• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      人工智能在顱內(nèi)動(dòng)脈瘤檢測(cè)及預(yù)測(cè)中的新進(jìn)展

      2022-12-05 09:48:25古展亮吳英寧通信作者
      關(guān)鍵詞:敏感度動(dòng)脈人工智能

      古展亮,吳英寧(通信作者)

      (1右江民族醫(yī)學(xué)院研究生院 廣西 百色 533000)

      (2右江民族醫(yī)學(xué)院附屬醫(yī)院放射科 廣西 百色 533000)

      顱內(nèi)動(dòng)脈瘤(intracranial aneurysms,IA)是一種以顱內(nèi)動(dòng)脈管壁異常擴(kuò)張為病理特征的腦血管病。在普通人群中,全球發(fā)病率超過3%,中國(guó)發(fā)病率約為7%[1]。隨著先進(jìn)醫(yī)學(xué)成像技術(shù)的廣泛應(yīng)用,未破裂的顱內(nèi)動(dòng)脈瘤(unruptured intracranial aneurysms,UIA)的偶然發(fā)現(xiàn)越來越多。UIA的診斷是一個(gè)臨床難題,IA的每年破裂風(fēng)險(xiǎn)為0.26%~1.90%,蛛網(wǎng)膜下腔出血(subarachnoid hemorrhage,SAH)會(huì)導(dǎo)致死亡和永久性殘疾[2]??紤]到在UIA的檢測(cè)和管理中面臨的挑戰(zhàn),AI技術(shù)已經(jīng)被開發(fā)來自動(dòng)解釋復(fù)雜的數(shù)據(jù),提取關(guān)聯(lián),最終增強(qiáng)對(duì)動(dòng)脈瘤的精確檢測(cè),同時(shí)提供關(guān)于其管理的最佳決策。本文對(duì)人工智能及其相關(guān)子領(lǐng)域在顱內(nèi)動(dòng)脈瘤檢測(cè)及預(yù)測(cè)新進(jìn)展進(jìn)行綜述。

      1 人工智能

      人工智能(artificial intelligence,AI)由英國(guó)數(shù)學(xué)家圖靈(Alan Mathison Turing)在1956年提出,其是一門多學(xué)科相互融合的交叉學(xué)科,包括計(jì)算機(jī)、控制論、信息論、數(shù)學(xué)及心理學(xué)等學(xué)科。目前成為應(yīng)用機(jī)器模擬、拓展人的思維及智能的新興科學(xué)技術(shù)[3]。AI因其能夠分析復(fù)雜數(shù)據(jù)、自動(dòng)關(guān)聯(lián)和預(yù)測(cè)的能力,優(yōu)于傳統(tǒng)的統(tǒng)計(jì)方法,在現(xiàn)實(shí)世界中顯示出巨大的應(yīng)用前景。在神經(jīng)系統(tǒng)領(lǐng)域,AI已被開發(fā)應(yīng)用于腦血管疾病的診斷和預(yù)測(cè)等方面[4]。

      1.1 機(jī)器學(xué)習(xí)

      機(jī)器學(xué)習(xí)(machine learning,ML)是一種人工智能算法,它訓(xùn)練計(jì)算機(jī)自動(dòng)檢測(cè)復(fù)雜的非線性關(guān)系,這些關(guān)系可能無法明確顯示或人眼無法察覺;然而這些關(guān)系可以應(yīng)用于不斷演變的臨床數(shù)據(jù),以產(chǎn)生高度準(zhǔn)確的預(yù)測(cè)[5]。從對(duì)訓(xùn)練數(shù)據(jù)的不同方法來看,ML可分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)擅長(zhǎng)處理分類和回歸問題,該算法被賦予特定的標(biāo)簽(即輸入和輸出)在數(shù)據(jù)集中的變量之間進(jìn)行預(yù)測(cè)。無監(jiān)督學(xué)習(xí)指的是沒有特定標(biāo)簽的訓(xùn)練,能夠發(fā)現(xiàn)看似無關(guān)聯(lián)的數(shù)據(jù)集中變量之間的相關(guān)性[6]。

      1.2 深度學(xué)習(xí)

      深度學(xué)習(xí)(deep learning,DL)是機(jī)器學(xué)習(xí)的一個(gè)子領(lǐng)域,它在已有經(jīng)驗(yàn)的基礎(chǔ)上自動(dòng)學(xué)習(xí)輸入數(shù)據(jù)的特征進(jìn)行鑒別[7]。DL算法使用的人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks,ANN)受到神經(jīng)生物學(xué)的啟發(fā)。ANN主要包括全連接神經(jīng)網(wǎng)絡(luò)(fully connected neural network,F(xiàn)CNN)和卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)兩種。在FCNN中,一層中的所有神經(jīng)元都與下一層中的所有神經(jīng)元相連,權(quán)值非常大。由于FCNN的權(quán)值較大,計(jì)算代價(jià)較高,因此采用CNN。CNN利用隱含層之間簡(jiǎn)單的局部非線性連接,創(chuàng)建每個(gè)深層的抽象表示,降低了模型的計(jì)算代價(jià)。CNN還可以跨層共享權(quán)重,提取獨(dú)立于其位置的圖像特征,并使用盡可能多的隱藏層進(jìn)行學(xué)習(xí)[8]。

      2 AI在顱內(nèi)動(dòng)脈瘤檢測(cè)及預(yù)測(cè)中的應(yīng)用

      2.1 基于MRA

      近年來,出現(xiàn)了一種結(jié)合了MRA的基于DL的CAD系統(tǒng)。Nakao等[9]應(yīng)用二維卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)MRA圖像中的UIA,敏感度為70.0%~94.2%。Sichtermann等[10]利用DeepMedic CNN分析三維時(shí)間飛躍法MRA(three dimension time of flight MRA,3D-TOFMRA)的數(shù)據(jù),對(duì)IA總體檢測(cè)敏感度為90%(對(duì)于3~7 mm的動(dòng)脈瘤為96%,對(duì)于>7 mm的動(dòng)脈瘤為100%)。Uede等[11]提出了基于MR圖像的RES-Net18神經(jīng)結(jié)構(gòu),該算法改進(jìn)了動(dòng)脈瘤檢測(cè),其內(nèi)部和外部測(cè)試數(shù)據(jù)集的敏感度分別為91%和93%。Joo等[12]利用3D-TOF-MRA數(shù)據(jù)集建立3D ResNet網(wǎng)絡(luò),該方法在內(nèi)部和外部數(shù)據(jù)集上的診斷敏感度分別為87.1%和85.7%。

      2.2 基于CTA

      Park等[13]使用HeadXNet模型實(shí)現(xiàn)了第一個(gè)基于DL應(yīng)用于CTA圖像的CAD系統(tǒng)。該模型的診斷敏感度為94.9%,但是該項(xiàng)研究中只關(guān)注了≥3 mm的UIA,因此限制了該系統(tǒng)的進(jìn)一步推廣和使用。隨后,Dai等[14]使用更快的CNN模型,在自動(dòng)檢測(cè)動(dòng)脈瘤方面的敏感度為91.8%,而對(duì)于>3 mm的動(dòng)脈瘤高達(dá)96.7%。Bo等[15]引入了基于全球本地化的人工智能網(wǎng)絡(luò),從1 338例病人的CTA圖像數(shù)據(jù)庫中診斷動(dòng)脈瘤。通過應(yīng)用內(nèi)部和外部數(shù)據(jù)集,獲得了總體90%的敏感度。

      2.3 基于DSA

      Jerman等[16]使用ResNet網(wǎng)絡(luò)對(duì)UIA中的DSA圖像進(jìn)行分類。值得注意的是,這種方法在每個(gè)病例2.4 FPS,即圖像每秒傳輸幀數(shù)為2.4時(shí)達(dá)到了100%的敏感度。Podgorsak等[17]采用CNN算法對(duì)250例動(dòng)脈瘤數(shù)據(jù)進(jìn)行AI訓(xùn)練,并采用100例動(dòng)脈瘤進(jìn)行驗(yàn)證,獲得了0.823的Jaccard指數(shù)和0.903的Dice相似系數(shù)。Zeng等[18]則采用空間信息融合技術(shù)與CNN算法相結(jié)合的AI技術(shù),對(duì)263例動(dòng)脈瘤數(shù)據(jù)進(jìn)行訓(xùn)練,獲得動(dòng)脈瘤檢出的敏感度和特異度分別為99.38%和98.19%。該算法是目前文獻(xiàn)所報(bào)道檢出動(dòng)脈瘤敏感度最高的研究。

      2.4 AI在預(yù)測(cè)動(dòng)脈瘤發(fā)生和破裂風(fēng)險(xiǎn)的應(yīng)用

      IA破裂與動(dòng)脈瘤形態(tài)、大小和血流動(dòng)力學(xué)之間的動(dòng)態(tài)相互作用有關(guān)。動(dòng)脈瘤的幾何特征決定了其血流動(dòng)力學(xué)特征,而血流動(dòng)力學(xué)特征又可能導(dǎo)致血管壁的改變和炎癥反應(yīng),從而導(dǎo)致動(dòng)脈瘤破裂。Stember等[19]提出了第一個(gè)基于CNN的MRA圖像算法來預(yù)測(cè)5個(gè)動(dòng)脈瘤的大小。這個(gè)基于U-Net的模型首先被訓(xùn)練來檢測(cè)動(dòng)脈瘤,敏感度為98.8%。然后將該算法應(yīng)用于基底動(dòng)脈末端動(dòng)脈瘤的數(shù)據(jù)集,以自動(dòng)化檢測(cè)動(dòng)脈瘤的大小和面積,與放射科醫(yī)生得出的結(jié)果相比,分別相差2.01 mm(30%)和8.21 mm2(27%)。Kim等[20]應(yīng)用AlexNet-v2模型在3D-DSA圖像上評(píng)估<7 mm動(dòng)脈瘤的破裂風(fēng)險(xiǎn),其特征曲線下面積為0.755(95%可信區(qū)間:60.93%~81.65%)。Bijak等[21]提出了一種基于PointNet++架構(gòu)的CTA和MRA圖像形狀特征的DL模型,用于預(yù)測(cè)動(dòng)脈瘤的生長(zhǎng)和破裂風(fēng)險(xiǎn)。通過計(jì)算5個(gè)形態(tài)特征(動(dòng)脈瘤大小、體積、表面積、非球形指數(shù)和長(zhǎng)徑比),得出了該模型的敏感度和準(zhǔn)確率分別為96%和82%,與淺層ML模型相比,表現(xiàn)出最穩(wěn)定的性能。

      2.5 AI在預(yù)測(cè)動(dòng)脈瘤治療后療效評(píng)估的應(yīng)用

      目前,IA的治療主要包括血管內(nèi)夾閉和血管介入治療[6]。Bhurwani等[22]提出了基于DSA圖像的深度神經(jīng)網(wǎng)絡(luò)和血管造影參數(shù)成像的應(yīng)用來預(yù)測(cè)管道栓塞器治療后IA閉塞的風(fēng)險(xiǎn)。將DL算法應(yīng)用于DSA圖像的三個(gè)亞組:非規(guī)格化、規(guī)格化(API參數(shù)的動(dòng)脈規(guī)格化)和相對(duì)(治療前后掃描中投影視圖的規(guī)格化),對(duì)治療后IA閉塞的預(yù)測(cè)準(zhǔn)確率分別為62.5%、70.8%和77.9%。Guédon等[23]將分類回歸決策樹算法應(yīng)用于ML,對(duì)146例(154個(gè)IA)置入密網(wǎng)支架的患者進(jìn)行了ML學(xué)習(xí),最終總結(jié)了預(yù)測(cè)密網(wǎng)支架閉塞動(dòng)脈瘤情況的DIANES評(píng)分,即動(dòng)脈瘤最大徑、栓塞后影像特征、載瘤動(dòng)脈上下游直徑比、瘤徑與載瘤動(dòng)脈比、有無側(cè)支血管及患者性別與動(dòng)脈瘤密網(wǎng)支架栓塞預(yù)后相關(guān)的因素,最終這組報(bào)告的敏感度為89%,準(zhǔn)確率為81%。Xia等[24]應(yīng)用隨機(jī)森林模型進(jìn)行訓(xùn)練,并進(jìn)行了122例的內(nèi)部驗(yàn)證及202例患者的外部驗(yàn)證,最終內(nèi)部和外部驗(yàn)證準(zhǔn)確度分別為78.3%和73.8%,證實(shí)了AI在預(yù)測(cè)顱內(nèi)動(dòng)脈瘤治療后療效評(píng)估中有較高的價(jià)值。

      3 AI在顱內(nèi)動(dòng)脈檢測(cè)和預(yù)測(cè)中的局限性

      目前用于動(dòng)脈瘤檢測(cè)和預(yù)測(cè)的AI模型是在單一人群中進(jìn)行的回顧性單中心研究?;仡櫺栽O(shè)計(jì)與選擇偏倚和差異性有關(guān),這限制了研究結(jié)果的可靠性。與此同時(shí),由于缺乏具有不同人口統(tǒng)計(jì)學(xué)、成像設(shè)備、外科醫(yī)生和治療方案的外部數(shù)據(jù)集,提出了這些模型是否能得到有力的驗(yàn)證、適應(yīng)和準(zhǔn)確處理未知數(shù)據(jù)的問題。此外,對(duì)于AI模型的監(jiān)管,就像醫(yī)療設(shè)備一樣,缺乏法律共識(shí),也沒有明確法律指南。

      4 未來與展望

      綜上所述,AI在顱內(nèi)動(dòng)脈瘤檢測(cè)和預(yù)測(cè)中作出了貢獻(xiàn),包括可以從危險(xiǎn)因素的分層中預(yù)測(cè)動(dòng)脈瘤的風(fēng)險(xiǎn),檢測(cè)動(dòng)脈瘤,并預(yù)測(cè)動(dòng)脈瘤破裂的風(fēng)險(xiǎn)及其治療結(jié)果。然而,目前AI在高風(fēng)險(xiǎn)臨床實(shí)踐中的應(yīng)用存在局限性。因此,未來需要進(jìn)行具有大量多中心驗(yàn)證過程的前瞻性試驗(yàn),以彌補(bǔ)當(dāng)前的不足,提高AI在顱內(nèi)動(dòng)脈瘤臨床應(yīng)用的可行性,以便能夠廣泛使用這些AI產(chǎn)品作為減輕醫(yī)務(wù)人員工作負(fù)擔(dān)、提高工作效率以及改善患者結(jié)果的補(bǔ)充工具。

      猜你喜歡
      敏感度動(dòng)脈人工智能
      胰十二指腸上動(dòng)脈前支假性動(dòng)脈瘤1例
      全體外預(yù)應(yīng)力節(jié)段梁動(dòng)力特性對(duì)于接縫的敏感度研究
      2019:人工智能
      商界(2019年12期)2019-01-03 06:59:05
      人工智能與就業(yè)
      電視臺(tái)記者新聞敏感度培養(yǎng)策略
      新聞傳播(2018年10期)2018-08-16 02:10:16
      數(shù)讀人工智能
      小康(2017年16期)2017-06-07 09:00:59
      在京韓國(guó)留學(xué)生跨文化敏感度實(shí)證研究
      下一幕,人工智能!
      單純吻合指動(dòng)脈在末節(jié)斷指再植術(shù)中的應(yīng)用
      介入栓塞治療腎上腺轉(zhuǎn)移癌供血?jiǎng)用}的初步探討
      五华县| 泰州市| 手游| 武川县| 永仁县| 科技| 大名县| 乌拉特前旗| 合水县| 察隅县| 道孚县| 婺源县| 昭觉县| 石景山区| 太谷县| 涿州市| 布拖县| 万宁市| 长沙县| 志丹县| 崇明县| 武强县| 东方市| 阿尔山市| 沿河| 南开区| 安仁县| 崇义县| 扶绥县| 南木林县| 汝城县| 资中县| 包头市| 临沭县| 康马县| 包头市| 谢通门县| 通山县| 栾城县| 松潘县| 天津市|