人工智能在缺血性脑卒中影像中的应用进展

鲁君，张归玲，朱文珍*

1.华中科技大学同济医学院附属同济医院放射科，湖北 武汉 430030；2.石河子大学医学院第一附属医院CT/MRI室，新疆石河子 832000；*通信作者 朱文珍 zhuwenzhen8612@163.com

全球疾病负担研究显示，我国总体卒中终生发病风险居全球首位，卒中是我国成人致死、致残的首位病因[1]。截至2018年，我国年龄＞40岁的居民卒中现患数约1 318万，每年因卒中死亡的人数约190余万，其中缺血性脑卒中发病率逐年升高[2]。卒中是一种可防控的疾病，早期筛查和及时干预可以预防疾病的发生和改善预后。然而，随着可供选择的治疗方案越来越多，疾病特征和治疗反应之间的新关系不断被发现，卒中的识别和治疗越来越复杂。影像学是脑卒中检测、特征描述和预测预后的重要工具，传统的影像学分析方法以体积测量和参数值分析为主，图像中还有大量信息未被挖掘。

人工智能近年广泛应用于医学图像领域，可以缩短图像评估时间、缩小评价者之间的差异，有助于提取影像中的重要信息，从而提高对卒中的识别、治疗反应和结果预测[3]。目前，人工智能在脑卒中影像中的应用主要包括疾病诊断、关键成像特征检测和预测预后等[4-5]。本文对人工智能在缺血性脑卒中影像中的应用进行综述，探讨人工智能在缺血性脑卒中辅助诊断和治疗决策支持中的优势与不足。

1 人工智能的概念及原理

人工智能是计算机科学的子领域，旨在模拟人类的认知过程，通过学习、解决问题和采取行动使成功的机会最大化[6]。早期的人工智能强调通过理解和解释数据而实现智能[3]。然而，人工智能是一个概括性的术语，包含了许多复杂程度不同的技术，以解决不同的问题。

机器学习（machine learning，ML）是人工智能的子领域[7]。ML的目标是自动识别现有数据集中复杂且高维的模式，对新的、看不见的数据集进行预测或分类[8]。与早期的人工智能不同，ML不一定涉及对输入数据的语义理解，通常会使问题和建议的解决方案之间出现“黑盒”，而解释解决方案过程的能力有限[9]。ML可以进一步细分为有监督和无监督的ML以及强化学习。尽管这3种类型的ML均可以用于特定的医疗环境中，但有监督的ML是该领域中最相关的类型，特别是在精准医学方面。有监督的ML用标记的数据作为“基本事实”进行训练，以识别特征数据中的相应模式[10-13]。

深度学习是ML的子领域，它将具有复杂结构的ML算法与自动输入直接从数据中导出的特征相结合[14]。为确保所建的模型具有代表性，ML更依赖于人工选择的特征，而深度学习更适合输入相对原始、几乎没有先验专家知识的数据。卷积神经网络是深度学习的一个分支，是一种灵活的、数据驱动的方法，能够自动提取非线性特征，是目前神经影像研究的热点。

2 人工智能在缺血性脑卒中诊断中的应用

2.1 人工智能对非对比增强CT（noncontrast computed tomography，NCCT）上缺血性脑卒中病变的检测 NCCT是评估急性缺血性脑卒中（acute ischemic stroke，AIS）最广泛使用的成像方式。在缺血性脑卒中的超急性期，仅凭人眼很难在NCCT图像中区分病变与健康组织。Qiu等[15]开发了一种应用ML在NCCT中自动检测分割AIS病变的方法，该方法训练出的模型检测到的病变体积与放射科医师在扩散加权成像上手动勾画的病变体积的平均差值为11 ml（P=0.89），具有很好的一致性（P=0.11）。Wu等[16]提出了一种基于两阶段的卷积神经网络识别NCCT中不可见的缺血性脑卒中，该研究对来自2家医院的患者进行3个独立的试验（即数据来自1家医院、2家医院的组合以及分别来自2家医院），该模型在3个试验中对脑卒中的识别准确率分别为91.9%、87.2%和85.7%，精确定位准确率分别为82.4%、83.0%和81.4%，表明该模型具有鲁棒性。由此可见，人工智能可以检测出NCCT图像上病变与健康组织之间深层的、人眼不可见的特征差异，并描绘和量化病灶，从而帮助医师做出临床决策。

2.2 人工智能对缺血性脑卒中自动进行阿尔伯塔中风项目早期CT评分（Alberta stroke program early CT score，ASPECTS） ASPECTS是评估大脑中动脉区缺血性脑卒中的常用方法，它将大脑中动脉区细分为10个亚区，以视觉识别病变所在亚区进行计分，将缺血性脑卒中的检测和报告系统化。为了实现这种视觉评分的自动化，Kuang等[17]提出一种从ASPECTS的每个亚区提取纹理特征训练随机森林分类器的方法，对100例患者进行测试，显示了人工智能自动ASPECTS评分的能力。尽管有研究使用ML软件（如e-ASPECTS）进行ASPECTS自动评分的结果不逊于人类专家，但在已有病理改变的卒中患者（包括脑白质病变、陈旧性梗死和非典型脑实质缺损）中，与人工评估（准确率为77.0%～80.0%）相比，e-ASPECTS的性能较低（准确率为67.0%）[18-19]，表明ASPECTS自动评分软件可以协助神经放射科医师做临床决策，但是最后需要对其可靠性进行人工检查，特别是在大脑已有病理改变的患者中。

2.3 人工智能对多模态MRI中缺血性脑卒中病灶的自动分割 MRI能获取更多与缺血性脑卒中相关的影像信息，对疾病的诊断更有价值。Liu等[20]通过深层卷积神经网络在多模态MRI上自动分割AIS病变，该模型的平均Dice系数和Hausdorff距离分别为0.742和2.33 mm，在单模态和多模态MRI中均表现出良好的性能。Zhao等[21]提出一种多特征图像融合网络，混合使用多个弱标记和几个全标记被试以缓解模型对全标记被试的依赖，该模型的平均Dice系数为0.699，其中以病变层面为单位的F1评分为0.886，受试者检测率为100%。因此，人工智能可以对单模态、多模态MRI上缺血性脑卒中的病变进行自动分割，并可以不断改善对标记的依赖。

2.4 人工智能对缺血性脑卒中发病时间（time since stroke onset，TSS）的预测 对于TSS不明的患者，若能仅通过影像信息客观确定TSS对卒中评估和治疗选择有重要意义。Ho等[22]通过对181例患者扩散加权成像与T2液体衰减反转序列不匹配模式构建的ML模型结合灌注加权成像参数图构建的深度学习模型评估TSS。该研究比较了5种ML方法（Logistic回归、随机森林、梯度增强回归树、支持向量机、逐步多元线性回归）评估TSS的效能，结果显示Logistic回归结合深度学习模型评估效能最高，受试者工作特征曲线下面积为0.765，敏感度为78.8%，阴性预测值为60.9%，优于扩散加权成像与T2液体衰减反转序列不匹配模式。人工智能对TSS的评估为后续是否进行溶栓治疗提供了客观依据。

3 人工智能对缺血性脑卒中关键成像特征的检测

3.1 人工智能对大血管闭塞（large vessel occlusion，LVO）的识别 LVO引起的AIS需要采取血管内血栓切除术进行紧急治疗，应用人工智能及时、准确识别LVO对于优化血管内治疗至关重要[23]。Öman等[24]使用三维卷积神经网络从CT血管成像（CTA）源图中检测LVO引起的缺血性卒中，以手动分割的病变作为“金标准”，该模型对缺血性病变的识别与“金标准”具有高度一致性，敏感度为93.0%，特异度为82.0%。基于体素的曲线下面积为0.93，最高相似Dice系数为0.61。Chatterjee等[25]利用卷积神经网络开发了一种新算法，以识别颈内动脉和（或）大脑中动脉M1段的前循环LVO。该研究对650例AIS的CTA进行分析，敏感度为82.0%，特异度为94.0%，阳性预测值为77.0%，阴性预测值为95.0%，平均处理时间为5 min。人工智能在快速、准确识别LVO中具有一定的优势。

3.2 人工智能对缺血性脑卒中出血转化（hemorrhagic transformation，HT）的预测 HT是AIS再灌注治疗中最严重的并发症，术前预测其发生出血性转化的风险可以指导临床治疗决策[26]。Yu等[27]通过不同类别的ML模型自动学习AIS再灌注治疗前的灌注加权成像和扩散加权成像影像以及动脉输入函数的HT相关特征，比较其预测HT的效能。研究显示谱回归核判别分析的预测效能最好，略高于支持向量机，谱回归判别分析、决策树、神经网络和线性回归模型的预测效能与谱回归核判别分析相比有显著差异。该研究表明，使用ML模型可以预测AIS再灌注治疗后HT的发生，从而筛选适合再灌注疗法的患者。

3.3 人工智能对缺血半暗带及梗死核心的检测 缺血半暗带及梗死核心区的准确评估对缺血性脑卒中的治疗决策和预后具有重要意义。Kuo等[28]对14只永久性大脑中动脉闭塞雄鼠进行7T MRI成像，根据平均弥散率和相对脑血流量参数图构建的ML模型将病灶侧大脑半球分为3部分：缺血半暗带、梗死核心和正常组织。2-level分类法识别3种组织亚型的准确率为（88.1±6.7）%，与灌注加权成像和扩散加权成像不匹配方法的结果相似。Yu等[29]纳入AIS患者发病后24 h内的扩散加权成像、灌注加权成像及其参数图训练ML模型，以发病后3～7 d内T2液体衰减反转序列上放射科医师手动勾画的病变大小和位置作为“金标准”，建立的模型可以从基线MRI预测最终的梗死核心大小和位置，为AIS患者在干预前提供个性化的梗死灶预测。而Sheth等[30]通过AIS患者的CTA数据构建ML模型，该模型可以快速有效地检测LVO，并可以从CTA图像中确定梗死核心体积，两者相关系数为0.7。在人工智能的辅助下，CTA能够提供类似计算机体层灌注（CTP）的信息，并迅速且自动化的分析，对溶栓或确定取栓治疗方案有指导意义。

4 人工智能对缺血性脑卒中预后的预测

4.1 人工智能对缺血性脑卒中治疗相关并发症及疗效的预测 对缺血性脑卒中治疗相关并发症及疗效的预测有助于筛选接受急性期治疗（如溶栓治疗）的高危人群。Pfaff等[31]纳入220例接受机械取栓和术前基线CT检查的AIS患者，进行e-ASPECTS与3位放射科医师评分，结果显示四者之间的一致性很高，其中e-ASPECTS与术后3个月改良Rankin评分呈显著负相关，而与其一致性最高的专家评分也具有相同的结果。此外，在多变量分析中，e-ASPECTS软件评分也是AIS机械取栓术后不良结局（改良Rankin评分4～6）的独立预测因子（比值比为0.79，95%置信区间0.63～0.99，P=0.049）。该研究表明人工智能软件e-ASPECTS可以预测急性缺血性卒中患者机械取栓术后的不良结局，有助于制订治疗决策。

4.2 人工智能对缺血性脑卒中神经功能长期结局的预测 对神经功能长期结局的预测可以指导缺血性脑卒中的治疗。Tang等[32]纳入155例发病后9 h内接受扩散加权成像与灌注加权成像检查的AIS患者，随后静脉注射阿替普酶或常规药物治疗。采用LASSO逻辑回归模型选择对临床结果最具预测性的特征，建立了3个ML预测模型：临床模型、不匹配模型和联合模型，三者预测短期结局的曲线下面积分别为0.743、0.854、0.863，预测长期结局的曲线下面积分别为0.697、0.773、0.778。临床模型与不匹配模型对于短期结局与长期结局的预测效能均有显著差异；联合模型仅在预测短期结局时有显著差异；不匹配模型与联合模型之间无显著差异。该研究通过ML方法将缺血半暗带、梗死核心的局部影像参数与临床因素、治疗方式相结合所建立的联合模型可以预测患者的临床结局，从而指导临床医师为不同患者制订治疗方案。Tang等[33]在既往研究的基础上引入基于半暗带的影像组学特征预测AIS的临床结局，与既往研究采用的局部影像参数相比，影像组学特征对短期临床结局的预测有更大的贡献。

5 人工智能应用于缺血性脑卒中影像中的局限性与展望

人工智能的应用具有一些局限性，如大部分模型的建立需要大量分类良好和准确的数据集；各医院在图像采集和数据存储方面存在差异，使得数据共享存在困难；当模型错误地学习了训练集中的“噪声”而不是“信号”时，会出现过拟合的问题；“黑盒”的出现使结果的解释具有挑战性，特别是深度学习算法。针对这些局限性，目前也有一些相应的解决方法，如成像方法的标准化和开源数据收集可以解决数据集的问题；更多的训练数据、正则化和批量归一化可以缓解过拟合。

在缺血性脑卒中影像评估中，人工智能非常适合减少评价者之间的分歧，提高评估的标准化，实现对有意义的成像数据的快速评估，通过识别关键的治疗相关变量并综合这些变量预测治疗反应、支持临床决策。未来，还有相当大的空间可以实施更先进的成像分析，为临床医师提供直接或间接征象，合并、排序优先级和总结一个人的大量临床和成像特征，并将这些特征与经过稳健评估和优化的拟合模型进行比较，以帮助常规临床决策、实现精准医疗。