【专家论坛】人工智能技术在急性卒中影像学诊断中的应用及前景

摘要:人工智能技术发展日新月异,其在医学图像处理方面已经展现出巨大潜能｡急性卒中的诊断及治疗对头颅及血管的影像学检查具有依赖性｡近年来,已有一系列基于人工智能技术的研究成果及产品用于卒中的临床诊治,一定程度上提升了急性卒中的诊断准确率及救治效率;然而,人工智能技术在急性卒中诊疗中的应用仍面临一系列挑战｡该文对已有相关人工智能技术及其在急性卒中诊断和治疗中的应用进行了综述,并对未来研究方向进行展望｡

急性卒中的早期快速识别､精准评估和及时救治是影响患者预后的重要因素之一｡人工智能技术及其在医学领域的应用不断推动疾病诊疗模式的变革,对急性卒中的诊疗也产生了巨大影响｡人工智能技术,尤其是深度学习和机器学习,正迅速成为疾病诊治的关键工具,其可通过自动分析CT､MRI等影像学数据,快速识别卒中类型,并辅助临床决策｡人工智能的应用不仅提升了急性卒中的诊断速度和准确度,还可协助医师在急性卒中患者发病后的黄金时间窗内制定治疗方案,改善患者预后｡笔者针对人工智能技术在急性卒中影像学诊断中应用的技术基础及其临床应用现状进行了回顾,并针对目前研究现状和存在的挑战进行了总结,对未来研究方向进行了展望,以期有助于临床医师了解人工智能工具在急性卒中临床诊疗中的应用,并为未来医学人工智能在急性卒中诊治方面的研究提供思路和启示｡

1 影像学在卒中诊疗中的重要价值

卒中是危害人类健康的重大疾病之一,其具有发病率高､复发率高､致残率高､病死率高及病情急骤的特点｡目前临床上卒中的诊断主要依靠起病特点､临床症状及神经系统体征结合影像学检查进行诊断和制定治疗方案,其中影像学在卒中的诊疗中发挥越来越重要的作用｡根据头部CT平扫可以区分出血性卒中和缺血性卒中;对于急性缺血性卒中患者,基于CT平扫的一些特征(如大脑中动脉高密度征)､Alberta卒中项目早期CT评分或联合CT血管成像(CTA)和(或)CT灌注成像(CT perfusion,CTP)等可评估是否存在大血管闭塞及可挽救的缺血半暗带,以决定是否行血管内治疗｡同时影像学也有助于指导急性卒中的病因分型及预后预测｡近年来,随着静脉溶栓､血管内治疗等一系列急性卒中诊疗技术的发展,卒中的诊治水平不断提高,一定程度上降低了患者致残及死亡风险,但这些治疗需要对合适患者进行选择,而卒中影像学是临床筛选患者的重要考量因素之一｡

2 人工智能在急性卒中影像学诊断应用中的技术基础

人工智能在医学影像学诊断领域的应用日益广泛,其核心是通过多种算法提高影像学诊断的准确性,同时提高疾病诊治效率,并减少不同判读者对图像判读的主观偏差,多用于卒中的辅助诊断､治疗决策及预后判断｡机器学习作为人工智能的一个子领域,通过使用算法和统计模型,使计算机系统能够从数据中学习并提高性能,而无需显式地进行编程｡机器学习方法包括监督学习､无监督学习､强化学习等,用于模式识别､分类､回归等任务;深度学习是机器学习的一个分支,其模型由多个层次的神经网络组成;深度学习的目标是通过多层次的非线性变换进行学习和提取数据的高层次抽象表示,深度学习的主要方法为神经网络,特别是深度神经网络,包括卷积神经网络(convolutional neural networks, CNN)和循环神经网络等,常用于图像识别､自然语言处理等领域｡目前医学影像学诊断中常用的人工智能算法包括深度学习､支持向量机､随机森林､梯度提升机､神经网络､图像分割算法､特征提取､降维算法和强化学习等｡在实际应用中,这些算法可以单独使用,也可以组合使用,以适应不同的医学影像诊断任务｡随着技术的发展,还会有更多的算法不断更新｡

3 人工智能在急性卒中影像学诊断中的应用现状

人工智能技术在急性卒中的影像学诊断中扮演着越来越重要的角色,其应用范围广泛,包括疾病诊断､病灶识别､病情评估､风险预测以及远程医疗等多个方面｡此外,人工智能还可以用于提升影像学质量,特别是基于深度神经网络的重构算法,可以提高医学影像学图像的质量,使得使用更低剂量对比剂或更短时间内获取的图像达到诊断要求｡就影像学诊断而言,计算机辅助的医学影像处理步骤可概括为:图像获取及输入､数据预处理､图像分割､特征提取､分类及解读､结果输出｡目前人工智能技术在急性卒中影像学诊断中应用较多的场景为疾病诊断､病灶识别､病情评估､风险预测及辅助临床决策｡

3.1 疾病诊断和病灶识别

人工智能技术可以帮助临床医师快速､准确地区分缺血性卒中和出血性卒中,通过分析CT和MRI图像,识别不可逆损伤组织和大血管闭塞｡基于深度学习算法,如CNN,人工智能能够自动识别和测量梗死核心,提高诊断的精准度｡Heit等基于二维和三维混合的CNN开发的RAPID软件用于自动检测和定量脑出血,该研究纳入了158例脑出血(包括脑实质出血､硬膜外出血､硬膜下出血､蛛网膜下腔出血及脑室出血)患者和150例非脑出血者的CT图像进行验证和测试,结果显示,RAPID软件可以识别其中的151例脑出血及143例脑出血阴性病例,敏感度为0.956(95%CI:0.911~0.978),特异度为0.953(95%CI:0.907~0.977),阳性预测值为0.956(95%CI:0.911~0.978),阴性预测值为0.953(95%CI:0.907~0.977);此外,RAPID软件还可以准确对脑出血体积进行定量,其测量结果与神经放射专家基于传统手动分割的脑出血体积一致性较高,相关系数r值为0.983｡国内也有研究团队采用二维和三维混合的CNN深度学习框架进行动脉瘤性蛛网膜下腔出血的诊断,研究纳入了来自4家医院的1355例诊断为动脉瘤性蛛网膜下腔出血患者的CT平扫图像,按照7∶1∶2的比例分为模型训练､内部验证和测试集,结果显示,准确度为0.993~0.999,该研究在此基础上开发了一个可用于临床的人工智能辅助动脉瘤性蛛网膜下腔出血诊断平台｡针对大多数医院急诊条件下无法完成MRI及CT早期诊断脑梗死假阴性率高的问题,也有研究团队利用多个深度神经网络构成的集成模型进行训练,将18例急性缺血性卒中患者CTP中显示的梗死核心体积作为真实值,将804层配对的CTP和平扫CT图像配准进行分析,结果显示,该模型可使平扫CT对于急性缺血性卒中诊断的准确度达91.16%,敏感度为77.44%,在一定程度上增加了平扫CT对于急性脑梗死的诊断价值｡

3.2 病情评估及风险预测

目前临床针对急性卒中病情评估和预后预测的量表多基于既往队列研究数据衍生,其在人群代表性及模型适用性方面存在不足｡近年来越来越多的研究团队利用多模态模型进行急性卒中的病情评估及风险预测｡国内有研究团队基于临床量表､单纯影像及临床变量+影像分别构建了预测脑出血患者预后的模型并进行比较,回顾性纳入中国脑出血影像数据库中的1990例脑出血患者,构建了基于单纯影像和临床变量+影像的2个CNN深度学习模型,预测出院时患者的神经功能(定义出院时格拉斯哥预后量表评分1~3分为不良预后),采用巢式5倍的交叉验证对采用脑出血评分量表和脑出血分级量表的预后预测结果进行比较,结果显示,临床变量+影像的CNN深度学习模型预测脑出血患者出院时神经功能结局的受试者工作特征曲线下面积为0.903,其次为基于单纯影像的CNN深度学习模型(曲线下面积为0.886),而脑出血评分量表的曲线下面积仅为0.777,最低者为脑出血分级量表,曲线下面积为0.747,提示基于影像学特征的模型比单纯的临床量表在预测脑出血患者出院时神经功能结局方面具有更好的准确性,基于临床变量+影像的CNN深度学习模型可以在一定程度上提升对神经功能结局的预测价值｡

3.3 辅助临床决策

人工智能技术可以辅助医师进行急性缺血性卒中患者再灌注治疗的决策,其可通过自动化的影像学分析和参数计算,快速生成关键的临床影像学参数,如梗死核心体积､缺血半暗带体积等,为医师提供全面的诊断信息｡目前人工智能技术较多应用于院前卒中急救的分流,主要包括急性大血管闭塞的识别及缺血半暗带的评估,包括Alberta卒中项目早期CT评分的自动评估､基于CTA和(或)CTP的大血管闭塞的自动识别｡美国德克萨斯大学医学中心的研究团队评估使用人工智能辅助的急性缺血性卒中大血管闭塞诊断工具是否可以改善急性缺血性卒中患者的院内救治流程,该研究采用了整群随机阶梯楔形临床试验,纳入4个综合卒中中心的243例行血管内介入治疗的大血管闭塞性卒中患者,试验组(103例)患者基于人工智能辅助的自动化大血管闭塞影像学检测系统分析判断闭塞的大血管,并与手机应用平台相结合将系统分析结果实时推送给临床医师,对照组为140例未使用人工智能软件的患者,结果显示,相较于对照组,试验组就诊至股动脉穿刺中位时间缩短了11.2min(95%CI:-18.22~-4.20),提示该自动检测系统配合手机应用平台可改善急性缺血性卒中患者的院内救治流程｡另外一项回顾性队列研究比较了使用Viz.ai软件(急性卒中人工智能影像软件)和不使用Viz.ai软件对急性缺血性卒中行机械取栓的影响,该研究纳入了680例急性缺血性卒中患者,其中104例为大血管闭塞(45例经Viz.ai软件诊断,59例不使用人工智能工具由医师判读诊断),69例接受了取栓治疗(20例经Viz.ai软件诊断,49例由医师判读诊断),结果显示,与不使用人工智能辅助工具组比较,使用Viz.ai软件诊断组行CTA检查至通知介入团队时间(中位时间:7min比26min,P<0.01)､入院至股动脉穿刺时间(中位时间:141min比185min,P=0.027)均更短｡另外一项研究纳入单中心55例急性缺血性卒中合并大血管闭塞患者,比较了在真实世界中使用Viz.ai软件(29例)与不使用Viz.ai软件(26例)患者在血管再通时间及临床预后方面的差异,结果显示,两组就诊至通知介入团队的中位时间分别为25､40min,差异有统计学意义(P=0.01),发病后90d临床良好预后(改良Rankin量表评分<2分)患者比例分别为22.2%(6/27)､33.3%(7/21),差异无统计学意义(P=0.52),提示Viz.ai软件的应用有助于缩短急性大血管闭塞患者的院前诊断时间,减少因转运带来的延迟,但在临床结局方面未见差异｡以上研究结果提示,使用人工智能作为辅助工具指导急性卒中的影像学诊断有利于缩短发病至血管再通时间,这对急性卒中的救治至关重要,但仍需要更多的证据验证其在改善临床预后方面的价值｡

4 人工智能工具在急性卒中应用中的困境与挑战

人工智能在急性卒中影像学诊断方面虽然取得了显著的进展,但在急性卒中诊疗临床应用方面仍面临一些困境和挑战｡(1)系统集成和数据共享方面,人工智能影像学软件系统与医院现有信息化系统的整合存在困难｡使用人工智能辅助急性卒中诊疗的软件时需确保影像学数据与软件工具的无缝对接和不同医院间的图像共享,且急性卒中的诊疗需要衔接院前急救系统及初级和高级卒中中心,以便医师可以轻松访问和使用人工智能工具,但由于病历信息的保密性要求,各医院的信息系统互相独立,而且医学影像存档与通信系统不能对接外网,这些都是医院内､外系统对接困难的原因｡国外人工智能软件(如Viz.ai软件)基于卒中院前诊断结合手机端的应用推送目前也仅在小范围内实现了示范应用｡(2)标准化和质量控制问题,影像学数据的标准化是决定人工智能技术能否准确诊断的关键｡不同医疗机构使用的设备和数据采集协议不同可能导致数据源的不一致性,各个模型训练数据集的差异也会影响人工智能工具的准确性和普适性｡如既往有研究比较了iStroke软件和RAPID软件在评估急性大血管闭塞性卒中患者脑灌注参数方面的一致性,纳入了来自中国4家医院的326例急性大血管闭塞性卒中患者的数据,比较了2个软件在评估脑梗死核心体积和低灌注体积上的一致性,结果显示两者一致性ρ值分别为0.68､0.66｡另外一项研究比较了3个脑灌注评估软件用于急性大血管闭塞性卒中诊断的一致性,结果显示,RAPID(RapidAI-IschemaView)､VizCTP(Viz.ai)和e-CTP(Brainomix)软件在脑灌注参数图上有较大的一致性,纳入分析的242例大血管闭塞性卒中患者中,在评估梗死核心体积[相对脑血流量(relative cerebral blood flow,rCBF)<30%]方面,RAPID软件和VizCTP软件的一致性ρ值为0.767(95%CI:0.71 ~ 0.81),RAPID软件和e-CTP软件的一致性ρ值为0.668(95%CI:0.61~0.71),3个软件在闭塞和接近闭塞患者(136例)梗死体积的评估中也有较好的一致性(RAPID软件:ρ=0.744;VizCTP软件:ρ=0.711;e-CTP软件:ρ=0.600)｡还有一项研究比较了RAPID软件和Viz.ai软件在评估急性缺血性卒中患者中的应用效果,结果显示,两者一致性在不同人群中存在差异,该研究为多中心回顾性研究,纳入了129例完成CTP的急性大血管闭塞性卒中患者,分别比较使用上述2个软件评估梗死核心体积和缺血半暗带体积的一致性,评价指标包括达峰时间(time-to-maximum,Tmax)>6s体积､Tmax>10s体积､rCBF<30%体积､不匹配体积和不匹配百分比,结果显示,2个软件在评价上述5个指标之间的Spearman相关系数分别为0.82､0.65､0.77､0.78和0.59,在早窗(发病至就诊时间<6h;62例)组和晚窗(发病至就诊时间>6h;67例)组的相关系数分别为0.74､0.63､0.83､0.69､0.78和0.88､0.61､0.70､0.87､0.80,但是在评估rCBF<30%体积(梗死核心体积)方面2个软件间差异有统计学意义(早窗:P<0.01;晚窗:P=0.007)｡针对该组人群的亚组(使用中位数作为截断值分组)分析显示,在Tmax>6s且体积<78.5ml亚组,Via.ai计算的Tmax>6s体积低于RAPID软件(P<0.05)｡这些不同软件间的差异为该技术在更大范围的应用带来了挑战｡(3)人工智能作为一种技术在进入临床前需要广泛的临床验证,以证明其在真实世界中的有效性和安全性,同时还需要满足医学人工智能工具使用方面的法规要求,获得相应的批准和认证,在急性卒中影像学诊断领域,RAPID､Viz.ai､Brainomix等软件各有所长,但作为一种普遍推广的技术其在急性卒中诊疗方面的应用孰优孰劣尚无相关指南推荐,也缺少随机对照研究比较｡(4)人工智能工具用于急性卒中影像学诊疗还需要临床医师的接受和配合,但也应避免过度信任和依赖｡如CTP自动后处理软件的临床应用可能受到技术及临床等多方面的影响:技术方面,运动伪影､对比剂剂量及辐射剂量等均可对CT扫描图像产生影响;临床层面,梗死核心体积的计算及低灌注､缺血半暗带的定量分析等也会受到个体因素的影响｡

5 未来发展方向及转化应用前景

人工智能在急性卒中影像学诊疗方面的发展可围绕精准化､实时化､个性化和智能化展开｡人工智能可通过多模态影像学融合､自动化分析､预测模型构建､个性化治疗方案制定等技术方面的优化进一步辅助临床提高急性卒中的诊断准确率,改善治疗效果和患者预后｡(1)在数据层面,促进单一均质性数据向多模态异质数据转变,以更好地整合和分析不同来源的数据,如病历文本与影像的结合｡这将有助于为临床诊疗提供更全面的评估,包括病变的位置､大小､类型以及血管状况等,实时影像学诊断与决策支持也应更贴近临床实际场景的应用｡以DeepSeek为代表的大模型的出现有望为多模态数据处理及医疗场景的部署应用方面提供强大的技术支撑;(2)在模型训练方面,从有监督学习向自监督或弱监督等学习方法转变,以实现自动化的病灶检测､定位和分割等,而无需花费大量人力和时间标注数据;(3)在设计应用方面,既往研究多采用回顾性数据集对急性卒中诊断和预测工具进行验证,未来可侧重于从开发和回顾性数据验证向临床应用转化,同时在开发过程中可考虑轻量级深度学习模型,为后续广泛部署应用,尤其为在初级医疗机构中的部署应用提供更大的可能性｡如头颈部CTA图像重建后处理等重复性工作可由人工智能辅助完成｡未来的人工智能发展需要跨学科的合作,通过各领域的协作努力,推动人工智能在卒中影像学诊断和治疗中的创新应用｡通过上述方向上的发展,人工智能技术有望在急性卒中的诊断和治疗中发挥更加重要的作用,为患者提供更好的医疗服务,提高急性卒中患者的诊断时效及治疗效果｡