复旦大学附属华山医院神经外科的顾宇翔教授、毛颖教授等通过脑血管造影的颈内动脉动态图像构建烟雾血管自动识别模型，并采用多视图卷积神经网络及决策树算法，将年龄、性别、血管危险因素与全脑血管造影动态图像相结合，建立一种新型烟雾病出血风险预测模型。结果发表于2021年5月的《Neural Regeneration Research》杂志。
——摘自文章章节
【Ref: Lei Y, et al. Neural Regen Res. 2021 May;16(5):830-835. doi: 10.4103/1673-5374.297085.】
烟雾病（Moyamoya disease，MMD）是一种原因不明的、以双侧颈内动脉（internal carotid artery，ICA）及其近端分支进行性狭窄或闭塞为特征，并继发颅底异常血管网形成的脑血管病。烟雾综合征以单侧颈内动脉进行性闭塞为主。颅内出血是成人烟雾病患者主要临床表现。烟雾病的颅内出血可能反复发生，而且很难预测。近年来深度学习算法的快速发展，为识别隐藏的危险因素、评估不同因素的权重、为定量评价风险提供新思路。复旦大学附属华山医院神经外科的顾宇翔教授、毛颖教授等通过脑血管造影（digital subtracton angiography，DSA）的颈内动脉动态图像构建烟雾血管自动识别模型，并采用多视图卷积神经网络（mult-view convolutonal neural network，MV-CNN-C）及决策树算法，将年龄、性别、血管危险因素与全脑血管造影动态图像相结合，建立一种新型烟雾病出血风险预测模型。结果发表于2021年5月的《Neural Regeneration Research》杂志。
作者收集华山医院2017年1月至2019年9月符合研究标准的460例成年烟雾病患者数据，共878份阳性样本，其中418份为双侧大脑半球烟雾病患者和42份为单侧大脑半球烟雾综合征患者的脑血管影像资料；以及500份单侧未破裂颅内动脉瘤患者的对侧大脑半球血管影像资料，即阴性样本。以ResNet-152算法构建烟雾血管自动识别模型。该模型学习速率为0.001，每7个周期的指数衰减系数为0.1。采用五重交叉验证策略避免抽样偏差。将样本划分为五个具有相同阳性或阴性样本比率的集合，其中四个集合用于训练，其余集合用于验证。然后，整个过程重复五次，直到所有的集合都进行验证。最后取五个独立验证的平均值。计算模型灵敏度和特异性以及受试者工作特征（receiver operating characteristc，ROC）曲线下面积。
在出血风险预测研究中，共纳入126例有出血病史的阳性样本，其中，118例烟雾病患者和8例烟雾综合征患者同侧大脑半球血管影像资料；以及634例无颅内出血史的阴性样本，其中，300例烟雾病患者双侧大脑半球和34例烟雾综合征患者患侧大脑半球影像资料。收集每个样本的人口统计学特征，包括年龄、性别、高血压、吸烟和饮酒史，以ICA、颈外动脉和椎-基底动脉的动态DSA原始数据进行建模。通过MV-CNN算法来提取图像特征（图1）。利用自适应重要性向量对所有特征图进行加权，而不是直接的最大化。重新加权后的特征图由两个共享的稠密块进行编码，生成最终的图像特征向量X∈R4416×1。特征向量X之后是一个具有逻辑函数激活的全连接层，输出风险预测R=σ（βT X），其中β∈R4416×2为全连接层的权值向量，σ为Softmax激活函数。为提供反向传播的损失函数，将风险输入到交叉熵层，计算负对数似然值：（β，X, Y）=Σαtyilog[σ（βTXi）]，其中xi和yi为图像特征向量及其相应的风险注释。具体地说，引入一个加权因子αt作为逆类频率，对阳性样本为634/（126+634），对阴样本为126/（126+634）。正负样本对总损失的贡献是相等的。采用带动量的随机梯度下降法通过反向传播最小化负对数似然值，优化模型权重和偏差。动量设置为0.9，初始学习率设置为0.01，指数衰减系数为0.1。模型训练200个纪元，其中minibatch的大小为4。随后，采用梯度增强决策树方法将图像与临床特征相结合，开发出MV-CNN-C算法。
图1. DSA图像特征提取方法（A、B），多视图卷积神经网络组合结构（C）。利用两个前馈紧密连接的卷积块提取输入图像的特征图。该致密块由5个卷积层组成，各层之间前向连通，以减少信息损失和梯度消失。采用两层挤压和激振块对特征图进行学习。最后提出了一种梯度增强决策树方法，将图像与人口统计学和血管危险因素的临床特征相结合。烟雾病、烟雾综合征和颅内动脉瘤患者在年龄、性别、吸烟以及饮酒史等方面均无显著性差异（P＞0.05）。高血压史有显著差异（P＜0.001）。大多数烟雾病患者临床Suzuki分级III-IV级，与烟雾综合征相似，烟雾病和烟雾综合征患者颅内出血发生率没有显著差异（P＞0.05）。经多次重复训练和验证，ResNet-152模型的平均准确率为97.64±0.87%，灵敏度为96.55±3.44%，特异度为98.29±0.98%。ROC曲线下面积达0.990。通过对MV-CNN-C算法与MV-CNN、普通CNN以及MV-CNN-NA算法的性能比较（图2），MV-CNN-C具有最高的平均分类精准度，这意味着梯度增强决策树算法比 MV-CNN，挤压和激励（Squeeze-and-Excitation，SE）块比MV-CNN-NA和双向输入结构比普通CNN都有助于提高MV-CNN-C性能。以16个阳性样本和16个阴性样本在MV-CNN-C的全连接层提取的深度特征转化为64×69矩阵为例，样本之间的特征差异明显。经过5次重复训练和验证，该算法的平均准确率为90.69±1.58%，灵敏度为94.12±2.75%，特异度为89.86±3.64%。
图2. MV-CNN-C算法与MV-CNN、普通CNN以及MV-CNN-NA算法的性能比较。
综上所述，该研究的深度学习算法，MV-CNN-C已证明具有临床价值，可以帮助烟雾病的自动诊断和及时识别再出血的风险。作者正在建立一个国家数据库，将通过正在进行的烟雾病多中心研究帮助确立更好的深度学习模型，为转化和服务临床提供更广阔的途径。
声明：脑医汇旗下神外资讯、神介资讯、脑医咨询所发表内容之知识产权为脑医汇及主办方、原作者等相关权利人所有。未经许可，禁止进行转载、摘编、复制、裁切、录制等。经许可授权使用，亦须注明来源。欢迎转发、分享。
