陈晓宇 王希明

急性缺血性卒中是一种由动脉粥样硬化和血栓形成引起的急性脑血管疾病，是成人致残的主要原因。如何客观准确地评估缺血性脑卒中病人的状况，如血管闭塞的部位、梗死灶的面积、脑侧支循环的状态等，对于临床诊治十分重要。在缺血性脑卒中的诊断过程中会产生大量影像数据，但受医师经验水平和时间所限，往往难以对这些影像数据分析透彻，从而造成误诊、漏诊[1]。将人工智能（artificial intelligence,AI）技术与CT 和MRI 等影像技术相结合来构建并训练辅助诊断模型，有利于提高疾病诊断的准确性，并为临床治疗决策提供较大的帮助。目前，AI 已广泛用于急性缺血性卒中成像，其对梗死灶检测、Alberta 卒中项目早期CT 评分（Alberta stroke program early CT score, ASPECTS）分级、大血管闭塞检测、图像分割和病人预后的预测等有重要辅助作用；同时，它还具有自我纠正的能力，可根据反馈不断提高准确性。本文对常用于急性缺血性卒中成像中的AI 技术予以概述，并分别介绍AI 在卒中的CT 平扫、CT 血管成像（computed tomography angiography, CTA）、CT 灌注 （computed tomography perfusion,CTP）及 MRI 中的应用。

1 AI 概述

AI 作为计算机科学的一个分支，能够模拟、延伸和扩展人类的思维过程和智能行为[2]。AI 包括计算机视觉、自然语言处理、机器学习（machine learning,ML）等技术。其中，ML 最常用于医学成像，其依赖于不同算法对复杂多样的数据进行深层分析。传统的ML 算法包括支持向量机（support vector machine,SVM）、线性回归、逻辑回归、决策树、随机森林、贝叶斯学习等，目前在科学研究领域被广泛应用[3]。在ML 的应用过程中，这些传统算法对简单任务比较有效，但是对于一些复杂的临床问题其效能较差。深度学习（deep learning,DL）是ML 的一个新的分支，相对于传统的ML 算法，它的性能更优越。DL 能够利用一种特定类型的ML 架构大致模仿人类大脑的功能，即人工神经网络，通常被称为卷积神经网络（convolutional neural network, CNN）[3]。CNN 不仅可以输入定量数据，还可以输入像素或体素信息，解决影像的分类和回归问题。因此，DL 通过组合低层特征形成更加抽象的高层属性类别或特征，以发现数据的特征性分布，实现对数据的分组，最终达到诊断的目的。

2 AI 在缺血性卒中CT 平扫中的应用

CT 平扫主要用于排除出血和其他非缺血性病变，初步判断有无新鲜梗死灶，确定梗死部位和范围[4]。急性缺血性卒中的特异性表现包括CT 平扫显示高密度血管征（hyperdense vessel sign,HDVS），即患侧大脑中动脉密度高于正常侧，提示大脑中动脉闭塞[5]。Takahashi 等[6]采用一种基于 SVM 算法的模型对CT 平扫上的HDVS 进行检测，该模型敏感度达 97.5%。Shinohara 等[7-8]对 46 例存在 HDVS 和 52例不存在HDVS 的病例进行研究，将ML 模型与神经放射医师对HDVS 的诊断效能进行了比较，结果显示ML 模型的准确度为81.6%，受试者操作特征曲线下面积（area under curve, AUC）为 0.869，而神经放射医师的初始准确度为78.8%，AUC 为0.882；但参考ML 模型的结果后，神经放射医师第2 次测试的准确度提升至84.7%，AUC 达0.932。由此可见，AI 有望辅助医师提高对HDVS 的诊断效能。

ASPECTS 为评价早期前循环缺血性改变的评分量表，该评分将大脑中动脉供血区域划为10 个，密度减低的范围每涉及1 个区域则减去1 分。Kuang 等[9]以 MR 扩散加权成像（diffusion weighted imaging,DWI）作为金标准，使用ML 构建模型用来评估ASPECTS 的分级，结果显示该模型的特异度为91.8%，敏感度为66.2%。Nagel 等[10]开发了一个能够实现自动ASPECTS 分级的商业软件（e-ASPECTS），该软件对急性缺血性卒中病人CT 平扫上低密度灶的识别与神经影像医师的一致性较高，且准确性相似；但当急性缺血性卒中病人存在其他脑实质病变（如脑白质脱髓鞘改变、陈旧性脑梗死等）时，e-ASPECTS 的准确性不如神经放射医师。另一项关于自动化ASPECTS 评分商业软件（Rapid ASPECTS）的研究[11]发现，以 DWI 上的 ASPECTS 为金标准，结果显示自动化软件基于CT 平扫的ASPECTS 分级与金标准之间的一致性（κ=0.9）高于神经放射医师（κ=0.56～0.57），在急性缺血性卒中发病1 h 时，自动化软件的ASPECTS 分级与金标准之间的一致性较好（κ=0.78），而在发病4 h 时，两者之间的一致性更优（κ=0.92）。

对于急性缺血性卒中病人，明确梗死的体积有助于指导临床治疗及预测病人预后。AI 已逐渐实现在CT 平扫影像上对梗死体积进行分割和测量，如CNN 技术已应用于梗死体积的分割[12]。Sales 等[13]在急性缺血性脑卒中的CT 平扫影像上基于CNN 技术分割获得梗死体积，与作为金标准的DWI 获得的梗死体积之间具有极好的一致性，组内相关系数（intraclass correlation coefficient, ICC）达到 0.88（最佳 ICC 为 1）。

3 AI 在缺血性卒中CTA/CTP 中的应用

CTA 能清晰显示颈内动脉，椎动脉，基底动脉，大脑前、中、后动脉，可用以判别急性缺血性脑卒中的责任血管并评估其侧支循环[4]。将AI 技术用于CTA 影像，使得自动化探测缺血性脑卒中病人大血管闭塞、测量梗死核心及评估侧支循环成为可能。Rodrigues 等[14]采用 AI 商业软件（Via.ai）对 610 例卒中病人进行探测分析，结果显示，该软件对双侧颈内动脉或大脑前、中动脉闭塞的诊断敏感度、特异度和准确度分别为87.6%、88.5%和87.9%。Sheth等[15]利用大脑的对称性研发了RAPID 软件用于识别CTA 上的双侧颈内动脉或大脑前、中动脉的闭塞并测量核心梗死体积，RAPID 软件对179 例病人的核心梗死体积进行了评估，并以CTP 上的核心梗死体积为金标准，结果显示该软件的准确性与CTP 相近且AUC 为0.88。You 等[16]将CT 平扫和临床基本信息结合，构建了一种基于ML 方法（包括逻辑回归、随机森林、SVM 等）的诊断模型，随后在300 例双侧颈内动脉或大脑前、中动脉闭塞病人中进行验证，得到了较高的诊断效能（AUC 为0.847）。Öman等[17]在CTA 上运用三维CNN 技术，以检测和分割核心梗死区，获得的AUC 值为0.93，Dice 系数为0.61。此外，在缺血性脑卒中侧支循环自动化评估方面，Grunwald 等[18]采用商业软件 e-CTA 评估 98 例机械取栓病人的侧支循环TAN 评分，结果显示e-CTA 使得神经放射医师的ICC 从0.58 提升至0.77，且该软件对侧支循环的敏感度和特异度分别为0.99 和 0.94。

CTP 可以显示核心梗死区域[4]。在一项基于缺血性卒中发病6 h 内CTP 影像的回顾性研究中，以DWI 上的核心梗死体积为金标准，结果表明CNN中延迟和色散校正的准确性高于标准化流程[19]。Kasasbeh 等[20]基于CTP 和临床资料使用CNN 构建模型以预测急性缺血性卒中病人的核心梗死体积，同样使用DWI 作为金标准，结果显示单纯CTP 组的 AUC 为 0.85，CTP 结合临床资料的 AUC 为 0.87，最大Dice 系数为0.48。这些研究表明，AI 与CTP 相结合可以实现准确评估核心梗死体积。

4 AI 在缺血性卒中MRI 中的应用

对于急性缺血性卒中，MRI 影像上核心梗死区的AI 自动分割和测定常采用DWI 影像或表观扩散系数（ADC）图，DWI 上的核心梗死体积亦常被作为金标准。Kim 等[21]用一种编码解码 CNN 的U-net 模型在DWI 和ADC 图上进行图像分割，发现U-net模型的分割结果与专家的手动分割结果之间具有高度一致性，ICC 高达 1.0。Wu 等[22]利用 3D CNN 对多中心的DWI 数据上急性缺血性病灶进行分割，并将结果与人工测量的病灶体积比较，发现两者之间相关性极好（相关系数为0.92）。除DWI 序列，MR灌注成像（perfusion weighted imaging, PWI）也可用于卒中诊断和梗死灶分割。Bouts 等[23]在右侧大脑中动脉闭塞后自发或诱导再灌注和无再灌注的啮齿动物模型中比较了5 种DL 算法，其中广义线性模型在检测PWI 缺血半暗带中的表现最好，Dice 系数为 0.79。Huang 等[24]基于 SVM 在 PWI 的脑血流量图和ADC 图上对缺血半暗带进行分割，以检测大脑中动脉闭塞，该模型在动脉闭塞后30 min、60 min诊断的AUC 分别为88%和94%。此外，利用多模态MRI 或液体衰减反转恢复（fluid-attenuated inversion recovery,FLAIR）序列对缺血半暗带和核心梗死区影像分割的研究也已获得一些成果。结合随机森林算法的多模态MRI 模型在对梗死灶的灌注估量和分割的准确性较高，平均Dice 系数分别为0.82 和0.59[25]。在使用FLAIR 序列进行梗死灶分割的研究[26-28]中，随机森林模型的准确性也较高，Dice 系数范围为 0.54～0.6。

急性缺血性脑卒中的发病时间对于治疗方式的选择至关重要，但某些时候无法准确得知病人的发病时间。Lee 等[29]纳入部分发病时间不明确的急性缺血性卒中病人，采用DWI-FLAIR 不匹配判断其发病时间是否处于4.5 h 内，以期判断是否适用静脉溶栓治疗，结果表明人工判断DWI-FLAIR 不匹配的敏感度仅为48.5%，而基于ML 的判断具有更高的敏感度，如随机森林的敏感度为72.7%，Logistic回归和SVM 敏感度均达75.8%，且这3 种ML 方法并未使特异度下降。因此，AI 可辅助确定急性缺血性卒中病人的发病时间，有助于临床决策的实施。

梗死后出血转化作为缺血性脑卒中治疗后的一种严重并发症与不良预后相关。Yu 等[30]以24 h的随访MRI 作为金标准，使用包括SVM、线性回归、决策树等的ML 模型在DWI 和PWI 影像上预测潜在出血转化的部位，ML 模型的准确度高达84%。Bouts 等[31]在梗死后再灌注诱导的出血转化动物模型中，发现基于多参数MRI 的随机森林模型可以有效预测出血，AUC 为 0.85～0.89。

缺血性脑卒中会导致认知或运动功能的丧失，因此，对脑卒中病人临床预后的预测可以影响医师的治疗决策，也有助于减少卒中额外的并发症，并最大限度地提高病人生活质量。最近的研究集中在利用AI 预测卒中病人的临床预后，以期支持早期的临床决策。例如，Tang 等[32]研发并验证基于SVM、决策树等算法的ML 模型对病人短期和长期的临床预后进行预测，结合术前DWI 和PWI 影像资料、临床基本资料构建综合模型，并与仅有临床基本资料和缺血半暗带体积的模型比较，发现综合模型在预测短期和长期的临床预后结果方面更为准确，AUC达0.863。一项回顾性研究[33]采用梯度提升算法预测病人预后，结合影像学资料、流行病学资料及临床基本资料构建综合模型，其预测不良预后的准确度为87.7%。Chauhan 等[34]将3D MRI 影像数据输入基于CNN 的模型以评估缺血性卒中病人言语障碍的严重程度，通过比较基于线性回归、SVM 算法的ML模型和CNN 模型发现，CNN 模型预测言语障碍的能力最优，在更大的样本量中也得到了验证。Rehme等[35]利用功能MRI 发现了与卒中相关的运动障碍的神经影像学标志物，将40 例卒中病人与20 名健康者对照，在治疗前的DWI 和治疗后的功能MRI上分别运用SVM 算法构建模型，发现该模型可以准确辨别有无手部运动障碍的卒中病人，准确度高达88%。

5 小结

将AI 与多种影像检查方法结合，有助于提高脑卒中的诊断效能。但是目前AI 用在急性缺血性脑卒中研究上还存在一些局限性。首先，AI 尚不能分辨病人脑实质中的陈旧性病变，其准确性还需进一步提高。其次，目前AI 在缺血性脑卒中方面的研究多局限于前循环，适用于后循环的较少，希望未来检测缺血性脑卒中的软件能被进一步研发、完善、推广。再次，AI 的应用还存在一些挑战，由于AI模型需要经过大样本量的数据训练后才能获得稳定的效能，如何构建大规模、高质量的训练集数据，这是AI 的一大难点。另外，AI 的准确性需要进行验证，这需要投入大量的人力和时间。最后，数据的合法性问题，尤其是数据的监管、数据隐私性和网络安全性方面，其伦理层面的保护措施是AI 领域的关注点。相信随着今后AI 技术与医学影像技术的进一步结合，能为缺血性脑卒中病人的诊疗提供更有力的帮助。