的診斷過(guò)程中會(huì)產(chǎn)生大量影像數(shù)據(jù)，但受醫(yī)師經(jīng)驗(yàn)水平和時(shí)間所限，往往難以對(duì)這些影像數(shù)據(jù)分析透徹，從而造成誤診、漏診[1]。將人工智能（artificial intelligence,AI）技術(shù)與CT 和MRI 等影像技術(shù)相結(jié)合來(lái)構(gòu)建并訓(xùn)練輔助診斷模型，有利于提高疾病診斷的準(zhǔn)確性，并為臨床治療決策提供較大的幫助。目前，AI 已廣泛用于急性缺血性卒中成像，其對(duì)梗死灶檢測(cè)、Alberta 卒中項(xiàng)目早期CT 評(píng)分（Alberta stroke program early CT score, ASPECTS）分級(jí)、大血管閉塞檢測(cè)、圖像分割和病人預(yù)后的預(yù)測(cè)等有重要輔助作用；同時(shí)，它還具有自我糾正的能力，可根據(jù)反饋不斷提高準(zhǔn)確性。本文對(duì)常用于急性缺血性卒中成像中的AI 技術(shù)予以概述，并分別介紹AI 在卒中的CT 平掃、CT 血管成像（computed tomography angiography, CTA）、CT 灌注 （computed tomography perfusion,CTP）及 MRI 中的應(yīng)用。

1 AI 概述

AI 作為計(jì)算機(jī)科學(xué)的一個(gè)分支，能夠模擬、延伸和擴(kuò)展人類的思維過(guò)程和智能行為[2]。AI 包括計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、機(jī)器學(xué)習(xí)（machine learning,ML）等技術(shù)。其中，ML 最常用于醫(yī)學(xué)成像，其依賴于不同算法對(duì)復(fù)雜多樣的數(shù)據(jù)進(jìn)行深層分析。傳統(tǒng)的ML 算法包括支持向量機(jī)（support vector machine,SVM）、線性回歸、邏輯回歸、決策樹(shù)、隨機(jī)森林、貝葉斯學(xué)習(xí)等，目前在科學(xué)研究領(lǐng)域被廣泛應(yīng)用[3]。在ML 的應(yīng)用過(guò)程中，這些傳統(tǒng)算法對(duì)簡(jiǎn)單任務(wù)比較有效，但是對(duì)于一些復(fù)雜的臨床問(wèn)題其效能較差。深度學(xué)習(xí)（deep learning,DL）是ML 的一個(gè)新的分支，相對(duì)于傳統(tǒng)的ML 算法，它的性能更優(yōu)越。DL 能夠利用一種特定類型的ML 架構(gòu)大致模仿人類大腦的功能，即人工神經(jīng)網(wǎng)絡(luò)，通常被稱為卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）[3]。CNN 不僅可以輸入定量數(shù)據(jù)，還可以輸入像素或體素信息，解決影像的分類和回歸問(wèn)題。因此，DL 通過(guò)組合低層特征形成更加抽象的高層屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的特征性分布，實(shí)現(xiàn)對(duì)數(shù)據(jù)的分組，最終達(dá)到診斷的目的。

2 AI 在缺血性卒中CT 平掃中的應(yīng)用

CT 平掃主要用于排除出血和其他非缺血性病變，初步判斷有無(wú)新鮮梗死灶，確定梗死部位和范圍[4]。急性缺血性卒中的特異性表現(xiàn)包括CT 平掃顯示高密度血管征（hyperdense vessel sign,HDVS），即患側(cè)大腦中動(dòng)脈密度高于正常側(cè)，提示大腦中動(dòng)脈閉塞[5]。Takahashi 等[6]采用一種基于 SVM 算法的模型對(duì)CT 平掃上的HDVS 進(jìn)行檢測(cè)，該模型敏感度達(dá) 97.5%。Shinohara 等[7-8]對(duì) 46 例存在 HDVS 和 52例不存在HDVS 的病例進(jìn)行研究，將ML 模型與神經(jīng)放射醫(yī)師對(duì)HDVS 的診斷效能進(jìn)行了比較，結(jié)果顯示ML 模型的準(zhǔn)確度為81.6%，受試者操作特征曲線下面積（area under curve, AUC）為 0.869，而神經(jīng)放射醫(yī)師的初始準(zhǔn)確度為78.8%，AUC 為0.882；但參考ML 模型的結(jié)果后，神經(jīng)放射醫(yī)師第2 次測(cè)試的準(zhǔn)確度提升至84.7%，AUC 達(dá)0.932。由此可見(jiàn)，AI 有望輔助醫(yī)師提高對(duì)HDVS 的診斷效能。

ASPECTS 為評(píng)價(jià)早期前循環(huán)缺血性改變的評(píng)分量表，該評(píng)分將大腦中動(dòng)脈供血區(qū)域劃為10 個(gè)，密度減低的范圍每涉及1 個(gè)區(qū)域則減去1 分。Kuang 等[9]以 MR 擴(kuò)散加權(quán)成像（diffusion weighted imaging,DWI）作為金標(biāo)準(zhǔn)，使用ML 構(gòu)建模型用來(lái)評(píng)估ASPECTS 的分級(jí)，結(jié)果顯示該模型的特異度為91.8%，敏感度為66.2%。Nagel 等[10]開(kāi)發(fā)了一個(gè)能夠?qū)崿F(xiàn)自動(dòng)ASPECTS 分級(jí)的商業(yè)軟件（e-ASPECTS），該軟件對(duì)急性缺血性卒中病人CT 平掃上低密度灶的識(shí)別與神經(jīng)影像醫(yī)師的一致性較高，且準(zhǔn)確性相似；但當(dāng)急性缺血性卒中病人存在其他腦實(shí)質(zhì)病變（如腦白質(zhì)脫髓鞘改變、陳舊性腦梗死等）時(shí)，e-ASPECTS 的準(zhǔn)確性不如神經(jīng)放射醫(yī)師。另一項(xiàng)關(guān)于自動(dòng)化ASPECTS 評(píng)分商業(yè)軟件（Rapid ASPECTS）的研究[11]發(fā)現(xiàn)，以 DWI 上的 ASPECTS 為金標(biāo)準(zhǔn)，結(jié)果顯示自動(dòng)化軟件基于CT 平掃的ASPECTS 分級(jí)與金標(biāo)準(zhǔn)之間的一致性（κ=0.9）高于神經(jīng)放射醫(yī)師（κ=0.56～0.57），在急性缺血性卒中發(fā)病1 h 時(shí)，自動(dòng)化軟件的ASPECTS 分級(jí)與金標(biāo)準(zhǔn)之間的一致性較好（κ=0.78），而在發(fā)病4 h 時(shí)，兩者之間的一致性更優(yōu)（κ=0.92）。

對(duì)于急性缺血性卒中病人，明確梗死的體積有助于指導(dǎo)臨床治療及預(yù)測(cè)病人預(yù)后。AI 已逐漸實(shí)現(xiàn)在CT 平掃影像上對(duì)梗死體積進(jìn)行分割和測(cè)量，如CNN 技術(shù)已應(yīng)用于梗死體積的分割[12]。Sales 等[13]在急性缺血性腦卒中的CT 平掃影像上基于CNN 技術(shù)分割獲得梗死體積，與作為金標(biāo)準(zhǔn)的DWI 獲得的梗死體積之間具有極好的一致性，組內(nèi)相關(guān)系數(shù)（intraclass correlation coefficient, ICC）達(dá)到 0.88（最佳 ICC 為 1）。

3 AI 在缺血性卒中CTA/CTP 中的應(yīng)用

CTA 能清晰顯示頸內(nèi)動(dòng)脈，椎動(dòng)脈，基底動(dòng)脈，大腦前、中、后動(dòng)脈，可用以判別急性缺血性腦卒中的責(zé)任血管并評(píng)估其側(cè)支循環(huán)[4]。將AI 技術(shù)用于CTA 影像，使得自動(dòng)化探測(cè)缺血性腦卒中病人大血管閉塞、測(cè)量梗死核心及評(píng)估側(cè)支循環(huán)成為可能。Rodrigues 等[14]采用 AI 商業(yè)軟件（Via.ai）對(duì) 610 例卒中病人進(jìn)行探測(cè)分析，結(jié)果顯示，該軟件對(duì)雙側(cè)頸內(nèi)動(dòng)脈或大腦前、中動(dòng)脈閉塞的診斷敏感度、特異度和準(zhǔn)確度分別為87.6%、88.5%和87.9%。Sheth等[15]利用大腦的對(duì)稱性研發(fā)了RAPID 軟件用于識(shí)別CTA 上的雙側(cè)頸內(nèi)動(dòng)脈或大腦前、中動(dòng)脈的閉塞并測(cè)量核心梗死體積，RAPID 軟件對(duì)179 例病人的核心梗死體積進(jìn)行了評(píng)估，并以CTP 上的核心梗死體積為金標(biāo)準(zhǔn)，結(jié)果顯示該軟件的準(zhǔn)確性與CTP 相近且AUC 為0.88。You 等[16]將CT 平掃和臨床基本信息結(jié)合，構(gòu)建了一種基于ML 方法（包括邏輯回歸、隨機(jī)森林、SVM 等）的診斷模型，隨后在300 例雙側(cè)頸內(nèi)動(dòng)脈或大腦前、中動(dòng)脈閉塞病人中進(jìn)行驗(yàn)證，得到了較高的診斷效能（AUC 為0.847）。?man等[17]在CTA 上運(yùn)用三維CNN 技術(shù)，以檢測(cè)和分割核心梗死區(qū)，獲得的AUC 值為0.93，Dice 系數(shù)為0.61。此外，在缺血性腦卒中側(cè)支循環(huán)自動(dòng)化評(píng)估方面，Grunwald 等[18]采用商業(yè)軟件 e-CTA 評(píng)估 98 例機(jī)械取栓病人的側(cè)支循環(huán)TAN 評(píng)分，結(jié)果顯示e-CTA 使得神經(jīng)放射醫(yī)師的ICC 從0.58 提升至0.77，且該軟件對(duì)側(cè)支循環(huán)的敏感度和特異度分別為0.99 和 0.94。

CTP 可以顯示核心梗死區(qū)域[4]。在一項(xiàng)基于缺血性卒中發(fā)病6 h 內(nèi)CTP 影像的回顧性研究中，以DWI 上的核心梗死體積為金標(biāo)準(zhǔn)，結(jié)果表明CNN中延遲和色散校正的準(zhǔn)確性高于標(biāo)準(zhǔn)化流程[19]。Kasasbeh 等[20]基于CTP 和臨床資料使用CNN 構(gòu)建模型以預(yù)測(cè)急性缺血性卒中病人的核心梗死體積，同樣使用DWI 作為金標(biāo)準(zhǔn)，結(jié)果顯示單純CTP 組的 AUC 為 0.85，CTP 結(jié)合臨床資料的 AUC 為 0.87，最大Dice 系數(shù)為0.48。這些研究表明，AI 與CTP 相結(jié)合可以實(shí)現(xiàn)準(zhǔn)確評(píng)估核心梗死體積。

4 AI 在缺血性卒中MRI 中的應(yīng)用

對(duì)于急性缺血性卒中，MRI 影像上核心梗死區(qū)的AI 自動(dòng)分割和測(cè)定常采用DWI 影像或表觀擴(kuò)散系數(shù)（ADC）圖，DWI 上的核心梗死體積亦常被作為金標(biāo)準(zhǔn)。Kim 等[21]用一種編碼解碼 CNN 的U-net 模型在DWI 和ADC 圖上進(jìn)行圖像分割，發(fā)現(xiàn)U-net模型的分割結(jié)果與專家的手動(dòng)分割結(jié)果之間具有高度一致性，ICC 高達(dá) 1.0。Wu 等[22]利用 3D CNN 對(duì)多中心的DWI 數(shù)據(jù)上急性缺血性病灶進(jìn)行分割，并將結(jié)果與人工測(cè)量的病灶體積比較，發(fā)現(xiàn)兩者之間相關(guān)性極好（相關(guān)系數(shù)為0.92）。除DWI 序列，MR灌注成像（perfusion weighted imaging, PWI）也可用于卒中診斷和梗死灶分割。Bouts 等[23]在右側(cè)大腦中動(dòng)脈閉塞后自發(fā)或誘導(dǎo)再灌注和無(wú)再灌注的嚙齒動(dòng)物模型中比較了5 種DL 算法，其中廣義線性模型在檢測(cè)PWI 缺血半暗帶中的表現(xiàn)最好，Dice 系數(shù)為 0.79。Huang 等[24]基于 SVM 在 PWI 的腦血流量圖和ADC 圖上對(duì)缺血半暗帶進(jìn)行分割，以檢測(cè)大腦中動(dòng)脈閉塞，該模型在動(dòng)脈閉塞后30 min、60 min診斷的AUC 分別為88%和94%。此外，利用多模態(tài)MRI 或液體衰減反轉(zhuǎn)恢復(fù)（fluid-attenuated inversion recovery,FLAIR）序列對(duì)缺血半暗帶和核心梗死區(qū)影像分割的研究也已獲得一些成果。結(jié)合隨機(jī)森林算法的多模態(tài)MRI 模型在對(duì)梗死灶的灌注估量和分割的準(zhǔn)確性較高，平均Dice 系數(shù)分別為0.82 和0.59[25]。在使用FLAIR 序列進(jìn)行梗死灶分割的研究[26-28]中，隨機(jī)森林模型的準(zhǔn)確性也較高，Dice 系數(shù)范圍為 0.54～0.6。

急性缺血性腦卒中的發(fā)病時(shí)間對(duì)于治療方式的選擇至關(guān)重要，但某些時(shí)候無(wú)法準(zhǔn)確得知病人的發(fā)病時(shí)間。Lee 等[29]納入部分發(fā)病時(shí)間不明確的急性缺血性卒中病人，采用DWI-FLAIR 不匹配判斷其發(fā)病時(shí)間是否處于4.5 h 內(nèi)，以期判斷是否適用靜脈溶栓治療，結(jié)果表明人工判斷DWI-FLAIR 不匹配的敏感度僅為48.5%，而基于ML 的判斷具有更高的敏感度，如隨機(jī)森林的敏感度為72.7%，Logistic回歸和SVM 敏感度均達(dá)75.8%，且這3 種ML 方法并未使特異度下降。因此，AI 可輔助確定急性缺血性卒中病人的發(fā)病時(shí)間，有助于臨床決策的實(shí)施。

梗死后出血轉(zhuǎn)化作為缺血性腦卒中治療后的一種嚴(yán)重并發(fā)癥與不良預(yù)后相關(guān)。Yu 等[30]以24 h的隨訪MRI 作為金標(biāo)準(zhǔn)，使用包括SVM、線性回歸、決策樹(shù)等的ML 模型在DWI 和PWI 影像上預(yù)測(cè)潛在出血轉(zhuǎn)化的部位，ML 模型的準(zhǔn)確度高達(dá)84%。Bouts 等[31]在梗死后再灌注誘導(dǎo)的出血轉(zhuǎn)化動(dòng)物模型中，發(fā)現(xiàn)基于多參數(shù)MRI 的隨機(jī)森林模型可以有效預(yù)測(cè)出血，AUC 為 0.85～0.89。

缺血性腦卒中會(huì)導(dǎo)致認(rèn)知或運(yùn)動(dòng)功能的喪失，因此，對(duì)腦卒中病人臨床預(yù)后的預(yù)測(cè)可以影響醫(yī)師的治療決策，也有助于減少卒中額外的并發(fā)癥，并最大限度地提高病人生活質(zhì)量。最近的研究集中在利用AI 預(yù)測(cè)卒中病人的臨床預(yù)后，以期支持早期的臨床決策。例如，Tang 等[32]研發(fā)并驗(yàn)證基于SVM、決策樹(shù)等算法的ML 模型對(duì)病人短期和長(zhǎng)期的臨床預(yù)后進(jìn)行預(yù)測(cè)，結(jié)合術(shù)前DWI 和PWI 影像資料、臨床基本資料構(gòu)建綜合模型，并與僅有臨床基本資料和缺血半暗帶體積的模型比較，發(fā)現(xiàn)綜合模型在預(yù)測(cè)短期和長(zhǎng)期的臨床預(yù)后結(jié)果方面更為準(zhǔn)確，AUC達(dá)0.863。一項(xiàng)回顧性研究[33]采用梯度提升算法預(yù)測(cè)病人預(yù)后，結(jié)合影像學(xué)資料、流行病學(xué)資料及臨床基本資料構(gòu)建綜合模型，其預(yù)測(cè)不良預(yù)后的準(zhǔn)確度為87.7%。Chauhan 等[34]將3D MRI 影像數(shù)據(jù)輸入基于CNN 的模型以評(píng)估缺血性卒中病人言語(yǔ)障礙的嚴(yán)重程度，通過(guò)比較基于線性回歸、SVM 算法的ML模型和CNN 模型發(fā)現(xiàn)，CNN 模型預(yù)測(cè)言語(yǔ)障礙的能力最優(yōu)，在更大的樣本量中也得到了驗(yàn)證。Rehme等[35]利用功能MRI 發(fā)現(xiàn)了與卒中相關(guān)的運(yùn)動(dòng)障礙的神經(jīng)影像學(xué)標(biāo)志物，將40 例卒中病人與20 名健康者對(duì)照，在治療前的DWI 和治療后的功能MRI上分別運(yùn)用SVM 算法構(gòu)建模型，發(fā)現(xiàn)該模型可以準(zhǔn)確辨別有無(wú)手部運(yùn)動(dòng)障礙的卒中病人，準(zhǔn)確度高達(dá)88%。

5 小結(jié)

將AI 與多種影像檢查方法結(jié)合，有助于提高腦卒中的診斷效能。但是目前AI 用在急性缺血性腦卒中研究上還存在一些局限性。首先，AI 尚不能分辨病人腦實(shí)質(zhì)中的陳舊性病變，其準(zhǔn)確性還需進(jìn)一步提高。其次，目前AI 在缺血性腦卒中方面的研究多局限于前循環(huán)，適用于后循環(huán)的較少，希望未來(lái)檢測(cè)缺血性腦卒中的軟件能被進(jìn)一步研發(fā)、完善、推廣。再次，AI 的應(yīng)用還存在一些挑戰(zhàn)，由于AI模型需要經(jīng)過(guò)大樣本量的數(shù)據(jù)訓(xùn)練后才能獲得穩(wěn)定的效能，如何構(gòu)建大規(guī)模、高質(zhì)量的訓(xùn)練集數(shù)據(jù)，這是AI 的一大難點(diǎn)。另外，AI 的準(zhǔn)確性需要進(jìn)行驗(yàn)證，這需要投入大量的人力和時(shí)間。最后，數(shù)據(jù)的合法性問(wèn)題，尤其是數(shù)據(jù)的監(jiān)管、數(shù)據(jù)隱私性和網(wǎng)絡(luò)安全性方面，其倫理層面的保護(hù)措施是AI 領(lǐng)域的關(guān)注點(diǎn)。相信隨著今后AI 技術(shù)與醫(yī)學(xué)影像技術(shù)的進(jìn)一步結(jié)合，能為缺血性腦卒中病人的診療提供更有力的幫助。