人工智能在脊髓疾病中的应用及研究进展

章 鼎,尹 飞

(吉林大学中日联谊医院 脊柱外科,吉林 长春130033)

随着科技的飞速发展,人工智能(Artificial Intelligence,AI)的应用范围不断扩大,并在医疗领域中取得了显著的成果,为许多疾病的诊断及治疗带来了新的希望。医学图像数据的广泛共享和AI算法的发展为脊髓疾病的诊断效率和准确性的提高提供了重要支持,这不仅有益于医生的决策过程,还使患者受益匪浅。本文旨在综述AI技术在脊髓疾病临床诊疗中的应用,涵盖脊髓疾病的多个方面,以探究AI技术在脊髓疾病诊断和治疗方面的现状及未来发展趋势。

1 人工智能在脊髓中如何应用

脊髓,作为一种被骨骼结构所包围的软组织,其诊疗过程中对影像对比度和分辨率的需求较高。因此,磁共振成像(MRI)数据集已经成为了大部分脊髓评估开发算法的首选数据来源。研究人员已经成功地利用高质量的MRI数据集,使用几乎所有类型的MRI序列(包括T1和T2加权序列,以及弥散张量成像(Diffusion Tensor Imaging,DTI)等高级序列)生成脊髓评估算法。

AI用于脊髓疾病诊断的前提是对在脊髓影像层面的精确分割,绘制整个脊髓轮廓,并对灰质和白质进行特定分割,为放射科医生和临床医生提供更精确的量化脊髓亚成分的机会。这种前所未有的精度有助于更快地检测和诊断特殊的疾病类型,例如多发性硬化症、肌萎缩侧索硬化、创伤性脊髓损伤,甚至生理老化[1]。

目前,有多种不同的方法基于图谱的模板变化、阈值策略或边缘/轮廓检测来实现脊髓的准确分割[1]。例如,PERONE等[2]利用T2序列并应用深度扩张卷积来自动分割灰质,相较于传统的医学成像架构(如U-Nets等),获得了更好的结果。与其他传统MRI序列相比,使用T2序列的优势在于更高的灰质和白质对比度。同样的,使用卷积神经网络(Convolutional Neural Networks,CNN)利用T2快速自旋回波图像进行的自动脊髓分割也获得了卓越的性能,脊髓分割的骰子系数为0.93,明显高于手动分割工具(0.8),与以前的分割模型(0.9)相比,更具有意义[3]。另一种方法是利用DTI中分数的固有差异来完成灰质和白质的分割。DTI在显微结构可视化方面明显优于标准MRI序列。在这种成像模式中,可以使用各种参数测量组织内水分子扩散的方向和幅度[4]。

与传统人工影像诊断相比,人工智能的自动分割方法不仅规范了诊断流程,还有助于减少肉眼诊断或半定性评估中固有的偏倚,减少了由于观察误差带来的异质性[5]。此外,高维度的大计算量也能提高敏感性,能检测出肉眼无法发现的脊髓体积细微变化,有助于对和脊髓体积变化密切相关疾病的早期诊断,比如多发性硬化症和肌萎缩侧索硬化。MATHIAS等[6]对多发性硬化症患者进行了影像组学脊髓纹理分析,发现在常规MRI序列上多发性硬化症患者的脊髓纹理在萎缩性变化之前已经发生了变化,这为多发性硬化症的早期诊断提供了手段。

2 人工智能在脊髓中的诊疗应用

脊髓损伤(Spinal Cord Injury,SCI)和导致脊髓或神经根压迫的脊柱退行性变化是脊柱外科医生面临的两大类疾病类型。随着大量脊髓数据的开放共享,创建多学科和多中心协作网络创建大型数据集,利用AI解决脊髓疾病诊断、治疗和预后等问题是目前备受关注的研究领域。基于脊髓各种成像技术的AI算法已被应用于其中,给脊髓疾病的诊治带来了新的方向。

2.1 诊断

SCI的早期精准诊断和分类对临床治疗具有重要意义。在大多数情况下,传统的MRI和CT成像方法不足以解决一些特定患者的诊断和预后问题。在多发性创伤的情况下,患者可能无法进行可靠的神经系统检查,可能会掩盖SCI的性质,此时应强调运用影像学检查技术来判断SCI程度的重要性。DEMIRES等[7]通过使用支持向量机(Support Vector Machines, SVM)、层次聚类树分析(Hierarchical Custer Tree Analysis,HCTA)和人工神经网络(Artificial Neural Networks,ANN)等方法分析皮节和皮肤阻抗,发现SVM和HCTA模型在SCI和对照组之间的识别精确度高于ANN模型,提高了无意识或无法配合的患者SCI的诊断精度,减少了临床检查的依赖。使用DTI评估创伤性SCI是一个值得研究的领域。虽然临床上已经应用了传统的软件分析,但较新的人工智能算法的运用提高了从DTI中提取额外信息的潜力。TAY等[8]开发了一种基于DTI采集图像的机器学习(Machine Learning,ML)方法来评估SCI程度。采用了模式识别算法定位不同平面T2和T1序列的脊髓损伤区域,评估DTI弥散各向异性和分数各向异性,以评估脊髓病变和白质束破坏的程度,区分了健康和SCI患者,该模型灵敏度为91%,特异性为95%。

退行性脊柱疾病主要发生于颈椎和腰椎,是一类常见的慢性病。LEE等[9]创造性地使用生成对抗网络(Generative Adversarial Network,GAN)从腰椎CT扫描中合成得到了轴向T2加权MRI切片,该方法与实际腰椎MRI扫描的相似性为80.2%。随着这项技术的改进,提供了一种更有效和更具成本效益的选择,即使用CT扫描也能产生与MRI相同的结果。

2.2 治疗及并发症防范

随着SCI持久损害,加上人口老龄化背景下退行性脊柱疾病的发病率增加,准确预测不同患者的预后并据此采用个体化的治疗方法是科研工作者的未来攻克的重点。AI中的ML是实现该目标的重要有用工具。DEVRIES等[10]通过无监督ML算法利用患者因素来预测SCI后其功能状态并进行个体化评分。使用这些与患者相关的众多因素的预测,脊柱外科医生可以针对不同患者采取个性化方法。例如,针对因个体因素未来可能出现症状更加严重的患者,可给予积极手术干预和后续康复治疗。

压疮是SCI最常见的并发症之一,会增加患者感染和脓毒症的风险。FU等[11]通过ML创建了一个智能模型,运用在不同轮椅角度下多普勒记录的血流指标以确定最佳的轮椅倾斜角度以及最佳的持续时间和频率,以降低压疮风险。未来,可能会利用ML模型预测并预防SCI后的多种并发症,并根据个人特征和不同的患者需求对风险进行危险分层,给予个性化康复管理。

2.3 预后和恢复

如何通过影像组去预测SCI患者预后是临床医生一直关注的重点[12]。为克服自身脊柱病变导致的急性SCI的分割错误,MCCOY等[3]使用2D CNN对受伤后24小时内的急性SCI进行自动分割和分类,其创建的BASICseg模型明显优于现有的SCI分割模型,其中BASICseg-3模型更与受伤后的下肢运动评分相关。此外,OKIMATSU等[13]开发了一种基于深度学习的影像组学模型,使用CNN量化放射学特征,对SCI患者1个月的神经系统检查结果进行分类分层。该研究分析了215份SCI患者的病历,并预测了其短期功能预后,其准确率为71%。这些结果提示我们AI运用有助于预测SCI的预后,揭示了其在预后领域中的应用潜力。

虽然SCI恢复的自然病程可能难以预测,但是确定完全与不完全运动障碍损伤严重程度的ASIA分级,可以为长期的功能预后提供推断。而ML则可进一步实现对SCI患者个性化康复护理并预测其重新获得独立行动能力。ZARIFFA等[14]通过对颈部SCI进行力量、敏感性及抓力分级评估(GRASSP)来测量损伤程度并运用ML来进行预测分析。该研究分析了138个经GRASSP评估的数据集,并训练了ML分类器来预测各指标的分数。研究发现,该模型预测分数与实际分数的Spearman系数的P值为0.84,表明其具有较高的预测能力。

除此之外,退行性疾病的预后也是AI研究的热点之一,JIN等[15]使用DTI数据来预测颈椎退行性疾病患者的预后。从DTI导出包括各向异性分数、平均扩散率、轴向扩散率和径向扩散率在内的参数,并构建了逻辑回归(Logistic Regression,LR),K近邻(K-Nearest Neighbor,KNN)和基于径向基函数的支持向量机(Radial Basis Function-Support Vector Machines,RBF-SVM)模型,其中RBF-SVM模型结果对颈椎退行性疾病预后的灵敏度和特异度最高,分别为85.0%和92.4%。WANG等[16]基于ML,根据DTI参数构建了多种分类器来自动识别脊髓型颈椎病的患者,其中采用支持张量机模型的准确性最高,为93.62%,并且也有较高的灵敏度和特异度。

3 总结及展望

尽管AI模型已经显示出非常有希望的结果,但必须严格考虑实际和道德问题。首先,模型不能取代人类的决策能力,它们可以提供的是改善诊断治疗过程的补充信息。其次,AI模型需要在其应用程序中进行人工集成,从而有可能使治疗诊断过程人性化。此外,AI模型结果的转换需要人类逻辑,因为AI模型是在研究环境中创建的,无法保证临床环境中的性能。最后,使用有完整数据的患者可能会引入选择偏倚,因为这些患者不一定代表整体患者群体。在批准临床使用之前,应进行外部验证研究,以确认AI模型的临床安全性和有效性。