⼈⼯智能在卒中⽅⾯的应⽤
背景
脑卒中的诊断及⾼度依赖于来源于影像学研究⽅⾯的信息。CT (non - contrast computed tomography, CT)和MRI(magnetic resonance imaging, MRI)均可⽤于区分缺⾎性卒中和出⾎性卒中，不过仅基于临床特征这⼆者很难区分。CT低密度扫描和MRI的DWI⾼强度扫描可以识别不可逆的损伤组织，但在急性情况下MRI的敏感性更⾼。⾎管造影和灌注成像序列可以识别⼤⾎管闭塞，并可以选择给予患者进⾏⾎管内。FLAIR-DWI不匹配提供了未知起病时间患者的信息(包括觉醒型卒中)。⽬前的⽅法旨在了解成功的再灌注或持续的⼤⾎管闭塞的短期后果。关于卒中成像的⼀个重要警告是，必须迅速完成，因为更及时的会给患者带来更好的预后。卒中影像分诊途径中的⼤多数步骤都需要放射科和神经科医⽣的协助，⽽这⼀步通常是时间紧迫的。⽽且这些步骤所需的专门知识可能并⾮在所有地点或时间都可⽤。因此⼈们开始感兴趣如何在卒中成像评估中应⽤⾃动化⽅法。 ⼈⼯智能(AI)是⼀个宽泛的术语，它反映了使⽤计算机通过精确定位来执⾏⼈类可能感到困难的任务。例如，⼈类虽然觉得⾼级计算很困难，但计算器技术并不被认为是⼈⼯智能，因为我们理解并知道如何将其分解为离散的步骤。然⽽，⼈脸识别是⼈类擅长的⼀项任务，但识别⼈脸的算法通常被视为⼈⼯智能，因为我们⽆法准确地表达这是如何完成的。机器学习(ML)是⼈⼯智能的⼀个⼦集，算法⽆需显式编 永远的谭嗣同程就可以从数据本⾝学习。ML⽅法反映了⼴泛的统计技术，从线性回归到更复杂的⽅法，如⽀持向量机和决策树。ML⽅法可以进⼀步分为监督学习和⾮监督学习，两者的不同之处在于前者需要获得黄⾦标准标签，⽽后者试图从数据本⾝寻隐含的答案。虽然机器学习⽅法近年来变得越来越流⾏，但在过去的⼗年⾥，⼀种基于类似于⼈类神经⽹络架构的特定监督机器学习⽅法的出现，导致了性能的巨⼤飞跃，这种⽅法被称为深度学习(DL)，因为它有多个内层，可以被认为是⼀种⾰命性的技术。与以往需要⼈类识别图像特征的⽅法相⽐，在已知输出数据集上训练的深度神经⽹络可以学习到组织数据的最佳特征。在这篇综述中，我们将讨论⽤于脑卒中成像的ML⽅法，重点是DL的应⽤。
关键词：⼈⼯智能深度学习出⾎缺⾎机器学习多媒体网络教学
⼀、从线性阈值到深度学习
早期的图像分析⽅法依赖于将固定的阈值应⽤于定量图来预测感兴趣的信息，如随访时的梗死组织数量或出⾎性转化的位置。虽然实施简单，但应⽤阈值可能会由于患者队列、扫描异质性以及后处理差异⽽失败。更重要的是，就组织结果⽽⾔，潜在的假设通常在⽣理学上过于简单。这取决于许多因素，可能反映在其他成像序列或模式上。由于这种复杂性，为最好地代表整体潜⼒和指导管理，需要灵活地结合不同种类的影像学和临床特征。 基于图像的算法性能的差异是由于图像特征的选择和如何结合它们的空间关系信息的⽅法。最近，其
他的ML⽅法已经被提出，它们超越了回归的限制，是将它们组合起来，这种技术称为线性或逻辑回归。预测⼀个连续的变量，如梗死⾯积，可使⽤线性回归。如果⽬的是将患者分为⼆进制结果，如良好的临床结局(即改良Rankin量表评分≤2分)，则可以采⽤逻辑回归。DL⽅法的真正变⾰之处在于，它们不需要先验假设什么图像特征是重要的，相反，⽹络学会了隐性地识别它们。使⽤DL，特征被⾃动识别并编码到隐藏层的⽹络中，从⽽⼤⼤减少了实现时间。关于DL⽅法的⼀个重要⼀点是，它们在访问⼤量数据时不断改进，⽽传统的ML⽅法尽管访问相同的数据，但往往趋于稳定在较低的性能⽔平上。ML⽅法的具体选择仍然是⼀门艺术，⽽不是⼀门科学，虽然通常的DL可以很好地处理⼤量数据，⽽经典的ML⽅法对于较⼩的数据集有优势。认识到DL仍处于早期阶段是很重要的，⽽且它的性能并不总是超过涉及⼿⼯选择特性的经典⽅法。
⼆、AI提⾼图像质量和速度
脑卒中成像对病⼈分诊⾄关重要，但⼈们担⼼脑扫描有关的时间延误。因此，有⼈反对使⽤先进的成像技术，如CT灌注成像或MRI，它们⽐⾮对⽐CT和CT⾎管造影术需要更长的获取和处理时间。⼤多数MRI卒中⽅案需要不到10分钟的扫描时间，不过MRI确实⽐CT需要更详细的筛查和病⼈转移时间。因此考虑到DWI的⾼组织对⽐度及其对组织极有可能不可逆损伤的特异性，减少MRI扫描时间仍然是⾮常重要⽽且是可取的。
⼈⼯智能启发的⽅法可以提⾼医学图像的质量，能更快或更⼩剂量获取图像。特别是基于深度卷积神经⽹络(CNNs)的重构算法⾮常适合这⼀任务。⼀个与急性卒中成像相关的例⼦是使⽤
CNN去噪的能⼒，使⽤动脉⾃旋标记MR脑灌注图像，⽤更短的扫描创建诊断图像。这种⽅法也被应⽤于其他的MR序列，包括定量易感图谱，可以检测脑出⾎和钙化。考虑到MR造影剂给药后钆沉积的问题，⼀种能够显著减少诊断成像所需钆量的⼈⼯智能⽅法可以应⽤于⼤剂量灌注加权成像。鉴于现代多探测器CT扫描仪的速度，很难显著缩短采集时间，CNN减少辐射剂量就可能有助于减轻与CT灌注成像相关的辐射问题，这是⼀个相对⾼剂量的程序。
⼈们还可以绕过传统的标准⽣物标志物的计算，例如从源CT或MR灌注图像计算脑⾎流和容积。这是⼀个容易出错的过程，有许多步骤，包括识别动脉输⼊函数和噪声敏感的计算步骤，其中⽰踪动⼒学标记提取基于动态组织增强和动脉供应。其⽣成的灌注图⽤于预测梗塞（核⼼）和⾼危组织。然⽽，有了⼈⼯智能，这种预测也可以直接从灌注源图像本⾝进⾏。在⼀项对44例患者的研究中，CNN⽐包括脑⾎流量、⾎容量和T max在内的灌注标志物的线性组合表现更好。
高斯烟羽模型
三、预测当前信息
（⼀）、发病时间
DWI和FLAIR病变之间的不匹配被认为是判断卒中是否超过3到4⼩时的放射学指标。如果病变在DWI上可见⽽FLAIR上不可见，则认为卒中发⽣的时间较近。在实践中，在视觉上检测DWI-FLAIR的不匹配是具有挑战性的。⾸先，使⽤⼀种基于神经⽹络的⾃动编码器技术来识别MR源灌注图像的特征。在第⼆步中，使⽤不同的监督学习算法(⽀持向量机和逐步回归)将这些特征与DWI和FLAIR图像相结合。在105例中风患者中，报告了⼀个⾼达0.68的曲线下⾯积(AUC)来将患者分为症状出现前/后4.5⼩时。另⼀组使⽤类似的⽅法，包括多模态MRI对患者进⾏6⼩时前/ 6⼩时后的分类，使⽤逻辑回归显⽰出相同的效果。
社会经济调查方法与实务（⼆）、⾃动化⽅⾯得分
阿尔伯塔卒中项⽬早期CT评分是⼀种总分10分的⼤脑中动脉卒中分级，⽤于对患者进⾏和纳⼊临床试验。⼀个名为aspects的软件包已被证明不逊于⼈类专家，其⾮劣效要求设置为10%。⼀项患者（具有已存在病理包括脑⽩质病变、梗死和⾮典型实质缺陷）随访研究中，⾃动化⽅法与⼈⼯评估（0.77–0.80）相⽐表现出较低的性能，准确性为0.67。
（三）、识别LVOs
利⽤⼿⼯制作的特征，⼀些使⽤⾃动管道的研究已经成功地从CTA图像中识别前循环的LVOs；例如，有患者显⽰出95%的敏感性和79%的特异性。据CNN报道这可能是⽤于检测颅内⼤⾎管闭塞。结果表
明，在650⼈的研究中，敏感性为82%，特异性为94%。在实践中，这已被证明可以为⾼级医⽣提供早期警报，有助于其确定任务的优先级。
（四）、短期组织细分：核⼼/危险组织的识别
关于急性缺⾎性病变的⾃动识别和病变演变已经有⼤量的⼯作报道。在急性卒中研究中，两种值得确认的重要组织类型是不可逆损伤组织(核⼼病变)和缺⾎半暗带(危险组织)。由于这些病变有⼀个⽣理上的⽽不是成像的定义，所以建⽴⼀个参考来训练和验证⾃动化⽅法是具有挑战性的。史记三家注名词解释
⼈⼯识别CT灌注下的核⼼病变难度较⼤，MR⼿⼯勾画核⼼及⾼危组织可作为AI算法的⽬标。训练这种⽹络的⼀种⽅法是在时间接近的情况下获得成对的CT和MRI。这是2018年缺⾎性卒中病变分割(ISLES)挑战的任务，其中表现最好的算法使⽤了3D神经⽹络架构，获得0.56的Dice分。训练(63例)和验证(40例)的数据来⾃症状发作后8⼩时内就诊且在CT灌注后3⼩时内获得MR DWI 的患者。
四、预测短期成像⽣物标志物
灌注-扩散失配可以被认为是⼀个⾮常简单的⼆分式预测模型。该模型假设，如果再通，预期结果与急性核⼼病变⼀致。若不能再通，预期的梗死也将包括以前的危险组织。从⽣理和ML的⾓度来看，基于急性成像直接预测短期组织结果可能是更好的⽅法。短期成像结果通常由亚急性DWI或T2-FLAIR所识别的病变来确定。
MR和CT均已被报道使⽤逻辑回归简单组合急性成像⽅法。⼀项对14名患者在发病12⼩时内进⾏扫描的MR研究中，显⽰发病后⾄少5天观察到的最终梗死灶可预测为84%的特异性和66%的敏感性。CT显⽰在⼀项基于发病后<7⼩时CT灌注和CT⾎管造影成像来预测2 - 7天后组织结局的研究中，161例患者中整体AUC证实为0.85±0.07。然⽽组织梗死可能依赖于成像标记物之间的相互作⽤;⾎容量变化的影响可能会被同时发⽣的⾎流变化所调节。在逻辑回归中，必须在分析之前明确地说明相互作⽤。然⽽随着相互作⽤的复杂性和预测量的增加，这种⽅法变得效率
低下。
出⾎性转化是缺⾎性卒中最令⼈担忧的并发症之⼀。尽管将诸如⼤DWI病变之类的代⽤标记物⽤于风险分层，但预测这种并发症或确定其发⽣的位置仍不是最佳选择。对于MR，已经使⽤灌注加权成像和DWI⽐较了⼀系列ML技术，以预测出⾎性转化的发⽣和位置。⼀项研究将具有单个隐藏层的神经⽹络的性能与许多经典的ML技术进⾏了⽐较，包括线性回归、分类、回归树，具有径向基函数核的⽀持向量机以及线性判别分析。在155例患者中，通过核能谱回归可以看到最佳性能，AUC为0.84，Dice评分为0.71。最近，据CNN报道，来⾃2个卒中中⼼的77例患者经历了出⾎性转化的表现。在前循环中预测出⾎转化位置的敏感性和特异性分别为89％和60％，AUC为0.88。对于CT，⼤多数研究使⽤经典的ML⽅法，例如⽀持向量机。在⼀项针对116名rtPA患者的研究中，AUC为0.62。这种表现可与放射诊断评分（AUC 0.63）相提并论，但低于HAT评分（AUC 0.72）。有趣的是，随着急性国⽴卫
⽣研究院临床特征的增加，ML表现显着提⾼（AUC 0.74）。
五、预测长期结果
虽然病变的识别和短期影像学进展已获得极⼤的关注，但长期的功能结局⽆疑是最重要的。随机森林已被⽤来预测功能独⽴性，定义为90天改良Rankin Scale得分≤2，并且良好再灌注，定义为改良的TICI≥2b.40。在MR CLEAN登记处的1383例患者中，作者表现出预测再灌注的不良表现（AUC，0.53-0.57）。但是，仅使⽤基线变量可以很好地预测功能独⽴性（AUC，0.77–0.79），⽽当包括变量时，可以很好地预测其功能独⽴性（0.88–0.91）。尽管随机森林的性能最佳，但其他机器学习技术（如逻辑回归）实际上具有相同的性能。使⽤经过计算优化的XGBoost版本的随机森林⽅法在预测90天临床效果⽅⾯也表现出了良好的性能。在512位接受CT，CTA和CT灌注成像的患者中，预测90天改良的Rankin Scale评分≤2的AUC为0.75。24⼩时加⼊NIHSS可将性能提⾼到0.89的AUC。
在204例患者中，训练了⼀组神经⽹络以预测24⼩时NIHSS≥4分改善，并在90天内对Rankin量表评分进⾏了修改，评分为0⾄1。对CNN进⾏了⾮对⽐CT数据训练，在演⽰中，使⽤包括⾎压和NIHSS在内的临床数据对具有2个隐藏层的全连接前馈神经⽹络进⾏了训练。结合起来，他们提供了71％（⽤于改善NIHSS）和74％（⽤于良好的临床结果）的准确性。作为⽐较，3个临床预后评分（HIAT，THRIVE和SPAN-100）达到了65％（改善了NIHSS）和68％（良好的临床结果）的最⾼准确度，强调ML⽅法可以胜过现有的结果预测⼯具。
结论
在缺⾎性卒中的急性和亚急性期，⼈⼯智能（AI）具有许多临床上有价值的可能性。⼤多数研究使⽤回顾性数据，样本量通常在20到⼏百之间。显然需要在成功的概念验证报告的基础上进⾏更⼤的评估，尤其是前瞻性的评估。尽管还有很多⼯作要做，但是这⾥介绍的⼀些⽅法已经获得了监管部门的许可，并且可以通过商业途径获得。尽管⽬前⼤多数注意⼒都集中在提⾼预测准确性上，但是赋予AI解决⽅案以能够解释其预测的能⼒可能会促进更好的临床适⽤性和接受度。利⽤AI来识别新的疾病机制以及影像学和临床结果之间的未实现联系（可预测短期和长期结果）将使AI加快患者管理并提⾼安全性。它也可以作为假设产⽣的⼿段，为真正的深度学习和急性缺⾎性卒中的理解铺平道路。
评述：
⽬前，医⽣通过临床特征判断卒中的性质⾮常困难，因此，对他们影像学检查⾮常依赖。影像学资料可以帮助区分缺⾎性还是出⾎性卒中、判断病变范围、⾎管阻塞、发病时间判断、预后推测等。对卒中患者⽽⾔，时间因素与患者的预后密切相关，及时的准确的诊断和处理⾮常关键。但是，⽬前临床上，这项⼯作要在有经验的放射科医⽣和神经科医⽣密切协作的前提下才能完成，这⼀条件不是对所有地点和时间都能满⾜的。于是，⼤家将⽬光转向了⼈⼯智能AI。
简单说来，⼈⼯智能是指利⽤计算机技术，模拟⼈类的认知过程，帮助⼈们完成⼀些令他们感到困难
或难以精确描述的任务。我们希望通过⼈⼯智能⾃动分析影像学资料，准确的对卒中进⾏诊断，病情变化追踪和预后判断（包括短期和远期）。机器学习(ML)是⼈⼯智能的亚分⽀，最近⼗年在卒中领域取得了极⼤的进展和突破，将深度学习(DL)也引⼊其中。这篇综述探讨了AI 应⽤于卒中影像学研究的现状。
⾸先，AI实现了从线性阈值到深度学习的跨越；其次，AI提⾼了影像质量和完成速度；第三，AI 预测当前重要信息；第四，AI快速判断短期效果（如再通与否）；第五，AI可以预测远期功能恢复状况。
在临床上对急性和亚急性缺⾎性卒中的患者AI可以做更多的⼯作。⽬前AI中深度学习的主要短板是缺乏⼤量的影像学数据库进⾏学习。以往的研究⼤多基于较⼩样本的回顾性研究上，我们急
切需要⼤样本的前瞻性研究报告。我们的⼯作重点是提⾼AI的准确性，这样可以不断提⾼临床的接受程度，从⽽提供患者的安全性。我们还可以通过AI加深对缺⾎性卒中的理解。
编译：⾟平平
述评：谭弘
点击⼩程序码
全球十大恶人
将这些知识精粹带回家吧
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议