人工智能技术在颈动脉斑块超声检查中的应用进展

张红珍,杨少玲

(1.安徽理工大学附属奉贤医院超声科,上海市 201499;2.上海市第八人民医院超声科,上海市 200235)

20世纪60年代,达特茅斯学院的一次人工智能会议首次提出了“人工智能(artificial intelligence,AI)”的概念,人工智能技术被描述为制造智能机器的科学工程技术[1]。与人脑不同,人工智能的本质是模拟人类思维的一种计算机系统过程,人们通过人工将算法输入人工智能系统,使其具有算法功能,从而服务于人类生活及医疗活动[2]。

AI技术主要包括机器学习(machine learning,ML)和深度学习(deep learning,DL)[3-6]两个子领域。机器学习被描述为计算机从经验中学习并在没有事先知道的情况下执行预定任务的过程[7]。具体而言,机器学习就是AI系统通过识别和提取一组观测数据(数据集)的模式自主获取知识的过程[8]。基于用于学习的样本是否被完全标记、部分标记或未标记,机器学习可以进一步分为监督、半监督和无监督学习,其中人工神经网络(ANN)是机器学习最典型的例子之一[9]。ANN主要是为了解决某种特定任务而设计,根据层状神经元的不同权重反映类似于人类大脑神经元之间的相互依赖性,每个神经元可接收多个输入,多个输入一起决定激活神经元,被激活的神经元输出一个信号以确定下一层神经元的状态,直到最后一层的神经元输出感兴趣的值,如分类决策或估计值[8,10]。

深度学习是机器学习的一个子领域,与此同时,它也是深度神经网络的一个应用领域,深度学习使用多层的ANN来识别数据[11]。深度学习通过建立ANN的网络层次结构,进而一层一层地提取输入的信息,并表示为学习能力[12]。目前,图像识别和深度学习是人工智能在医学影像应用中的两个主要部分,这两部分均是基于对医学影像大数据的挖掘与应用,其中深度学习是人工智能应用于医学影像图像分析的核心环节[13-14]。现今,AI技术已发展成为一项里程碑式的计算机技术,其一经研发即受到医疗各个领域的广泛关注,尤其是在超声医学领域,本文就人工智能技术在颈动脉超声检查中的应用进展进行综述。

1 AI技术在颈动脉超声检查中的应用现状

目前,缺血性脑卒中已成为世界上最主要致死致残的原因之一[15-16]。有研究表明80%的脑卒中缺血过程是由颈动脉粥样硬化易损斑块破裂、脱落而导致,因此,颈动脉粥样硬化斑块被认为是导致缺血性脑卒中的主要原因之一[17-18]。对脑卒中高危人群而言,早期识别发现颈动脉粥样硬化斑块,及时评估分类颈动脉粥样硬化斑块具有非常重要的临床意义[11]。超声是目前检测颈动脉形态学最便捷、灵敏、可靠的评价方法,颈动脉超声检查通过检测颈动脉粥样硬化斑块达到预测缺血性脑卒中发生危险风险的目的[19-21]。但是,目前超声医师缺口大、医疗技术水平分布不均是我国颈动脉超声检查普遍存在的现状,尤其是我国医疗资源相对匮乏的基层地区,人均医疗供给水平非常低下[13],这使得广泛有效开展颈动脉超声检查进行卒中的一级预防困难重重。

人工智能技术可以基于图像分析颈动脉内膜中层厚度(IMT)和斑块面积(PA)及斑块内部成分,进而评估颈动脉粥样硬化斑块的稳定性[22]。应用人工智能技术,医生不再是只能在获取图像的地点或接近该地点进行诊疗,而是通过人工智能技术可实现远程诊疗[17,23]。不仅如此,人工智能技术可以高效协助超声医师快速做出临床诊断决策,大大减少超声医师的工作量,有效解决地域之间医疗技术水平不均的问题[24]。因此,人工智能技术不仅可以取代大量机械性、重复性工作,还可辅助超声医师发现分析病灶、客观消除检查者之间的差异。我国当前的颈动脉超声检查现状急需发展智慧医疗,利用人工智能技术提高我国医疗资源的利用率及供给量,这是改善当前我国颈动脉超声医疗现状,预防缺血性脑卒中发生的关键。

2 AI技术在颈动脉斑块超声检查中的具体应用

2.1 在颈动脉斑块智能诊断中的应用AZZOPARDI 等人[25]提出了一种新的深度神经网络作为一种全自动的分割工具,使用全自动方法分割颈动脉超声图像的中膜外壁和管腔内膜边界,实现自动分割颈动脉超声图像,利用振幅数据和强度不变相位一致性图作为数据源,开发了一种新的几何约束目标函数用于深度卷积U-Net的训练,与使用标准广义骰子损失函数训练的U-Net相比,添加几何约束可以使DICE性能系数提高。2020年,VILA等人[26]基于密集连接的卷积神经网络(DenseNets)对整个图像进行语义分割,运用人工智能技术手段以斑块分割为基础,对颈动脉斑块的总体积、面积、斑块的形态学和组成成分进行全面分析,从而对颈动脉斑块稳定性进行综合评估,这种方法对斑块检测和CIMT测量均是准确、客观的。ACHARYA等人[27]研究发现噪声、低对比度使得超声图像分割成为一个相当困难的问题,于是他们借鉴Deriche边缘检测器(1990版本)提出了用一种基于传统二维分割算法的高斯噪声模型,然而,该模型方法在临床数据上还没有得到验证。

针对超声图像的分割问题,CHRISTODOULOU等人[28]采用基于单基因信号的局部相位和局部方向的速度项,使算法对衰减伪影具有鲁棒性,使用柯西核替代常用的log-Gabor作为特征提取的正交滤波器能有效处理噪声,敏感捕获低对比度的边界。该研究认为深度卷积神经网络(DCNN)应用于颈动脉斑块超声图像的自动分割是可行的,利用人工智能技术可实现超声图像的降噪、斑块边界、形态的自动分割,从而辅助超声医师客观准确地评价颈动脉粥样硬化斑块,具有实际意义的临床指导价值。

2.2 在颈动脉斑块成分分析中的应用近年来,颈动脉斑块的超声形态、回声特征及斑块成分分析在中风风险分类中具有非常重要的临床价值[29]。ARAKI等人[30]研究发现颈动脉斑块是心血管疾病(CVD)的可靠标志物,随着斑块大小的增加,特别是带有纤维帽及大脂质核心(脆弱的斑块)组成的斑块,其发生心血管CV事件的风险也随之增加。在AI技术超声实践应用中,LIU等人[31]使用自组织映射(SOM)和KNN统计方法手工提取斑块的超声纹理特征。HOLLOWELL等人[32]提出了一种基于深度学习的分类方法,该方法利用传统卷积神经网络,分析超声扫描采集的90 000张斑块图像,根据脂质核、纤维帽和钙化组织的像素数测量了斑块的面积,提取56个颈动脉斑块超声特征,最后证明传统卷积神经网络的方法准确度可达到96%。因此,颈动脉粥样硬化斑块的回声及具体成分是评估心血管事件发生的重要因素。采用KNN、卷积神经网络等人工智能技术可有效识别超声图像中低回声斑块,准确、快速地分割出斑块的不同成分(如纤维帽、脂质核和钙化),进一步评估颈动脉粥样硬化斑块的稳定性。

2.3 在颈动脉斑块风险评估中的应用CVD是导致死亡的主要原因[33]。相关学者[34-36]研究发现在CVD事件的风险评估中,人工智能的预测模型比传统统计学推导的风险预测模型性能更好, AI算法能够处理输入的非线性变化因素,也可以灵活地添加医学成像的相关危险因素。JAMTHIKAR等人[37]在人工智能风险预测模型中,将颈动脉超声图像特征与传统危险因素相结合,为CVD的风险预测提供了更强大的“证据”,即所谓的“综合预测CVD风险模型”。SKANDHA等人[38]设计了一个包括DCNN、视觉几何组-16(VGG16)和迁移学习(tCNN)三种深度学习分类模式的计算机辅助诊断(CADx)系统分析研究颈动脉粥样硬化斑块,结果发现三种深度学习分类系统中,DCNN对于颈动脉粥样硬化斑块的分类是最佳的,因此,人工智能的系统为颈动脉粥样硬化斑块分类提供强大的风险预测方案。不仅如此,临床研究中还发现其他系统的疾病也是颈动脉粥样硬化斑块形成的高危群体。心血管系统是甲状腺激素和甲状腺的一个特定的靶点,甲状腺功能障碍常干扰心血管血流动力学。OJAMAA等人[39]研究数据表明除了介导低胆固醇血症的机制外,甲状腺激素可通过对血管的直接作用来促进动脉粥样硬化,甲状腺激素直接作用于血管平滑肌细胞,以放松冠状动脉,此研究提出动脉粥样硬化和甲状腺功能减退之间存在一定的关联。因此,将颈动脉粥样硬化斑块超声图像特征与CVD危险因素相结合,利用人工智能技术如深度卷积网络构建心血管事件的风险预测模型,比传统的预测模型具有更高的准确性及稳定性。不仅如此,该技术还可以辅助诊断其他系统疾病颈动脉粥样硬化斑块的发生,预警此类患者缺血性脑卒中发生的风险。

3 局限性与挑战

相对于传统医疗模式,人工智能医疗前景不可估量,但仍面临巨大挑战。人工智能面临的局限性和挑战包括人工智能技术自身的挑战、安全、法律不完善等问题,这些问题都阻碍了人工智能的发展[40]。首先,人工智能算法缺乏透明度,我们无法得知深度学习输入层和输出层之间多个隐藏层的内部结构,如果算法的隐藏层出现错误,无法判定是具体哪一层出问题,因此很难找出解决问题的具体方案[41]。其次,人工智能技术的安全问题,它包括患者伦理知情同意、个人隐私和患者数据保护及所有权、数据透明度和客观性等多方面[42]。再次,人工智能技术法律公平问题,目前还没有全球统一的关于人工智能在医学上应用的法律或法规来规范从业者的行为[43],当遇到人工智能医疗纠纷时,责任该归属于哪一方?每一位利益相关者的责任界限如何[44]?

在医疗发展需求的推动下,人工智能技术无疑具有非常广阔的前景。然而,面对这样一个新技术我们应当要有一个全面和客观的理解。针对人工智能技术存在的所有局限性,其中人工智能技术的安全问题是人工智能应用于医疗行业中最重要的问题。不断地改进人工智能技术算法应用,完善人工智能法律,明确人工智能诊疗过程中的责任方都是为了人工智能技术能更好地应用于医疗领域,最终让每位医生和患者均受益。

4 小结

缺血性脑卒中已日益发展成为影响国民健康的严重的公共卫生问题。导致缺血性脑卒中的致病因素有许多,如长期吸烟史、糖尿病、高血压、高脂血症、心脏疾病或肥胖等,其中颈动脉粥样硬化易损斑块是缺血性脑卒中发生最主要的危险因素。颈动脉粥样硬化易损斑块具有发病率、致残率、复发率和死亡率高的特点,及时有效地检出颈动脉粥样硬化易损斑块,对预防缺血性脑卒中的发生意义重大。将人工智能技术应用在颈动脉超声检查中,可辅助超声医师快速、有效、准确地对颈动脉粥样硬化易损斑块实施诊断,这对控制缺血性脑卒中的病情发展,改善缺血性脑卒中患者预后具有极其重要的意义。