人工智能在中枢神经系统疾病影像学中的应用

耿道颖 夏 威 耿 辰

医学影像作为临床常用的诊断工具，拥有指导临床诊断的巨大潜能；而对医学影像数据的准确解读是临床诊断过程中繁重且具有挑战性的工作。目前，医学影像的解读依赖于经验丰富的放射科医师，然而随着医学影像设备的广泛应用，中国医学影像数据量年增长率超过30%，而放射科医师人数年增长率仅为4%，两者的严重不匹配造成了放射科医师工作负担与日俱增，导致其疲劳程度增加，容易出现误诊、漏诊[1]；其次，医学影像学诊断结果的准确性易受放射科医师专业知识水平和认知能力的影响，医师通过肉眼读片，凭借经验对疾病进行诊断，缺乏客观量化标准，评判结果的可重复性不高；此外，结构MRI影像、功能MRI影像、分子影像等多模态影像广泛应用于中枢神经系统疾病影像学中，全面解读这些多模态结合的影像大数据需要放射科医师具有极其丰富的经验，耗费其大量时间和精力，并且这类影像中可能潜藏着肉眼难以识别的深层影像信息。故当前的医学影像诊断工作亟须解决以上关键问题。近年来，随着模式识别、机器学习、影像组学、深度学习等人工智能关键技术的突破和丰富的影像数据资源积累，将人工智能与医学影像结合，通过人工智能算法高通量地挖掘医学影像大数据中的定量影像特征，训练并构建精准的辅助诊断模型，有望解决放射科医师在医学影像临床工作中面临的问题[2]。目前，以影像组学和深度学习为代表的人工智能技术在医学影像自动分析与辅助诊断领域被广泛研究并取得了大量成果。在病灶自动检测和勾画、定量影像特征提取、疾病诊断和预后预测等方面已有较多的临床研究和应用[3]。但现阶段人工智能技术在医学影像工作中的应用依然存在全信息影像学数据库缺失、模型性能标准化评价体系缺失、模型决策过程可解释性缺乏，以及人机协同模式有待探索等问题。

本文重点介绍人工智能在中枢神经系统疾病影像学中的主要应用，结合临床实际总结目前存在的问题，并对其应用前景进行展望。

1 人工智能在脑肿瘤影像学中的应用

脑肿瘤是危害公众健康的重要疾病之一，中国脑肿瘤年发病率约为 3～8/10万。在各类脑肿瘤中，胶质瘤具有高致死率和致残率，人工智能在脑肿瘤影像学方面的应用研究主要集中于胶质瘤。人工智能在脑肿瘤影像学应用中，以MRI作为主要的成像方法，以病灶检测与分割、肿瘤诊断、预后预测等为主要任务。在病灶检测与分割方面，国际医学图像计算和计算机辅助介入协会(MICCAI)举办了基于TCIA(The Cancer Imaging Archive)数据库的多模态脑肿瘤分割竞赛(BraTS)，为胶质瘤分割提供了训练样本和性能评价平台[4]；其中，Chang[5]构建了全卷积残差网络(FCR-NN)，实现了全肿瘤区域分割、肿瘤核心区域分割、肿瘤增强区域分割，3种分割方式的Dice系数分别达到0.87、0.81、0.72，完成整个肿瘤三维分割耗时<2 s；艾玲梅等[6]利用注意力模块改进U-net结构，使得以上3种分割方式的Dice系数分别达到 0.90、0.79和0.78。在肿瘤诊断方面，针对胶质瘤与淋巴瘤的鉴别诊断，Kang等[7]利用112例患者的三维T1加权成像增强扫描和表观扩散系数(ADC)影像数据，手工勾画肿瘤区域并提取1 618个影像组学特征，采用随机森林方法进行模型构建，取得了ROC的AUC为0.979的诊断精度；针对胶质瘤分级，Yang等[8]采用迁移学习方法，利用130例患者数据训练了AlexNet和GoogLeNet，在高低级别胶质瘤分级上取得了0.939的AUC。在预后预测方面，Nie等[9]利用高级别胶质瘤的术前多模态磁共振影像，采用可融合多通道数据的三维卷积神经网络(CNN)自动提取影像特征，结合临床特征，采用支持向量机(SVM)预测患者的生存期，准确率达到90.6%。

2 人工智能在脑血管疾病影像学中的应用

据国家心血管病中心统计，中国脑血管病的发病率与病死率总体仍呈上升趋势，相关患者在城市、农村人群中的病死率分别为126.31/10万、158.15/10万，40岁以上人群患病率约为2.06%[10]。在中枢神经系统疾病中，脑血管疾病占重要比重，因其具有发病率高、病程长、致残率高、致死率高等特点，影像学诊断在人群日常体检、相关患者疾病筛查与发病时的诊断具有重要作用。人工智能在脑血管疾病的影像学应用中，以病灶检测、病灶成分分析为主。对于脑血管疾病中最为常见的脑动脉瘤、颈动脉斑块、颅内血管畸形、血管狭窄等病症，近年来人工智能在脑动脉瘤与颈动脉斑块的筛查、诊断方面取得了一定的进展。在脑动脉瘤方面，目前临床主要以DSA为金标准，以CTA、MRA检测得到两种模态作为检查的主要手段。人工智能技术在对CTA和MRA的脑动脉瘤影像分析方面，从基于手动特征的传统机器学习方法，到基于深度学习的自动特征方法，均有较多的研究成果。在MRA的影像方面，目前采用的技术以二维CNN为主；Nakao等[11]利用三维数据的多角度投影，在二维CNN下，利用300例样本训练、100例样本测试，得到了94.2%的灵敏度；Ueda等[12]采用ResNet-18网络，利用683例样本训练、80例样本测试，得到了93.0%的灵敏度。在CTA影像方面，人工智能技术的应用已不再局限于动脉瘤的检测，同时也涉及动脉瘤破裂风险的分析；其中，Park等[13]采用三维CNN，利用611例样本训练、115例样本测试，得到了94.9%的灵敏度；Liu等[14]采用双层前馈网络对CTA影像中的脑血管瘤进行基于多因素的破裂风险分析，在594例样本的研究中得到了94.8%的准确率。在颈动脉斑块方面，近年来人工智能技术的应用更多地集中在对斑块进行筛查及其成分分析上，所处理的影像模态则以超声、CTA的影像为主；如孙夏等[15]采用二维CNN，对1 160例样本的超声数据进行颈动脉斑块检测，得到了97.33%的灵敏度；Lekadir等[16]采用二维CNN对超声影像中的颈动脉斑块进行分类，在56例数据条件下，脂质、纤维、钙化的平均分类准确率达到76.7%，其中，对脂质的分类准确率最高(83.4%)；而Dong等[17]采用ResNet-101网络，在1 098例MRI的影像数据中对脂质、纤维、钙化、出血4种类型的平均分类准确率达到74%。

3 人工智能在神经退行性疾病影像学中的应用

人工智能在神经退行性疾病影像学应用方面主要集中在阿兹海默病(AD)和帕金森病(PD)。由于AD患病初期没有明显的症状，发病机制尚不明确，约有半数患者被误认为是正常老化(NC)[18]。研究者们将人工智能算法应用于早期AD与NC的鉴别诊断；Hosseini-Asl等[19]采用三维CNN提取受试者MRI图像中的皮层厚度、大脑尺寸、海马等信息，构建智能诊断模型，区分AD与NC的准确率达97.6%；张柏雯等[18]采用特征迁移学习方法，使用预训练的AlexNet网络模型提取MRI影像特征并进行降维，最终使用SVM进行AD与NC的鉴别诊断，其准确率、灵敏度和特异度分别为95.14%、96.43%和94.83%。人工智能技术的应用已不局限于AD的诊断，亦可应用于AD进展的预测；Lee等[20]采用多模态递归神经网络，提取时序影像标记物，构建了可预测AD患者从轻度认知障碍(MCI)转变为AD的预测模型，预测准确率为81%(AUC为0.86)。PD是老年人中枢神经系统第二大常见的退行性疾病，可导致人体运动功能受损，如何识别早期PD存在较大难度，针对三维脑影像数据体积大、难以处理的问题，Ortiz等[21]首先采用等值面算法减少数据体积，然后训练CNN进行模型构建，达到了95.1%的准确率和0.97的AUC；张巧丽等[22]对AlexNet进行优化，采用13 571例患者的数据进行模型训练，2 237例患者的数据进行模型测试，最终模型识别准确率达到98.4%。在预测PD进展方面，Klyuzhin等[23]利用脑部SPECT，采用CNN进行模型构建，实现了对PD患者的认知减退预测，模型的AUC为0.74。

4 总结与展望

本文介绍了人工智能技术在脑肿瘤、脑血管和神经退行性疾病等中枢神经系统疾病影像学中的应用和研究进展，该技术在病灶自动标注、定量影像特征提取、疾病诊断和预后预测等方面已有较多临床研究，且许多研究取得了接近或者超越临床医师的水平，然而在临床中尚未见到广泛应用的人工智能模型或成熟产品。

目前，人工智能技术的临床应用方面面临以下问题：首先，模型构建仍依赖大量数据的训练，现有研究主要集中在胶质瘤等代表性疾病，难以解决小数据条件下或罕见病的诊断问题；其次，人工智能模型性能标准化评价体系缺失，难以客观评价各研究机构所建模型的真实泛化性能，不利于人工智能模型在临床推广；更重要的是，人工智能模型决策过程的可解释性缺失，模型仅能给出诊断结果却无法输出医师可理解的决策过程，限制了其临床应用；除此之外，现有的研究将人工智能模型与临床医师诊断结果进行对比，缺乏探索如何建立人工智能模型与放射科医师有效协作的人机协同模式，来提升临床诊疗效率与准确性。若能解决以上问题，人工智能技术将有望更高效地应用于临床，开创精准影像诊断新时代。