文章来源：中国脑血管病杂志, 2021, 18(7):477-481.
作者：耿介文 张鸿祺
基金项目:国家重点研发计划(2016YFC1300800);北京市科学技术委员会科技计划项目(Z201100005520021)
通信作者:张鸿祺,Email:xwzhanghq@ 163. com
摘要: 颅内动脉瘤在人群中发病率较高,且破裂后具有高致死､致残风险｡颅内动脉瘤的检出､破裂风险预测､诊疗决策及治疗预后等均是医师在动脉瘤诊疗中关注的问题｡人工智能技术作为一门新兴的交叉学科,能够很大程度上在诊疗中辅助临床医师｡该文对目前人工智能技术在动脉瘤诊疗领域中应用的研究进展进行了综述｡
“人工智能(artificial intelligence,AI)”在1956 年由英国数学家Turing 提出,其是一门应用机器模拟､拓展人的思维及智能的新兴科学技术,是计算机､控制论､信息论､数学及心理学等多学科相互融合的交叉学科[1]｡近年来,AI 技术开始被广泛应用于科技､工作及生活的方方面面,人们熟知的智能家居､自动驾驶等都是AI 衍生的相关技术[1]｡医疗行业是AI 技术应用的重要领域,AI 较早被应用于肺结节的筛查及儿童骨龄测算[2-3]｡随着技术的全面开发,多个医学专业开展了AI 辅助诊疗的相关研究｡
颅内动脉瘤是颅内血管壁薄弱区因不稳定血流的长期冲击而形成的病理性膨胀,其人群患病率约为3.2% [4]｡一项我国社区人群患病率的调查结果显示,颅内动脉瘤人群患病率约为7% [5]｡每年有0.25% ～0.50%的未破裂动脉瘤发生破裂[4],一旦破裂,其病死率将高达50% [6]｡据统计,中国人群蛛网膜下腔出血(SAH)发病率为2.0 /10 万人年[7],其中约85%是由动脉瘤破裂引起[6]｡同时,动脉瘤的治疗并非绝对安全,开颅手术或介入治疗均存在4.3% ～4.6%的残死率,10.0% ～ 24.6%的患者术后出现短暂或永久性神经功能不全[8]｡因此,动脉瘤的筛查､诊断､治疗决策､手术方式及预后情况等方面均是神经外科及介入科医师所关注的重点｡近年来AI 技术在这些方面不断开拓,日益成为动脉瘤诊疗的一项重要辅助手段｡该文就AI 技术在动脉瘤诊疗中的研究及应用进行综述｡
1 动脉瘤辅助诊疗中的常用AI 技术
动脉瘤辅助诊疗中常用的AI 技术包括基于预先提取特征的机器学习技术和基于神经网络的深度学习技术[9]｡基于预先提取特征的机器学习技术是指首先提取一种事物的若干选择性特征,输入到特定模型,通过训练得到模型参数的方法,尤其适用于无线性相关的各种选择性特征｡该类模型包括随机森林模型､支撑向量机模型以及K-近邻模型等[10]｡该技术多应用于动脉瘤风险预测模型的建立｡而基于神经网络的深度学习技术,则是通过自动从数据中学习抽象的､高阶的特征而无需预先提取特征[10]｡其中卷积神经网络(convolutional neuralnetworks,CNN)在图像识别方面尤其具有优势,其简要原理为,卷积神经网络算法在每一个卷积层使用大量的卷积核作为特征提取器,卷积核滑过整个图像后,得到的特征图包含了图像中存在的海量信息｡层与层之间,通过池化与非线性激活操作,进行层层抽象化,每一层可以在上一层学到的特征中提取新的更抽象的特征[11]｡该技术主要应用于动脉瘤的自动检出,应用动脉瘤DSA､磁共振血管成像(MRA)或CT 血管成像(CTA)等图像进行算法训练时,低层级的特征可能为边缘､角､灰度､梯度等特征,高层级的特征可能为形状､结构的特征｡与全连接神经网络相比,CNN 参数量小,不容易过拟合[12]｡
2 AI 技术应用于动脉瘤筛查
对于怀疑DAVF 患者的无创性筛查手段有超声､CT､MRI,虽然DSA 依然是诊断DAVF 的金标准,但是随着CT､MRI 等诊断技术分辨率的提升,DSA 多用于评估供血动脉､引流静脉和确定瘘口部位,无创诊断技术有望在诊断和随访中替代传统DSA[5]｡
2.1 DSA 动脉瘤自动识别技术
DSA 是动脉瘤诊断的金标准[13]｡近年来,有多项基于DSA 开展的AI 动脉瘤自动检出的相关研究[11,14-15]｡Podgorsak 等[14]收集250 例动脉瘤数据,以CNN 算法进行AI 训练,并采用100 例动脉瘤数据作为验证集进行了验证｡该试验在识别动脉瘤的同时进行自动分割,故分析时采用了Dice 相似系数(即二､三维图形在空间中的重合部分体素数× 2 /两图形体素数之和,若完全重合,则该值接近1)评价分割得到动脉瘤图像与原图像的重合度,最终Dice相似系数为0.903｡同时,该试验的另一优势为加入了对于带弹簧圈动脉瘤的检出与分割｡Jin 等[11]纳入了851 例动脉瘤二维DSA 数据,并采用双向设计CNN 算法进行训练,随后对354 例动脉瘤数据进行验证,最终的动脉瘤检出敏感度为94.3% ｡该训练集为目前所报道的最大训练集,并且采用双向设计CNN 算法,使检出精度进一步加强｡该试验局限性是检出假阳性率较高,为3.77 /序列,该算法对于血管转折以及壶腹等识别尚存在不足｡Zeng 等[15]则纳入了263 例动脉瘤数据,采用将空间信息融合技术与CNN 算法结合的AI 训练方式,获得了99.38%的动脉瘤检出敏感度和98.19%的特异度,是目前文献所报道的检出敏感度最高的一组算法｡
DSA 作为一种有创且相对复杂的操作,用其作为动脉瘤筛查手段的中心较少,且三维旋转DSA 可以避免绝大多数误诊情况出现,因此DSA 动脉瘤自动识别的应用范围有其局限性｡
2.2 MRA 动脉瘤自动识别技术
MRA 因其简便易行和无创无辐射的特点,目前已成为最常用于动脉瘤筛查的影像手段[16]｡Stember 等[17]最先应用CNN 训练学习了336 例动脉瘤MRA 数据的最大强度投影相,检出敏感度达98.8% ｡但该试验训练集样本量较小｡近期开发的MRA 动脉瘤自动识别技术,多是基于MRA 的断层序列进行的动脉瘤识别｡Ueda 等[18]对683 个动脉瘤MRA 图像的断层数据进行了CNN 训练,采用了521 个内部验证MRA 序列及67 个外部验证序列,动脉瘤检出敏感度为93% ｡该试验设计层次感好,样本量足,并且对动脉瘤病例基线资料进行了良好匹配,可重复性强,但对于后循环动脉瘤(检出率79% )及大动脉瘤(检出率83% )的检出效果不佳｡Sichtermann 等[19]通过对115 例动脉瘤MRA 断层数据的CNN 训练,得到了90%的检出敏感度,并且在最大径>7 mm的动脉瘤图像中,所有动脉瘤均可被精确检出｡Chen 等[20]应用131 例及Joo 等[21]应用588 例动脉瘤MRA 断层数据进行了CNN 训练,分别得到了94.4%及87.1%的检出敏感度｡随着3.0 T MRI 扫描的普及,很多研究倾向于应用MRA 对动脉瘤进行筛查､诊断以及随访[5,22]｡
MRA 动脉瘤自动识别技术的开发有很好的临床使用价值,可以在动脉瘤筛查及诊断中提高诊断精度,并极大减少人力､物力｡然而MRA 动脉瘤自动识别技术仍存在假阳性率较高的普遍问题[23],虽然部分研究表明,假阳性结果对于临床医师来说易于排除[11],但会极大影响检出效率,并且严重影响模型的实用性｡有研究认为,只有提高目前的样本量才能有效降低假阳性率[19]｡还有研究提出,需要将检出错误或检出率差的动脉瘤样本进行样本量扩充,反复进行神经网络学习,才能有效改善检出率和降低假阳性率[18]｡由此可见,该技术真正转化于临床使用还需进一步研发以解决相关问题｡
2.3 CTA 动脉瘤自动识别技术
CTA 重组后动脉瘤诊断效果较DSA 稍弱,但是简便易行,辐射及创伤较DSA 小,在部分中心目前仍被作为血管病筛查及SAH 后动脉瘤筛查的常规手段｡目前关于动脉瘤CTA 自动识别技术的研究较MRA 少,且均基于CTA 断层去骨图像进行动脉瘤识别训练｡Park 等[24]对611 例CTA 图像的断层去骨相进行CNN 训练,在测试集115 例数据中,检出敏感度为94.9% ,是目前所记载的最早出现的CTA 动脉瘤自动识别研究｡Dai 等[25]随后对208 例CTA 图像的断层去骨相进行了CNN 训练,并在测试集的103 例数据中获得91.8% 的动脉瘤检出敏感度｡该研究同时指出,经过神经网络训练的模型对于最大径<3 mm 动脉瘤检出能力较弱｡Shi 等[26]对1 177例经过DSA 验证的CTA 断层去骨相动脉瘤数据进行CNN 训练,获得了84.1%的动脉瘤水平检出敏感度和94.4%的患者水平检出敏感度｡值得一提的是,该研究对于假阴性率控制良好,单例样本假阴性数仅为0.26｡
3 AI 动脉瘤预测模型
AI 技术除被应用于动脉瘤筛查外,还被广泛应用于动脉瘤破裂风险､预后及治疗效果预测等相关研究[27-32]｡其中,以动脉瘤破裂风险预测相关研究报道最多,可以为制定未破裂动脉瘤的治疗方案提供一定参考｡动脉瘤预测相关模型中涉及各种类型AI 技术,其中以机器学习相关技术为主｡
3.1 动脉瘤稳定性
预测动脉瘤的不稳定即未破裂动脉瘤发生破裂或增长[4],与动脉瘤的诊疗规划密切相关｡目前的绝大多数AI 风险预测类研究致力于此｡Liu 等[27]采用双层前反馈神经网络技术及适应性合成等相关技术,对54 个破裂的前交通动脉动脉瘤及540 个未破裂前交通动脉动脉瘤进行了17 种动脉瘤特征的学习训练,最终动脉瘤破裂预测准确度为94.8% ｡Kim 等[28]对368 例最大径< 7 mm 的前循环动脉瘤进行了CNN 算法训练,其中244 例为破裂动脉瘤,最终在272 例动脉瘤中对动脉瘤破裂预测进行了验证,得到了76.84% 的预测准确度｡该研究聚焦于最大径< 7 mm 的既往认为具有低破裂风险的动脉瘤[29],具有一定的临床价值｡Zhu 等[30]对528 例不稳定(定义为破裂不足1 个月或随访中发生生长)的动脉瘤与1 539 例稳定动脉瘤(定义为未破裂､未增长动脉瘤)的13 类临床特征及18 类动脉瘤形态特征,采用支撑向量机[31]､随机森林[32]和前反馈神经网络[33]模型三种AI 模式进行学习,并将训练结果与传统Logistic 回归分析和PHASES 评分[34]进行了预测动脉瘤破裂效能的对比发现,AI 模式的受试者工作特征曲线下面积(area under curve,AUC)明显高于PHASES 评分(0.831 ～ 0.851 比0.615,P <0.01),同样略高于传统Logistic 回归分析(AUC =0.810,P =0.038),效能较传统评分和统计模型更为优良｡该研究不仅比较了破裂与未破裂动脉瘤的差异,还首次将动脉瘤增长纳入动脉瘤稳定性分析,更加符合目前的临床诊疗决策理念[35]｡Detmer 等[36]采用K-近邻[37]､支撑向量机､随机森林等多种AI 技术,对1 631 例动脉瘤的流行病学特征､形态学特征及血流动力学特征进行了学习,最终得到76.0% ～79.0%的动脉瘤破裂预测准确度｡血流动力学是动脉瘤稳定性评估不可缺少的评估因素[38],该研究纳入血流动力学因素,使得到的模型更加系统｡
破裂风险预测或者不稳定风险预测模型拥有较PHASES 评分等既往常用的风险评估系统更好的效能,使医师在制定治疗方案时能够更加有据可依｡
3.2 动脉瘤治疗及预后预测
部分AI 技术聚焦于采用密网支架治疗动脉瘤的闭塞效果预测｡Guédon 等[39]采用分类回归决策树算法对146 例(154 个动脉瘤)置入密网支架的患者进行了机器学习,最终总结了6 项(动脉瘤最大径､栓塞后影像特征､载瘤动脉上下游直径比､瘤径与载瘤动脉比､有无侧支血管及患者性别)与动脉瘤密网支架栓塞预后相关的因素,并基于以上因素总结了预测密网支架闭塞动脉瘤情况的DIANES(diameter,indication,artery,neck,exit,sex)评分｡Paliwal 等[40]对于血流导向装置术后48 例动脉瘤完全栓塞和16 例瘤体或瘤颈有残留的动脉瘤患者进行K-近邻､支撑向量机､神经网络3 种模式机器学习,学习内容包括16 种动脉瘤血流动力学参数及血流导向装置相关参数,并行Logistic 回归分析,得到相关预测模型｡学习后用该算法对另20 例患者进行了术后闭塞情况预测,K-近邻模型预测准确度达85% ,神经网络模型和支撑向量机模型预测准确度达90% ｡除了治疗效果预测之外,AI 技术还用于动脉瘤破裂后的预后及并发症预测｡在一项最早将AI 技术应用于动脉瘤的研究中,Skoch 等[41]对16 例SAH患儿中发生症状性血管痉挛者进行了神经网络模型学习,学习后该算法对于症状性血管痉挛并发症的预测准确度达93%｡Xia 等[42]提取485 例破裂前交通动脉动脉瘤临床特征及影像学特征,输入随机森林模型进行训练,并进行了122 例患者数据的内部验证及202 例患者数据的外部验证,最终获得了78.3%的内部验证准确度及73.8% 的外部验证准确度｡
4 总结及展望
目前,AI 技术在动脉瘤诊疗过程中主要参与辅助诊断以及动脉瘤不稳定性预测的相关工作｡AI技术的不断研发,有助于医师更方便､快捷､精准地对动脉瘤进行筛查,并对动脉瘤的破裂风险做出更精确的预测｡事实上,AI 技术应用于动脉瘤手术也一直是临床研究者及工程师着力开发的项目,近年来有智能化相关公司研发出介入过程中AI 微导管塑形相关专利[43],但尚未见该专利应用于临床的相关报道｡期待通过未来的不断研究,AI 技术能够被更加广泛､深入地应用于颅内动脉瘤诊疗的各个方面｡
● 志谢：感谢强联智创(北京)科技有限公司研发中心金海岚对本文中人工智能技术部分的撰写作出的科学指导
参考文献 请见原文
