張紅珍,楊少玲

(1.安徽理工大學(xué)附屬奉賢醫(yī)院超聲科,上海市 201499;2.上海市第八人民醫(yī)院超聲科,上海市 200235)

20世紀(jì)60年代,達(dá)特茅斯學(xué)院的一次人工智能會議首次提出了“人工智能(artificial intelligence,AI)”的概念,人工智能技術(shù)被描述為制造智能機(jī)器的科學(xué)工程技術(shù)[1]。與人腦不同,人工智能的本質(zhì)是模擬人類思維的一種計(jì)算機(jī)系統(tǒng)過程,人們通過人工將算法輸入人工智能系統(tǒng),使其具有算法功能,從而服務(wù)于人類生活及醫(yī)療活動[2]。

AI技術(shù)主要包括機(jī)器學(xué)習(xí)(machine learning,ML)和深度學(xué)習(xí)(deep learning,DL)[3-6]兩個子領(lǐng)域。機(jī)器學(xué)習(xí)被描述為計(jì)算機(jī)從經(jīng)驗(yàn)中學(xué)習(xí)并在沒有事先知道的情況下執(zhí)行預(yù)定任務(wù)的過程[7]。具體而言,機(jī)器學(xué)習(xí)就是AI系統(tǒng)通過識別和提取一組觀測數(shù)據(jù)(數(shù)據(jù)集)的模式自主獲取知識的過程[8]?；谟糜趯W(xué)習(xí)的樣本是否被完全標(biāo)記、部分標(biāo)記或未標(biāo)記,機(jī)器學(xué)習(xí)可以進(jìn)一步分為監(jiān)督、半監(jiān)督和無監(jiān)督學(xué)習(xí),其中人工神經(jīng)網(wǎng)絡(luò)(ANN)是機(jī)器學(xué)習(xí)最典型的例子之一[9]。ANN主要是為了解決某種特定任務(wù)而設(shè)計(jì),根據(jù)層狀神經(jīng)元的不同權(quán)重反映類似于人類大腦神經(jīng)元之間的相互依賴性,每個神經(jīng)元可接收多個輸入,多個輸入一起決定激活神經(jīng)元,被激活的神經(jīng)元輸出一個信號以確定下一層神經(jīng)元的狀態(tài),直到最后一層的神經(jīng)元輸出感興趣的值,如分類決策或估計(jì)值[8,10]。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個子領(lǐng)域,與此同時,它也是深度神經(jīng)網(wǎng)絡(luò)的一個應(yīng)用領(lǐng)域,深度學(xué)習(xí)使用多層的ANN來識別數(shù)據(jù)[11]。深度學(xué)習(xí)通過建立ANN的網(wǎng)絡(luò)層次結(jié)構(gòu),進(jìn)而一層一層地提取輸入的信息,并表示為學(xué)習(xí)能力[12]。目前,圖像識別和深度學(xué)習(xí)是人工智能在醫(yī)學(xué)影像應(yīng)用中的兩個主要部分,這兩部分均是基于對醫(yī)學(xué)影像大數(shù)據(jù)的挖掘與應(yīng)用,其中深度學(xué)習(xí)是人工智能應(yīng)用于醫(yī)學(xué)影像圖像分析的核心環(huán)節(jié)[13-14]。現(xiàn)今,AI技術(shù)已發(fā)展成為一項(xiàng)里程碑式的計(jì)算機(jī)技術(shù),其一經(jīng)研發(fā)即受到醫(yī)療各個領(lǐng)域的廣泛關(guān)注,尤其是在超聲醫(yī)學(xué)領(lǐng)域,本文就人工智能技術(shù)在頸動脈超聲檢查中的應(yīng)用進(jìn)展進(jìn)行綜述。

1 AI技術(shù)在頸動脈超聲檢查中的應(yīng)用現(xiàn)狀

目前,缺血性腦卒中已成為世界上最主要致死致殘的原因之一[15-16]。有研究表明80%的腦卒中缺血過程是由頸動脈粥樣硬化易損斑塊破裂、脫落而導(dǎo)致,因此,頸動脈粥樣硬化斑塊被認(rèn)為是導(dǎo)致缺血性腦卒中的主要原因之一[17-18]。對腦卒中高危人群而言,早期識別發(fā)現(xiàn)頸動脈粥樣硬化斑塊,及時評估分類頸動脈粥樣硬化斑塊具有非常重要的臨床意義[11]。超聲是目前檢測頸動脈形態(tài)學(xué)最便捷、靈敏、可靠的評價(jià)方法,頸動脈超聲檢查通過檢測頸動脈粥樣硬化斑塊達(dá)到預(yù)測缺血性腦卒中發(fā)生危險(xiǎn)風(fēng)險(xiǎn)的目的[19-21]。但是,目前超聲醫(yī)師缺口大、醫(yī)療技術(shù)水平分布不均是我國頸動脈超聲檢查普遍存在的現(xiàn)狀,尤其是我國醫(yī)療資源相對匱乏的基層地區(qū),人均醫(yī)療供給水平非常低下[13],這使得廣泛有效開展頸動脈超聲檢查進(jìn)行卒中的一級預(yù)防困難重重。

人工智能技術(shù)可以基于圖像分析頸動脈內(nèi)膜中層厚度(IMT)和斑塊面積(PA)及斑塊內(nèi)部成分,進(jìn)而評估頸動脈粥樣硬化斑塊的穩(wěn)定性[22]。應(yīng)用人工智能技術(shù),醫(yī)生不再是只能在獲取圖像的地點(diǎn)或接近該地點(diǎn)進(jìn)行診療,而是通過人工智能技術(shù)可實(shí)現(xiàn)遠(yuǎn)程診療[17,23]。不僅如此,人工智能技術(shù)可以高效協(xié)助超聲醫(yī)師快速做出臨床診斷決策,大大減少超聲醫(yī)師的工作量,有效解決地域之間醫(yī)療技術(shù)水平不均的問題[24]。因此,人工智能技術(shù)不僅可以取代大量機(jī)械性、重復(fù)性工作,還可輔助超聲醫(yī)師發(fā)現(xiàn)分析病灶、客觀消除檢查者之間的差異。我國當(dāng)前的頸動脈超聲檢查現(xiàn)狀急需發(fā)展智慧醫(yī)療,利用人工智能技術(shù)提高我國醫(yī)療資源的利用率及供給量,這是改善當(dāng)前我國頸動脈超聲醫(yī)療現(xiàn)狀,預(yù)防缺血性腦卒中發(fā)生的關(guān)鍵。

2 AI技術(shù)在頸動脈斑塊超聲檢查中的具體應(yīng)用

2.1 在頸動脈斑塊智能診斷中的應(yīng)用AZZOPARDI 等人[25]提出了一種新的深度神經(jīng)網(wǎng)絡(luò)作為一種全自動的分割工具,使用全自動方法分割頸動脈超聲圖像的中膜外壁和管腔內(nèi)膜邊界,實(shí)現(xiàn)自動分割頸動脈超聲圖像,利用振幅數(shù)據(jù)和強(qiáng)度不變相位一致性圖作為數(shù)據(jù)源,開發(fā)了一種新的幾何約束目標(biāo)函數(shù)用于深度卷積U-Net的訓(xùn)練,與使用標(biāo)準(zhǔn)廣義骰子損失函數(shù)訓(xùn)練的U-Net相比,添加幾何約束可以使DICE性能系數(shù)提高。2020年,VILA等人[26]基于密集連接的卷積神經(jīng)網(wǎng)絡(luò)(DenseNets)對整個圖像進(jìn)行語義分割,運(yùn)用人工智能技術(shù)手段以斑塊分割為基礎(chǔ),對頸動脈斑塊的總體積、面積、斑塊的形態(tài)學(xué)和組成成分進(jìn)行全面分析,從而對頸動脈斑塊穩(wěn)定性進(jìn)行綜合評估,這種方法對斑塊檢測和CIMT測量均是準(zhǔn)確、客觀的。ACHARYA等人[27]研究發(fā)現(xiàn)噪聲、低對比度使得超聲圖像分割成為一個相當(dāng)困難的問題,于是他們借鑒Deriche邊緣檢測器(1990版本)提出了用一種基于傳統(tǒng)二維分割算法的高斯噪聲模型,然而,該模型方法在臨床數(shù)據(jù)上還沒有得到驗(yàn)證。

針對超聲圖像的分割問題,CHRISTODOULOU等人[28]采用基于單基因信號的局部相位和局部方向的速度項(xiàng),使算法對衰減偽影具有魯棒性,使用柯西核替代常用的log-Gabor作為特征提取的正交濾波器能有效處理噪聲,敏感捕獲低對比度的邊界。該研究認(rèn)為深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)應(yīng)用于頸動脈斑塊超聲圖像的自動分割是可行的,利用人工智能技術(shù)可實(shí)現(xiàn)超聲圖像的降噪、斑塊邊界、形態(tài)的自動分割,從而輔助超聲醫(yī)師客觀準(zhǔn)確地評價(jià)頸動脈粥樣硬化斑塊,具有實(shí)際意義的臨床指導(dǎo)價(jià)值。

2.2 在頸動脈斑塊成分分析中的應(yīng)用近年來,頸動脈斑塊的超聲形態(tài)、回聲特征及斑塊成分分析在中風(fēng)風(fēng)險(xiǎn)分類中具有非常重要的臨床價(jià)值[29]。ARAKI等人[30]研究發(fā)現(xiàn)頸動脈斑塊是心血管疾病(CVD)的可靠標(biāo)志物,隨著斑塊大小的增加,特別是帶有纖維帽及大脂質(zhì)核心(脆弱的斑塊)組成的斑塊,其發(fā)生心血管CV事件的風(fēng)險(xiǎn)也隨之增加。在AI技術(shù)超聲實(shí)踐應(yīng)用中,LIU等人[31]使用自組織映射(SOM)和KNN統(tǒng)計(jì)方法手工提取斑塊的超聲紋理特征。HOLLOWELL等人[32]提出了一種基于深度學(xué)習(xí)的分類方法,該方法利用傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò),分析超聲掃描采集的90 000張斑塊圖像,根據(jù)脂質(zhì)核、纖維帽和鈣化組織的像素?cái)?shù)測量了斑塊的面積,提取56個頸動脈斑塊超聲特征,最后證明傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的方法準(zhǔn)確度可達(dá)到96%。因此,頸動脈粥樣硬化斑塊的回聲及具體成分是評估心血管事件發(fā)生的重要因素。采用KNN、卷積神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)可有效識別超聲圖像中低回聲斑塊,準(zhǔn)確、快速地分割出斑塊的不同成分(如纖維帽、脂質(zhì)核和鈣化),進(jìn)一步評估頸動脈粥樣硬化斑塊的穩(wěn)定性。

2.3 在頸動脈斑塊風(fēng)險(xiǎn)評估中的應(yīng)用CVD是導(dǎo)致死亡的主要原因[33]。相關(guān)學(xué)者[34-36]研究發(fā)現(xiàn)在CVD事件的風(fēng)險(xiǎn)評估中,人工智能的預(yù)測模型比傳統(tǒng)統(tǒng)計(jì)學(xué)推導(dǎo)的風(fēng)險(xiǎn)預(yù)測模型性能更好, AI算法能夠處理輸入的非線性變化因素,也可以靈活地添加醫(yī)學(xué)成像的相關(guān)危險(xiǎn)因素。JAMTHIKAR等人[37]在人工智能風(fēng)險(xiǎn)預(yù)測模型中,將頸動脈超聲圖像特征與傳統(tǒng)危險(xiǎn)因素相結(jié)合,為CVD的風(fēng)險(xiǎn)預(yù)測提供了更強(qiáng)大的“證據(jù)”,即所謂的“綜合預(yù)測CVD風(fēng)險(xiǎn)模型”。SKANDHA等人[38]設(shè)計(jì)了一個包括DCNN、視覺幾何組-16(VGG16)和遷移學(xué)習(xí)(tCNN)三種深度學(xué)習(xí)分類模式的計(jì)算機(jī)輔助診斷(CADx)系統(tǒng)分析研究頸動脈粥樣硬化斑塊,結(jié)果發(fā)現(xiàn)三種深度學(xué)習(xí)分類系統(tǒng)中,DCNN對于頸動脈粥樣硬化斑塊的分類是最佳的,因此,人工智能的系統(tǒng)為頸動脈粥樣硬化斑塊分類提供強(qiáng)大的風(fēng)險(xiǎn)預(yù)測方案。不僅如此,臨床研究中還發(fā)現(xiàn)其他系統(tǒng)的疾病也是頸動脈粥樣硬化斑塊形成的高危群體。心血管系統(tǒng)是甲狀腺激素和甲狀腺的一個特定的靶點(diǎn),甲狀腺功能障礙常干擾心血管血流動力學(xué)。OJAMAA等人[39]研究數(shù)據(jù)表明除了介導(dǎo)低膽固醇血癥的機(jī)制外,甲狀腺激素可通過對血管的直接作用來促進(jìn)動脈粥樣硬化,甲狀腺激素直接作用于血管平滑肌細(xì)胞,以放松冠狀動脈,此研究提出動脈粥樣硬化和甲狀腺功能減退之間存在一定的關(guān)聯(lián)。因此,將頸動脈粥樣硬化斑塊超聲圖像特征與CVD危險(xiǎn)因素相結(jié)合,利用人工智能技術(shù)如深度卷積網(wǎng)絡(luò)構(gòu)建心血管事件的風(fēng)險(xiǎn)預(yù)測模型,比傳統(tǒng)的預(yù)測模型具有更高的準(zhǔn)確性及穩(wěn)定性。不僅如此,該技術(shù)還可以輔助診斷其他系統(tǒng)疾病頸動脈粥樣硬化斑塊的發(fā)生,預(yù)警此類患者缺血性腦卒中發(fā)生的風(fēng)險(xiǎn)。

3 局限性與挑戰(zhàn)

相對于傳統(tǒng)醫(yī)療模式,人工智能醫(yī)療前景不可估量,但仍面臨巨大挑戰(zhàn)。人工智能面臨的局限性和挑戰(zhàn)包括人工智能技術(shù)自身的挑戰(zhàn)、安全、法律不完善等問題,這些問題都阻礙了人工智能的發(fā)展[40]。首先,人工智能算法缺乏透明度,我們無法得知深度學(xué)習(xí)輸入層和輸出層之間多個隱藏層的內(nèi)部結(jié)構(gòu),如果算法的隱藏層出現(xiàn)錯誤,無法判定是具體哪一層出問題,因此很難找出解決問題的具體方案[41]。其次,人工智能技術(shù)的安全問題,它包括患者倫理知情同意、個人隱私和患者數(shù)據(jù)保護(hù)及所有權(quán)、數(shù)據(jù)透明度和客觀性等多方面[42]。再次,人工智能技術(shù)法律公平問題,目前還沒有全球統(tǒng)一的關(guān)于人工智能在醫(yī)學(xué)上應(yīng)用的法律或法規(guī)來規(guī)范從業(yè)者的行為[43],當(dāng)遇到人工智能醫(yī)療糾紛時,責(zé)任該歸屬于哪一方?每一位利益相關(guān)者的責(zé)任界限如何[44]?

在醫(yī)療發(fā)展需求的推動下,人工智能技術(shù)無疑具有非常廣闊的前景。然而,面對這樣一個新技術(shù)我們應(yīng)當(dāng)要有一個全面和客觀的理解。針對人工智能技術(shù)存在的所有局限性,其中人工智能技術(shù)的安全問題是人工智能應(yīng)用于醫(yī)療行業(yè)中最重要的問題。不斷地改進(jìn)人工智能技術(shù)算法應(yīng)用,完善人工智能法律,明確人工智能診療過程中的責(zé)任方都是為了人工智能技術(shù)能更好地應(yīng)用于醫(yī)療領(lǐng)域,最終讓每位醫(yī)生和患者均受益。

4 小結(jié)

缺血性腦卒中已日益發(fā)展成為影響國民健康的嚴(yán)重的公共衛(wèi)生問題。導(dǎo)致缺血性腦卒中的致病因素有許多,如長期吸煙史、糖尿病、高血壓、高脂血癥、心臟疾病或肥胖等,其中頸動脈粥樣硬化易損斑塊是缺血性腦卒中發(fā)生最主要的危險(xiǎn)因素。頸動脈粥樣硬化易損斑塊具有發(fā)病率、致殘率、復(fù)發(fā)率和死亡率高的特點(diǎn),及時有效地檢出頸動脈粥樣硬化易損斑塊,對預(yù)防缺血性腦卒中的發(fā)生意義重大。將人工智能技術(shù)應(yīng)用在頸動脈超聲檢查中,可輔助超聲醫(yī)師快速、有效、準(zhǔn)確地對頸動脈粥樣硬化易損斑塊實(shí)施診斷,這對控制缺血性腦卒中的病情發(fā)展,改善缺血性腦卒中患者預(yù)后具有極其重要的意義。