人工智能在中枢神经疾病影像学中的应用

耿道颖

人工智能（artificial intelligence，AI）是一门研究计算机模拟人类思维过程与智能化行为的学科。近年来，AI被应用到临床影像工作流程中，能够进行可重复和准确的影像学评估，已广泛应用于病灶检测、病灶分割、肿瘤分型和疗效预测等方面[1]。针对临床工作中获得的大量影像，可以利用AI技术来挖掘病灶的影像特征，这在辅助临床决策的同时，也为医学研究提供了丰富的资源。

有文献[2]报道，我国医学影像数据每年增长超过30%，但放射科医师人数每年增长仅为4%，两者的增长速度不匹配使得放射科医师压力加重，高强度的工作容易造成误诊、漏诊。随着AI技术的发展和影像数据的积累，利用AI算法挖掘影像数据中的影像特征，构建并训练辅助诊断模型，将有利于提高疾病的诊断效率及准确性[3]。

中枢神经系统疾病严重危害人类健康，特别是中国“脑计划”的提出，反映了全社会对中枢神经系统疾病的早诊、早治的迫切需求，其中医学影像对中枢神经系统疾病的诊治尤为重要。本文通过介绍AI对中枢神经系统常见疾病的诊断作用来评述AI在医学影像诊疗中的研究进展。

1 脑血管疾病

脑血管疾病是由脑血管病变和血液循环障碍引起的一组脑功能障碍，该病分为缺血性和出血性。由于脑血管病起病多较急骤，发病率、致残率和死亡率都很高，因此及时诊断有决定性的意义[4]。利用AI技术构建的模型，不仅可以检测、分割脑卒中的出血灶或梗死灶，还可以评估卒中的病情分级和预测转归，对脑卒中病人的诊疗发挥巨大作用，从而降低脑卒中发病率和死亡率[5-6]。近年，Ye等[7]采用三维卷积神经网络（convolutional neural networks，CNN）联合递归神经网络的深度学习框架，通过对836例脑出血和1 000例正常对照的CT平扫影像，对脑实质出血、破入脑室出血、硬膜下出血、硬膜外出血和蛛网膜下腔出血进行检测，经验证，该算法诊断5种脑出血亚型的受试者操作特征曲线下面积（AUC）>0.80，证实该算法的性能总体上优于尚未完成规培的初级医师的诊断水平；Chen等[8]采用扩散加权成像（DWI）数据开发出一个基于深度学习的CNN框架，能够对DWI上急性缺血性卒中病灶进行分割，并且该算法在大型临床数据集上得到了验证。该研究结果表明，对于缺血性卒中病灶，基于深度学习的AI算法具有比较高的检出率；Zhao等[9]采用基于no-new-Net框架的深度学习方法，对自发性出血性脑卒中、脑室积血及血肿周围的水肿进行自动分割和体积测量，结果表明AI模型不仅有助于精准定量评估出血性脑卒中，而且有助于预测其进展。

2 退行性疾病

对于中枢神经系统退行性疾病，目前AI主要应用于阿尔茨海默病（Alzheimer’s disease，AD）和帕金森病（Parkinson’s disease，PD）的影像诊断。

2.1 AD AD是一种出现于老年人群的进行性发展的中枢神经系统退行性疾病，目前全球范围内约有5 000万例病人[10]，并且随着人口老龄化加剧，病患数量将继续增加。传统的AD诊断过于依赖病人临床表现和医生的主观判断，近年来，通过AI技术与临床工作的结合，可提高AD的诊断效率。Jo等[11]开发了一个深度学习框架，结合3D CNN和LRP（l ayer-wise relevance propagatio n）算法，采用正电子发射计算机体层成像（PET）识别AD分类特征，结果表明基于3D CNN的分类模型在5折交叉验证后平均准确度达到90.8%；Feng等[12]研究发现，3DCNN-支持向量机（support vetor machines，SVM）在AD诊断分类方面具有很优越的性能，且无需预先手动进行任何特征提取，明显提高了AD的临床诊断效率和准确性。

2.2 PD PD是一种以运动迟缓、肌肉僵硬、静止性震颤、姿势和步态损伤等为临床特征的中枢神经系统的退行性疾病[13]。目前全球范围内大约有6 100万PD病人，且数量还在不断增加[14]，因此早期诊断PD并进行干预将有利于减缓病情进展并改善病人总体生活质量。Papadopoulos等[15]通过构建深度学习框架，分析预测验证数据集内的22例病人的震颤、精细运动损伤和PD情况，结果表明基于深度学习的AI技术可以作为PD早期筛查工具。Mohammed等[16]开发了一个基于CNN的网络模型，采用2 723例单光子发射计算机体层成像（SPECT）影像来鉴别PD病人和健康对照者，并进行10折交叉验证来评估模型的性能，其准确度高达99.34%。由此推断，基于CNN的深度学习方法有望改变PD的诊断和管理模式。

3 中枢神经系统肿瘤

中枢神经系统肿瘤是死亡率、致残率极高的疾病，特别是在儿童和青年中，分别占大约30%和20%的癌症死亡率[17]。在各类脑肿瘤中，脑膜瘤是成人最常见的脑瘤，胶质瘤排在第二位，占成人脑肿瘤的24%[17]。目前AI在脑肿瘤影像诊断方面的应用也主要集中于这两类肿瘤。

Zhang等[18]设计出一种深度学习算法并评估其在脑膜瘤病变检测和分级中的性能，结果表明，该算法在脑膜瘤自动检测、分割和分级方面准确可靠。Laukamp等[19]采用基于常规MRI数据建立脑膜瘤深度学习模型，并将其自动分割肿瘤的性能与手动分割进行对比，结果表明，基于深度学习的自动分割具有较高的分割精度，可与人工分割相媲美。笔者课题组的研究表明，使用放射组学技术，对脑膜瘤的诊断可达到经验丰富的放射医生水平[20]；而对临床难以分辨的血管瘤型脑膜瘤与血管外皮瘤鉴别诊断的准确度达到87.5%[21]。

Zhuge等[22]建立了R-CNN和3DconvNet 2种深度学习CNN模型，研究结果表明，采用常规MRI影像鉴别低级别胶质瘤（low grade glioma，LG G）和高级别胶质瘤（h igh grade glioma，HG G）的准确度分别为0.963和0.971，可为临床术前评估的决策提供辅助信息。由于HGG具有浸润性，区分血管源性水肿和无对比增强的HGG非常困难。Sengupta等[23]采用HGG病人术前和术后的T1WI、T2WI、液体衰减反转恢复序列（FLAIR）及动态增强MRI影像，利用T1灌注MRI参数进行SVM分类，结果表明该分类在区分非对比增强型HGG和血管源性水肿时的错误分类误差达8.4%，而使用邻域平均法可降低此分类误差至2.4%。笔者课题组在使用CNN方法对淋巴瘤和胶质母细胞瘤鉴别时，精确度可达到0.899[24]。

4 AI在脑肿瘤治疗中的应用

4.1 预后预测 在脑肿瘤治疗领域，AI主要应用于肿瘤分子生物学表达、病灶分割、靶区勾画、病人生存和疾病进展预测等方面。弥漫性胶质瘤是一种恶性脑肿瘤，根据2021年中枢神经系统肿瘤WHO分类[25]，胶质瘤中的IDH野生型、IDH突变型、IDH突变伴1p/19q联合缺失状态，决定治疗方式与预后。Lu等[26]根据214例胶质瘤病人的数据，建立一个基于多模态MRI影像组学的机器学习模型来分类胶质瘤，并在一个独立数据集上验证该模型，结果表明，影像组学和机器学习方法可无创分类胶质瘤的IDH和1p/19q状态；Kickingereder等[27]从181例胶质母细胞瘤病人的多参数MRI影像中提取1 043个影像特征以构建预测无进展期（progressionfree survival,PFS）和总生存期（overall survival,OS）的模型，当加入影像组学特征时，PFS的预测误差减少了36%，OS的预测误差减少了37%。该研究结果表明，影像组学特征增加了对PFS和OS的预测准确性，说明影像组学在胶质母细胞瘤分层方面具有很大潜力。将影像组学整合到关键分子和临床特征的多层决策框架中，可以改善疾病分层并有望推进对胶质母细胞瘤病人的个性化治疗。笔者研究团队采用机器学习方法，通过建立影像组学预测脑转移瘤伽马刀治疗后PFS的模型，并结合治疗前MRI纹理特征和临床特征构建列线图，有望预测经伽马刀治疗的乳腺癌脑转移瘤病人的预后[28]。

4.2 疗效判定 预测脑肿瘤的治疗疗效对指导选择正确的治疗方式具有重要意义。Grossmann等[29]在一个由126例病人组成的队列中，确定了一组MRI放射学表型作为基线特征，并用于第二个队列的评估；利用基线和治疗开始后6周的首次随访成像，评估这些特征对OS、PFS以及3、6和9个月进展的预后价值，得出基于MRI的新型定量影像组学为接受贝伐珠单抗治疗的复发性胶质母细胞瘤病人的生存和病情进展提供了预后价值的结论。Kickingereder等[30]从172例贝伐珠单抗治疗前复发的胶质母细胞瘤病人的影像中，自动提取并定量分析了4 842个MRI影像特征，构建了一个预测模型，并用PFS和OS对抗血管生成治疗的结果进行分层，结果表明基于影像组学的机器学习算法可作为一种特定的影像学生物标志物，用于识别从抗血管生成治疗中获益最大的病人。

在放疗靶区勾画及放疗计划制定方面，AI可以明显减少医生的工作负担，提高放疗的精准度。目前，AI在脑肿瘤放疗领域的研究主要集中于放射靶区的勾画、危及器官的勾画、肿瘤假进展与复发的鉴别等方面，但在面向不同肿瘤区域的个性化精准靶区放射剂量计算，以及肿瘤放疗后的假进展与复发一直是临床诊断的难点。国外研究者使用AI方法勾画放疗靶区与基于MR波谱成像的代谢靶区匹配度较高，因此AI在放疗靶区勾画方面具有广泛应用前景[31]。Jang等[32]使用机器学习的方法，诊断胶质母细胞瘤放化疗后的假进展的AUC达到0.83。

5 挑战和展望

AI技术发展迅速，给医疗实践带来巨大变化，但是现阶段尚存在一些问题影响其在临床的广泛应用。①临床上产生大量影像数据，但不同医疗单位的、不同型号设备的数据采集的参数不同，数据均一性差，造成大量数据的浪费，今后需要多单位合作及影像医学联盟来解决这个问题。②影像自动分割模型和疾病风险评估模型的准确性与用于训练模型的数据质量密切相关。低质量的影像数据和不恰当的数据标注会导致不正确分类和预测结果。因此，必须加强质量控制，严格把握图像标注的质量，提高模型的泛化性。③AI的决策高效，但可解释性不足，而且对特定结果背后的原因进行审查的能力和对失败的预测能力都有待提升，这需要AI和放射科医生更深入结合。④AI的发展离不开大数据集，但罕见病的数据是很难获得的，面向多分类疾病诊断问题，往往是数据不平衡及数据长尾分布问题，因此需要通过小样本摸索学习及不平衡数据策略优化来解决多分类疾病诊断的数据不平衡问题。

AI将会在预防、诊断、治疗、预后方面全流程服务于临床。医疗单位需要共同携手优化机器学习算法和提高医疗数据的标准化程度，构建可靠的疾病诊断模型，以帮助医生筛查出高风险病人，从而制定个体化治疗方案，降低发病率，缓解疾病负担。

6 小结

AI在中枢神经影像领域优势突出，提高了疾病的筛查准确率，显著提升了临床工作效率，能够更好的协助医生诊断疾病、判断预后。但是，值得注意的是，AI在医学影像中的应用仍面临着众多挑战，需要进一步结合临床需求、环境变化来加强其功能和提高其效率，切实在医学影像方面发挥更强大力量，更好地为造福人类健康服务。

（志谢感谢尹波博士、于泽宽博士后等团队成员协助）