龚凯琳，张利丽，宋佳佳，何健

缺血性脑卒中是危害人类健康的常见病、多发病，构成了日益严重的医学、社会和公共卫生问题。缺血性脑卒中因其高发病率、高死亡率和高致残率，给社会和家庭均带来了沉重的经济负担[1]。近年来，缺血性脑卒中已成为中国老年人群致残和死亡的主要病因之一，如何降低缺血性脑卒中的发病率和病死率是当前的研究热点[2]。本研究采用基于人工智能斑块分割超声图像的影像组学，对南京鼓楼医院和南京脑科医院2018年1月—2019年12月诊治的171例缺血性脑卒中患者颈动脉斑块的稳定性进行评估。旨在探讨影像组学对颈动脉易损斑块与稳定性斑块的诊断效能，为快速准确地评估颈动脉斑块的稳定性及预防缺血性脑卒中的发生提供新的方法。现报告如下。

1 资料与方法

1.1 一般资料 本组171例患者经颈动脉超声检查分为易损斑块组与稳定斑块组。(1)易损斑块组：83例，男36例，女47例，平均年龄为(62.4±1.5)岁；(2)稳定斑块组：88例，男42例，女46例，平均年龄为(62.1±1.7)岁。两组患者的性别、年龄比较，差异无统计学意义(均P>0.05)。入组标准：经临床及MRI检查诊断为缺血性脑卒中；缺血性脑卒中的诊断符合中华医学会2014年发布的“中国缺血性脑卒中诊治指南”中制定的标准[3]。

1.2 方法

1.2.1 颈动脉超声检测[4]采用彩色多普勒超声诊断仪(LOGIQ E8型，美国GE 公司)进行检测。患者仰卧位，头部稍微低枕，探头频率设定为7.5～12.0 MHz，对颈总动脉、颈内动脉及颈外动脉等进行依次检查。首先需要明确颈总动脉的位置，然后再逐渐向上扫查直到颈内动脉入颅段前。按超声斑块分型标准[5]将斑块分为4种类型：Ⅰ型为内膜偏心性增厚，局部隆起<2 mm，回声粗糙、强度中等的扁平斑；Ⅱ型为厚度>2 mm，斑块回声不均匀的软斑块；Ⅲ型为强回声后伴声影的硬斑块；Ⅳ型为表面凹凸不平，边缘伴有低回声的溃疡斑块。根据斑块特征将Ⅱ和Ⅳ型斑块定义为易损斑块，Ⅰ型和Ⅲ型斑块定义为稳定斑块。见图1。

1.2.2 图像后处理 采用图像人工智能分割法，在软件Matlab上进行操作。将所有受试者原始数据导入电脑，将双线检测(double line detection，DLD)应用于该边缘映射的局部分割。将计算得到的轮廓作为蛇形分割模型的输入。目前影像组学大多数方法都是手动提取超声图像中的感兴趣区域(ROI)。本研究提出一种自动的预处理分割方法，将超像素水平的光流和二值掩码特征转换为普通的概率超像素，用于构建超像素级的条件随机场，自动标记出管腔(前景，即ROI)和其他组织(背景)。在ROI中用改进的数学模型对斑块进行分割。

1.2.3 影像组学特征获取 由两名具有丰富颈部超声图像阅片经验的超声科诊断医师独立分析人工智能分割斑块超声图像。将获得的图像导入自主开发的软件(Image Analyzer 2.0,China)，从每个ROI中可提取369个影像组学特征，分为以下3类。(1)一阶：统计学特征，即灰度直方图特征，反映了ROI内灰度值的频数分布情况，共提取该类特征20个；其中N代表ROI内的灰度值的总数量，P(i)代表ROI中某值出现的频率，X(i)代表ROI内的频数。形状特征，此类特征主要描述ROI的大小和形状特点，共提取特征11个，包括体积(volume)、表面积(surface area)、最大径(volume diameter)、表面积体积比(surface volume ratio)、球形度(sphericity)、球形不均衡度(spherical disproportion)、紧凑度(compactness)等。(2)二阶：纹理特征，描述不同体素之间的空间位置关系和纹理图案形状。纹理特征来源于灰度共生矩阵(gray-level co-occirrence matrix,GLCM)、灰度游程长度矩阵(gray-level run length matrix,GLRLM)。基于GLCM的纹理特征：此方法是通过计算GLCM，描绘沿某一特定方向(θ=0°、45°、90°、135°或随机角度)，间隔一定距离的一对灰度值的频率分布；共提取208个特征参数。(3)三阶：基于GLRLM的纹理特征，计算沿预先设定方向(θ= 0°、90°或随机方向)上相同灰度值的连续体素长度的矩阵，共提取130个特征参数。

A：超声图像中的稳定斑块； B：人工智能分割后的稳定斑块； C：超声图像中的易损斑块； D：人工智能分割后的易损斑块图1 超声图像中和人工智能分割后的易损斑块与稳定斑块

1.3 统计学方法 LASSO模型用于筛选人工智能分割斑块超声图像的影像组学特征。LASSO回归筛选出的影像组学特征用核函数向量机(support vector machine,SVM)进一步建模和验证。用受试者工作特征曲线(receiver operating characteristic curve,ROC)分析评估模型的预测效能，记录模型的曲线下面积(area under the curve,AUC)、最佳阈值、敏感性、特异性、阳性预测值以及阴性预测值。使用R软件(版本3.0.1)进行统计学分析，P<0.05为有统计学意义。

2 结 果

将LASSO回归筛选出的21个影像组学特征用于建立核函数SVM分类器；模型参数为：gamma，0.05；epsilon，0.1；支持向量个数140。该模型的训练组的AUC为0.984(95% CI：0.971～0.997)，验证组的AUC为0.964(95%CI：0.935～0.993)。SVM分类器在训练组和验证组的诊断效能见表1，ROC曲线见图2。

表1 支持SVM分类器在人工智能斑块分割超声图像训练组和验证组的诊断效能

A:训练组的ROC曲线； B:验证组的ROC曲线图2 支持SVM分类器ROC曲线

3 讨 论

缺血性脑卒中的发生与很多因素之间存在相关性，有一些为不可控因素，如地域、性别及年龄和种族等；还有一些为可防可控的因素，如颈动脉狭窄、高血压、糖尿病及嗜酒、吸烟等不良生活习惯，其中以颈动脉粥样硬化的危害最为显著[3]。因此，如何有效地检测到颈动脉粥样硬化斑块及其发展对缺血性脑卒中的防治有十分重要的意义[6]。在临床应用中，比较常见的影像学技术有以下几种：多层螺旋CT、MRI及彩色多普勒超声检查等[7]。CT血管成像是将扫描容积内的全部像素显示出来，可以全面地同时呈现深层及浅表组织的结构，对于血管疾病的诊断有重要价值[8]。颈动脉MRI检查可以提供多种组织对比加权图像，可以清晰地显示血管腔、血管内膜及管腔的亚结构。研究表明，MRI在检测斑块成分方面具有较高的敏感性、特异性和准确性[9-10]。彩色多普勒超声检查[11]能清晰显示颈部血管管壁厚度、斑块大小和管腔内径，并提供血流动力学信息；同时颈动脉内中膜的厚度、斑块形成以及狭窄程度等都可以作为劲动脉粥样硬化监测的的敏感指标和直接征象[12]，可以对脑血管事件的预后进行评估与判断。相较于CT血管成像和MR血管成像，彩色多普勒超声检查因其方便性和投入成本少，以及较好的准确率被各级医院广泛采用。但在传统的超声检查中，因探头的角度和方向、超声诊断医师经验和斑块本身形态及成分显像的影响，超声易损斑块的诊断往往需要耗费相对较长的时间，复杂血管状况的诊断效率普遍偏低。超声图像中斑块的手工分割或大量图像手工分割不仅是一项繁琐而耗时的工作，还受到观察者之间和观察者内部的影响，以及很难跟踪心动周期的每个时间帧和大量数据集。因此，亟需新的技术辅助超声医生对斑块进行诊断，提高诊断的工作效率及准确率，降低漏诊率。

通过影像特征对斑块组织进行诊断与识别已被广泛研究，但仍无法对斑块组织进行快速由内而外的全面精准的判断。由于斑块组织的成分特性较为复杂，需要建立诊断模型进行定量化定性化描述。近年来，计算机技术的进步使自动化、可重复的人工智能分析方法得以发展，并从中产生了能从海量的影像图像资料中提取关键信息，建立模型，从而推断患者精准数据的影像组学方法。影像组学是近年来新出现的一种新型图像后处理技术，融合了数字影像处理、统计学、 机器学习等方法，对医学影像进行定量、高通量的分析，从常规影像学检查中挖掘更多的有诊断意义的信息。影像组学分析主要应用于医学图像并进行定量处理。传统的影像诊断主要依赖于影像医师的判断，而影像组学基于数据进行分析，提取高维图像特征作为新的生物标记物来帮助临床诊断。颈动脉斑块分割是基于颈动脉超声图像的粥样硬化研究中一项十分重要的工作，斑块面积、斑块总体积、斑块形态学分析和组成成分分析都是以斑块分割为基础[13]。

颈动脉粥样硬化最基本的病理过程包含血管内膜及中膜层的增厚、斑块出现粥样硬化、血管内皮损伤等[14]。超声检查的非均质性斑块、低回声斑块、溃疡斑块、软斑块及混合回声斑块被纳入为不稳定性斑块，缺血性脑卒中的发生与易损斑块之间有密切的关系。

人工智能(artificial intelligence，AI)作为当今最为热门的课题之一，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新技术科学。随着医学影像智能化诊断的快速发展,为了满足愈加复杂的医学图像分析和处理要求，人工智能成为近年来医学图像处理技术发展的一个研究热点[15-16]。在医学临床应用中，AI的目标是预测诊断结果或选择最佳治疗方案。人工智能可以更好地处理大量输入的数据，可用于全部成像过程中，包括图像获取、量化、分析和报告[17]。因此，人工智能在大大提高临床诊疗效率的同时，也降低了工作成本[8]。人工智能已经逐渐应用于脑卒中诊断领域，如基于头颅CT影像快速鉴别缺血性与出血性脑卒中，快速评估缺血半暗带和闭塞性大血管[18]。

本研究首先通过颈动脉彩超判断出易损斑块和稳定性斑块，然后利用人工智能进行斑块分割，建立模型；结果显示训练组和验证组的敏感性和特异性均较高，建模成功。本研究应用的人工智能数据分析方法(分割算法)的敏感度和特异度都很高，最终得出的结果与人工方法得到的结果十分接近。本研究在易损斑块的影像组学分析中，获取了有价值的诊断信息，提高了斑块性质诊断的准确率。

综上所述，本研究将人工智能斑块分割技术前置于影像组学，旨在用更强更精确的计算机算法代替人工手动分割ROI区域，提高了超声诊断颈动脉斑块的工作效率。并且人工智能通过自动分割血管斑块，有可能减少人为的错误。未来，人工智能可能扩大基于图像或图像与临床变量结合的诊断图像的信息价值[19-20]，从而促进人工智能对疾病诊断、治疗决策和预后判断应用的发展[21]。也可将生物标志物、基因组学、蛋白质组学和代谢组学与成像数据结合起来，提高机器学习算法的预测价值，并为患者制定个性化的医疗措施。