陳曉宇 王希明

急性缺血性卒中是一種由動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。如何客觀準確地評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、腦側支循環(huán)的狀態(tài)等，對于臨床診治十分重要。在缺血性腦卒中的診斷過程中會產生大量影像數據，但受醫(yī)師經驗水平和時間所限，往往難以對這些影像數據分析透徹，從而造成誤診、漏診[1]。將人工智能（artificial intelligence,AI）技術與CT 和MRI 等影像技術相結合來構建并訓練輔助診斷模型，有利于提高疾病診斷的準確性，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，其對梗死灶檢測、Alberta 卒中項目早期CT 評分（Alberta stroke program early CT score, ASPECTS）分級、大血管閉塞檢測、圖像分割和病人預后的預測等有重要輔助作用；同時，它還具有自我糾正的能力，可根據反饋不斷提高準確性。本文對常用于急性缺血性卒中成像中的AI 技術予以概述，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 中的應用。

1 AI 概述

AI 作為計算機科學的一個分支，能夠模擬、延伸和擴展人類的思維過程和智能行為[2]。AI 包括計算機視覺、自然語言處理、機器學習（machine learning,ML）等技術。其中，ML 最常用于醫(yī)學成像，其依賴于不同算法對復雜多樣的數據進行深層分析。傳統(tǒng)的ML 算法包括支持向量機（support vector machine,SVM）、線性回歸、邏輯回歸、決策樹、隨機森林、貝葉斯學習等，目前在科學研究領域被廣泛應用[3]。在ML 的應用過程中，這些傳統(tǒng)算法對簡單任務比較有效，但是對于一些復雜的臨床問題其效能較差。深度學習（deep learning,DL）是ML 的一個新的分支，相對于傳統(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 架構大致模仿人類大腦的功能，即人工神經網絡，通常被稱為卷積神經網絡（convolutional neural network, CNN）[3]。CNN 不僅可以輸入定量數據，還可以輸入像素或體素信息，解決影像的分類和回歸問題。因此，DL 通過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)現數據的特征性分布，實現對數據的分組，最終達到診斷的目的。

2 AI 在缺血性卒中CT 平掃中的應用

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包括CT 平掃顯示高密度血管征（hyperdense vessel sign,HDVS），即患側大腦中動脈密度高于正常側，提示大腦中動脈閉塞[5]。Takahashi 等[6]采用一種基于 SVM 算法的模型對CT 平掃上的HDVS 進行檢測，該模型敏感度達 97.5%。Shinohara 等[7-8]對 46 例存在 HDVS 和 52例不存在HDVS 的病例進行研究，將ML 模型與神經放射醫(yī)師對HDVS 的診斷效能進行了比較，結果顯示ML 模型的準確度為81.6%，受試者操作特征曲線下面積（area under curve, AUC）為 0.869，而神經放射醫(yī)師的初始準確度為78.8%，AUC 為0.882；但參考ML 模型的結果后，神經放射醫(yī)師第2 次測試的準確度提升至84.7%，AUC 達0.932。由此可見，AI 有望輔助醫(yī)師提高對HDVS 的診斷效能。

ASPECTS 為評價早期前循環(huán)缺血性改變的評分量表，該評分將大腦中動脈供血區(qū)域劃為10 個，密度減低的范圍每涉及1 個區(qū)域則減去1 分。Kuang 等[9]以 MR 擴散加權成像（diffusion weighted imaging,DWI）作為金標準，使用ML 構建模型用來評估ASPECTS 的分級，結果顯示該模型的特異度為91.8%，敏感度為66.2%。Nagel 等[10]開發(fā)了一個能夠實現自動ASPECTS 分級的商業(yè)軟件（e-ASPECTS），該軟件對急性缺血性卒中病人CT 平掃上低密度灶的識別與神經影像醫(yī)師的一致性較高，且準確性相似；但當急性缺血性卒中病人存在其他腦實質病變（如腦白質脫髓鞘改變、陳舊性腦梗死等）時，e-ASPECTS 的準確性不如神經放射醫(yī)師。另一項關于自動化ASPECTS 評分商業(yè)軟件（Rapid ASPECTS）的研究[11]發(fā)現，以 DWI 上的 ASPECTS 為金標準，結果顯示自動化軟件基于CT 平掃的ASPECTS 分級與金標準之間的一致性（κ=0.9）高于神經放射醫(yī)師（κ=0.56～0.57），在急性缺血性卒中發(fā)病1 h 時，自動化軟件的ASPECTS 分級與金標準之間的一致性較好（κ=0.78），而在發(fā)病4 h 時，兩者之間的一致性更優(yōu)（κ=0.92）。

對于急性缺血性卒中病人，明確梗死的體積有助于指導臨床治療及預測病人預后。AI 已逐漸實現在CT 平掃影像上對梗死體積進行分割和測量，如CNN 技術已應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 技術分割獲得梗死體積，與作為金標準的DWI 獲得的梗死體積之間具有極好的一致性，組內相關系數（intraclass correlation coefficient, ICC）達到 0.88（最佳 ICC 為 1）。

3 AI 在缺血性卒中CTA/CTP 中的應用

CTA 能清晰顯示頸內動脈，椎動脈，基底動脈，大腦前、中、后動脈，可用以判別急性缺血性腦卒中的責任血管并評估其側支循環(huán)[4]。將AI 技術用于CTA 影像，使得自動化探測缺血性腦卒中病人大血管閉塞、測量梗死核心及評估側支循環(huán)成為可能。Rodrigues 等[14]采用 AI 商業(yè)軟件（Via.ai）對 610 例卒中病人進行探測分析，結果顯示，該軟件對雙側頸內動脈或大腦前、中動脈閉塞的診斷敏感度、特異度和準確度分別為87.6%、88.5%和87.9%。Sheth等[15]利用大腦的對稱性研發(fā)了RAPID 軟件用于識別CTA 上的雙側頸內動脈或大腦前、中動脈的閉塞并測量核心梗死體積，RAPID 軟件對179 例病人的核心梗死體積進行了評估，并以CTP 上的核心梗死體積為金標準，結果顯示該軟件的準確性與CTP 相近且AUC 為0.88。You 等[16]將CT 平掃和臨床基本信息結合，構建了一種基于ML 方法（包括邏輯回歸、隨機森林、SVM 等）的診斷模型，隨后在300 例雙側頸內動脈或大腦前、中動脈閉塞病人中進行驗證，得到了較高的診斷效能（AUC 為0.847）。?man等[17]在CTA 上運用三維CNN 技術，以檢測和分割核心梗死區(qū)，獲得的AUC 值為0.93，Dice 系數為0.61。此外，在缺血性腦卒中側支循環(huán)自動化評估方面，Grunwald 等[18]采用商業(yè)軟件 e-CTA 評估 98 例機械取栓病人的側支循環(huán)TAN 評分，結果顯示e-CTA 使得神經放射醫(yī)師的ICC 從0.58 提升至0.77，且該軟件對側支循環(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]。在一項基于缺血性卒中發(fā)病6 h 內CTP 影像的回顧性研究中，以DWI 上的核心梗死體積為金標準，結果表明CNN中延遲和色散校正的準確性高于標準化流程[19]。Kasasbeh 等[20]基于CTP 和臨床資料使用CNN 構建模型以預測急性缺血性卒中病人的核心梗死體積，同樣使用DWI 作為金標準，結果顯示單純CTP 組的 AUC 為 0.85，CTP 結合臨床資料的 AUC 為 0.87，最大Dice 系數為0.48。這些研究表明，AI 與CTP 相結合可以實現準確評估核心梗死體積。

4 AI 在缺血性卒中MRI 中的應用

對于急性缺血性卒中，MRI 影像上核心梗死區(qū)的AI 自動分割和測定常采用DWI 影像或表觀擴散系數（ADC）圖，DWI 上的核心梗死體積亦常被作為金標準。Kim 等[21]用一種編碼解碼 CNN 的U-net 模型在DWI 和ADC 圖上進行圖像分割，發(fā)現U-net模型的分割結果與專家的手動分割結果之間具有高度一致性，ICC 高達 1.0。Wu 等[22]利用 3D CNN 對多中心的DWI 數據上急性缺血性病灶進行分割，并將結果與人工測量的病灶體積比較，發(fā)現兩者之間相關性極好（相關系數為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]在右側大腦中動脈閉塞后自發(fā)或誘導再灌注和無再灌注的嚙齒動物模型中比較了5 種DL 算法，其中廣義線性模型在檢測PWI 缺血半暗帶中的表現最好，Dice 系數為 0.79。Huang 等[24]基于 SVM 在 PWI 的腦血流量圖和ADC 圖上對缺血半暗帶進行分割，以檢測大腦中動脈閉塞，該模型在動脈閉塞后30 min、60 min診斷的AUC 分別為88%和94%。此外，利用多模態(tài)MRI 或液體衰減反轉恢復（fluid-attenuated inversion recovery,FLAIR）序列對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。結合隨機森林算法的多模態(tài)MRI 模型在對梗死灶的灌注估量和分割的準確性較高，平均Dice 系數分別為0.82 和0.59[25]。在使用FLAIR 序列進行梗死灶分割的研究[26-28]中，隨機森林模型的準確性也較高，Dice 系數范圍為 0.54～0.6。

急性缺血性腦卒中的發(fā)病時間對于治療方式的選擇至關重要，但某些時候無法準確得知病人的發(fā)病時間。Lee 等[29]納入部分發(fā)病時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)病時間是否處于4.5 h 內，以期判斷是否適用靜脈溶栓治療，結果表明人工判斷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，如隨機森林的敏感度為72.7%，Logistic回歸和SVM 敏感度均達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)病時間，有助于臨床決策的實施。

梗死后出血轉化作為缺血性腦卒中治療后的一種嚴重并發(fā)癥與不良預后相關。Yu 等[30]以24 h的隨訪MRI 作為金標準，使用包括SVM、線性回歸、決策樹等的ML 模型在DWI 和PWI 影像上預測潛在出血轉化的部位，ML 模型的準確度高達84%。Bouts 等[31]在梗死后再灌注誘導的出血轉化動物模型中，發(fā)現基于多參數MRI 的隨機森林模型可以有效預測出血，AUC 為 0.85～0.89。

缺血性腦卒中會導致認知或運動功能的喪失，因此，對腦卒中病人臨床預后的預測可以影響醫(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量。最近的研究集中在利用AI 預測卒中病人的臨床預后，以期支持早期的臨床決策。例如，Tang 等[32]研發(fā)并驗證基于SVM、決策樹等算法的ML 模型對病人短期和長期的臨床預后進行預測，結合術前DWI 和PWI 影像資料、臨床基本資料構建綜合模型，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)現綜合模型在預測短期和長期的臨床預后結果方面更為準確，AUC達0.863。一項回顧性研究[33]采用梯度提升算法預測病人預后，結合影像學資料、流行病學資料及臨床基本資料構建綜合模型，其預測不良預后的準確度為87.7%。Chauhan 等[34]將3D MRI 影像數據輸入基于CNN 的模型以評估缺血性卒中病人言語障礙的嚴重程度，通過比較基于線性回歸、SVM 算法的ML模型和CNN 模型發(fā)現，CNN 模型預測言語障礙的能力最優(yōu)，在更大的樣本量中也得到了驗證。Rehme等[35]利用功能MRI 發(fā)現了與卒中相關的運動障礙的神經影像學標志物，將40 例卒中病人與20 名健康者對照，在治療前的DWI 和治療后的功能MRI上分別運用SVM 算法構建模型，發(fā)現該模型可以準確辨別有無手部運動障礙的卒中病人，準確度高達88%。

5 小結

將AI 與多種影像檢查方法結合，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質中的陳舊性病變，其準確性還需進一步提高。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，希望未來檢測缺血性腦卒中的軟件能被進一步研發(fā)、完善、推廣。再次，AI 的應用還存在一些挑戰(zhàn)，由于AI模型需要經過大樣本量的數據訓練后才能獲得穩(wěn)定的效能，如何構建大規(guī)模、高質量的訓練集數據，這是AI 的一大難點。另外，AI 的準確性需要進行驗證，這需要投入大量的人力和時間。最后，數據的合法性問題，尤其是數據的監(jiān)管、數據隱私性和網絡安全性方面，其倫理層面的保護措施是AI 領域的關注點。相信隨著今后AI 技術與醫(yī)學影像技術的進一步結合，能為缺血性腦卒中病人的診療提供更有力的幫助。