2026年11月17日发布 | 81阅读

【综述】人工智能在急性缺血性卒中多模态CT病灶识别与分割中的应用研究进展

张人元

首都医科大学宣武医院

沈文卓

首都医科大学宣武医院

梁雨昕

首都医科大学宣武医院

赵晓静

首都医科大学宣武医院

张苗

首都医科大学宣武医院

卢洁

首都医科大学宣武医院

中国脑血管病杂志

中国脑血管病杂志

达人收藏

本文梳理人工智能在急性缺血性卒中多模态CT病灶识别分割领域的最新研究进展,分析不同模态AI模型的性能与局限,为相关技术的临床转化应用提供参考,欢迎查阅。


文章来源:中国脑血管病杂志, 2026, 23(8):560-570.

作者:张人元 沈文卓 梁雨昕 赵晓静 张苗 卢洁

基金项目:首都医科大学宣武医院汇智人才项目(HZ2021ZCLJ005)

作者单位:100053北京,首都医科大学宣武医院放射与核医学科磁共振成像脑信息学北京市重点实验室

通信作者:张苗,Email:zhangmiao_smile@ 163.com

摘要:急性缺血性卒中(AIS)起病急骤,致残与致死率高。多模态CT是AIS急诊评估中应用最广泛的影像学方法,包括平扫CT(NCCT)、CT灌注(CTP)和CT血管成像(CTA),但三者分别存在早期病灶检出敏感度有限、灌注参数定量受阈值和后处理差异影响、中远端血管闭塞识别准确性偏低等局限。近年来,基于上述3种CT模态构建的人工智能模型在AIS病灶识别与分割任务中展现出优于传统方法或人工判读的潜能。该文拟分别对基于NCCT、CTP及CTA的人工智能模型在AIS病灶识别与分割中的研究进展进行综述,以期为人工智能在AIS影像学诊断中的转化应用提供参考。


卒中是我国致残、致死率最高的疾病,其中缺血性卒中最常见,占我国新发卒中的69.6%~72.8%[1-2]。急性缺血性卒中(acute ischemic stroke,AIS)起病急骤,发病过程中每分钟约有190万个神经元死亡[3],早期识别与及时干预对改善患者预后至关重要。AIS患者的早期救治高度依赖急诊影像学评估以辅助再灌注治疗决策。尽管MRI在缺血性病变检出方面具有更高敏感度,但受设备可及性、检查效率及急诊流程适配性等因素限制,多模态CT仍为目前AIS急诊评估中应用最广泛的影像学方法。临床常用的多模态CT主要包括平扫CT(non-contrast CT,NCCT)、CT血管成像(CTA)和CT灌注(CT perfusion,CTP),分别用于急诊快速排除颅内出血并识别早期缺血征象、评估脑血管狭窄与闭塞,以及定量分析梗死核心与缺血半暗带体积[4]。


然而,现有多模态CT在AIS急性期影像学评估中存在一定局限。超早期缺血改变的脑实质密度与正常脑组织差异轻微,NCCT对发病3h内AIS的诊断敏感度不足20%,对发病24h内AIS的诊断敏感度仅为57%~71%[5],对后循环梗死及小体积腔隙性梗死的检出能力尤为薄弱;基于NCCT的Alberta卒中项目早期CT评分(Alberta stroke program early CT score,ASPECTS)虽广泛用于指导取栓治疗决策,但其判读存在观察者间不一致性。一项研究纳入参与延长病灶及延长时间窗卒中取栓疗效与安全性研究(thrombectomy in stroke with extended lesion and extended time window,TENSION)中经ASPECTS图像判读学院(ASPECTS Image Reading Academy)认证考核的100名放射科医师(均具备筛选取栓患者的日常临床经验,完成网络培训模块且答对率≥80%方可参与评分),其中4名具有20年以上工作经验的神经放射科医师对20例缺血性卒中患者的NCCT图像进行独立ASPECTS评估,零容差条件下完全一致(即所有评分者评估同一患者的ASPECTS总分完全一致)率仅为28%(Krippendorff′s α=0.13, 95%CI:0.09~0.16,P<0.01)[6];此外,作为半定量工具,ASPECTS难以精确反映梗死核心体积[7]。而CTP反映的是组织发生梗死的风险,并非已形成的确定性梗死病灶[8],且灌注参数定量受侧支循环状态、运动伪影、动脉输入函数部分容积效应及后处理软件阈值等多重因素影响,梗死核心与缺血半暗带体积的估计结果在不同设备与软件间一致性有限[9]。CTA可直接显示近端大血管闭塞(large vessel occlusion,LVO),但识别中远端及后循环血管闭塞的准确性相对较低,且单独用于评估缺血范围的能力有限[9]。


近年来人工智能(artificial intelligence, AI)技术的迅速发展为解决上述局限提供了新思路[10-12]。该文拟分别对基于NCCT、CTP及CTA的AI模型在AIS病灶识别与分割中的研究进展进行综述,分析各模态下AI模型的技术路径、性能表现及与现有方法的比较,以期为AI在AIS影像学诊断中的转化应用提供参考。

1 基于NCCT的AI模型


NCCT因检查快速、经济且可及性高,成为疑似AIS患者急诊评估的首选影像学检查方法,主要用于排除脑出血、脑肿瘤及脑血管畸形等其他颅内病变(Ⅰ级推荐,A级证据)[4]。然而,NCCT对超早期缺血灶的显示能力和临床医师对ASPECTS判读的一致性均存在一定局限。目前,基于NCCT的AIS病灶识别与分割的AI相关研究主要涉及早期缺血灶检出与定位、常规判读阴性患者的隐匿性病灶识别及梗死灶定量分割。


在早期缺血灶的检出与定位方面,Sahoo等[13]回顾性纳入546例发病12h内首次接受NCCT检查并于发病后14d内完成MRI检查的AIS患者,以及129名经神经放射科医师确认NCCT和扩散加权成像(DWI)或表观弥散系数(apparent diffusion coefficient,ADC)均无梗死灶的正常受试者,以其中617例(517例AIS患者及100名正常受试者)为训练集,余58例(29例AIS患者及29名正常受试者)为评价集,将NCCT图像依次输入视觉几何组16层网络(visual geometry group 16, VGG16)、残差网络50(residual network 50, ResNet50)、Inception-ResNet-v2、Inception-v3和Inception-v4共5种预训练卷积神经网络(convolutional neural network, CNN)模型判断各NCCT层面是否存在早期缺血灶,结果显示,VGG16在层面级早期AIS缺血灶识别任务中准确率(0.80)和曲线下面积(area under the curve, AUC;0.81)均最高,通过10折交叉验证对VGG16模型进行定制化优化(在标准框架基础上增加批归一化层、将输出层激活函数改为Sigmoid并进行超参数调优)用于判断NCCT层面是否存在早期缺血灶,结果显示,以DWI为参考,定制化VGG16模型在评价集中正确判断早期缺血灶的准确率为91.38%(53/58),在评价集29例AIS患者经DWI配准确定的230个缺血性NCCT层面中检出200个缺血性层面,敏感度为86.95%,提示定制化VGG16模型可用于NCCT层面早期缺血灶的自动识别。Mohapatra等[14]纳入517例发病12h内接受NCCT检查的AIS患者,基于脑组织双侧对称性,利用图像分割软件将NCCT切割为小图像块,从梗死区提取异常块、从对侧半球对称区域提取正常块,分别输入GoogleNet、VGG16、ResNet50、Inception-ResNet-v2、Inception-v3及Inception-v4共6种预训练CNN进行训练,以平均精度为主要筛选指标选定VGG16(输入尺寸140×140像素,平均精度为0.69),经增加批归一化层、调整全连接层神经元数及超参数调优完成定制化,最终构建VGG16早期梗死定位模型,该模型识别幕上与幕下区域早期梗死灶的平均AUC为0.73,识别幕上皮质区、皮质下区及皮质合并皮质下区的平均AUC分别为0.71、0.77和0.71;以患者为单位的识别准确率(即至少1个图像块被正确分类为梗死则判定该患者识别正确)为95.6%(494/517)。上述两项研究均以NCCT后14d内完成的DWI或ADC为参照标准,通过解剖结构配准将DWI阳性病灶映射至对应NCCT层面进行标注,并经两位神经科医师确认;正常对照则要求DWI或ADC均为阴性。上述研究结果初步表明,基于NCCT图像特征的CNN模型可自动识别并定位早期缺血灶,但两项研究均未与人工判读结果进行比较,其实际增益尚待明确。


对于临床高度疑似AIS但NCCT常规判读为阴性的患者,AI识别隐匿性病灶的任务难度较大,有研究对端到端深度学习、基于影像组学特征提取的机器学习两条路径分别进行了探索。Wu等[15]分别纳入中心A(149例)、B(102例)的缺血性卒中患者及来自中心B的26名正常对照者构建融合U形网络(U-Net)与ResNet结构的二阶段CNN模型并验证,第1阶段通过U-Net整合完整NCCT图像的全局位置信息、双侧对称性及灰度纹理特征,检测可疑缺血区域;第2阶段通过ResNet提取候选区域的局部深层特征,对缺血病灶进行精细定位,并通过空间约束优化减少假阳性;在来自2家中心的251例缺血性卒中患者及26名健康对照者中开展3组独立试验,第1阶段试验1为单中心设计(仅采用中心A数据:训练集75例,测试集74例),试验2为跨中心合并设计(中心A与B数据混合划分),试验3为独立跨中心设计(中心A为训练集,中心B为测试集),第2阶段3组试验测试集分别包括37例卒中患者、60例卒中患者及26名健康对照、51例卒中患者及26名健康对照;模型在3组第2阶段测试集中的患者级缺血性卒中识别准确率分别为91.89%(34/37)、87.21%(75/86)和85.71%(66/77);在正确识别为卒中的患者中,病灶定位准确率分别为82.35%(28/34)、83.02%(44/53)和81.40%(35/43),3组结果相近,提示该模型具有一定的跨中心泛化能力,但该研究未设放射科医师对NCCT图像进行人工判读的对照组。Lu等[16]纳入2家中心共1136例发病24h内NCCT未见明确病灶的临床疑似AIS患者,其中802例症状出现后72h内经DWI及临床诊断最终确诊为AIS,将中心A986例患者(728例AIS)的NCCT层面按8∶2随机分层抽样划分为训练集(7228个层面)和内部验证集(1807个层面),将中心B的150例患者(74例AIS)作为外部验证集,采用双阶段深度学习模型进行隐匿性病灶检测,以目标检测算法YOLOv3(you only look once version 3)定位可疑病灶区域为第1阶段,以ResNet50对可疑区域进行AIS二分类为第2阶段并与2名分别具有9、10年工作经验的放射科医师对同一患者队列的独立阅片结果对比,结果显示,该模型在内部验证集中诊断AIS的AUC(0.836)均高于2名放射科医师(0.655和0.595,均P<0.01),在外部验证集中的AUC(0.763)亦均高于2名放射科医师(0.640和0.644,均P<0.01);在2名放射科医师独立阅片后参考模型结果进行二次判断的辅助模式下,2名医师在外部验证队列中以患者为单位的诊断准确率分别由62.00%(93/150)、58.67%(88/150)提高至92.00%(138/150)、84.67%(127/150)。Sun等[17]基于影像组学构建机器学习模型,纳入8家中心共1122例发病≤24h、入院时NCCT常规人工判读阴性但经DWI确诊AIS的患者,以其中5家中心的592例AIS患者为模型训练集和内部验证集,将余3家中心AIS患者划分为3个独立外部验证集(分别为204、53、273例);以DWI配准引导划定AIS病灶感兴趣区,利用PyRadiomics工具包提取NCCT影像组学特征(包括一阶统计特征及灰度共生矩阵、灰度游程矩阵、灰度尺寸区域矩阵、灰度依赖矩阵等高阶纹理特征),经最小绝对收缩与选择算子算法筛选出44个最优特征后分别构建随机森林、径向基函数核支持向量机、线性核支持向量机、多层感知机、逻辑回归模型,5个模型在3个独立外部验证队列中诊断发病24h内AIS的平均AUC相近,分别为0.808、0.802、0.792、0.792、0.787,该模型无需训练深度神经网络,在标注资源有限或小样本场景下具有一定适用性,但需手动配准,流程的自动化程度低于端到端深度学习模型。上述研究表明,深度学习和影像组学模型均可用于入院时NCCT阴性AIS患者的隐匿性病灶识别;其中,直接人机比较研究显示,AI模型及其辅助判读模式可提高基于NCCT的临床疑似AIS患者的诊断效能。但现有证据均来自回顾性研究,尚需前瞻性多中心研究加以验证。


除病灶检出外,基于NCCT的AI还可用于梗死灶自动分割及梗死体积定量分析。Kuang等[18]纳入260例AIS患者发病6h内的基线NCCT和DWI构建多任务学习模型早期梗死灶分割网络(early infarct segmentation network,EIS-Net),通过三维三分支CNN(分别以原始NCCT、左右镜像NCCT及标准脑图谱作为3个编码器输入)与多区域分类网络(对基于ASPECTS系统划分的10个解剖区域逐一分类评分)联合训练,在一次前向推理过程中同时输出梗死灶分割结果、梗死体积和ASPECTS;以基于DWI的人工标注梗死体积为参照,EIS-Net分割的梗死体积与参照体积的相关系数(r值)为0.919,平均Dice相似系数(Dice similarity coefficient, DSC)为0.448±0.205,平均绝对梗死体积差为8.5ml[一致性界限(22.62±7.30)ml],尽管病灶空间重叠度有限,但模型估算的梗死体积与DWI参照体积具有较高相关性,提示其在梗死体积定量方面可能具有一定潜力。van Voorst等[19]基于3项荷兰AIS临床试验的820例患者的基线及至少1次随访NCCT构建模型,其中随访NCCT包括发病<8h125例次、8~72h723例次及72h~2周723例次,基于生成对抗网络(generative adversarial network, GAN)框架随访至基线GAN(follow-up to baseline GAN, FU2B-GAN)无监督分割模型,将含病灶的NCCT转换为模拟无病灶图像,并根据原图与模拟图像之间的差异生成病灶图,无需人工标注,结果显示,以人工标注结果为参照,该模型在AIS后8~72h NCCT测试集(141例)中的中位DSC为0.31(0.08,0.59),在72h~2周NCCT测试集(141例)中的中位DSC上升至0.59(0.29,0.74);该研究进一步将基于同一数据集人工标注进行训练的监督学习模型nnU-Net作为对照,结果显示,FU2BL-GAN在8~72h和72h~2周测试集中的DSC均较低(均P<0.05),该非监督方法的DSC低于监督学习的nnU-Net,但其训练过程无需人工病灶标注,可减少模型开发对人工标注数据的依赖。针对AIS早期NCCT梗死灶低密度改变轻微、病灶边界不清等导致的定量分割困难问题,Sun等[20]提出病理不对称引导的渐进式学习方法(pathological asymmetry-guided progressive learning, PAPL),通过对比学习使模型获得区分梗死灶所致病理性不对称与生理性解剖不对称的判别能力,并以特征补偿模块聚合相邻层面解剖信息,以双侧差异比较校正误分割区域,结果显示,以NCCT后24h内完成的DWI人工标注为参照,该模型在公开的AIS数据集(AIS dataset, AISD;397例,其中训练-验证集345例,测试集52例)测试集梗死灶分割任务中的DSC为0.547,在单中心院内数据集(171例,其中训练-验证集130例,测试集41例)测试集梗死灶分割任务中的DSC为0.490,在AISD测试集中,PAPL的DSC为0.547,高于该研究中的不对称解耦网络模型的0.525;在单中心院内测试集中,PAPL的DSC为0.490,为该数据集所比较方法中的最高值。上述研究初步支持基于NCCT自动分割和量化梗死灶的可行性,但以基于DWI的人工标注为参照,现有模型的DSC约为0.448~0.547,病灶空间重叠度仍有限,相关方法尚需前瞻性多中心研究加以验证。

2 基于CTP的AI模型


CTP可提供脑血流量(cerebral blood flow,CBF)、脑血容量(cerebral blood volume,CBV)、达峰时间(time to maximum,Tmax)及平均通过时间(mean transit time,MTT)等脑血流动力学参数,主要用于定量评估梗死核心与缺血半暗带体积,辅助筛选适合再灌注治疗的AIS患者[21-22]。目前基于CTP的梗死核心-缺血半暗带不匹配评估已成为晚时间窗(发病后6~24h)前循环LVOAIS患者再灌注治疗决策的重要依据[23]。然而,CTP灌注参数评估受运动伪影、动脉输入函数部分容积效应及后处理软件阈值设置等因素影响,梗死核心与缺血半暗带体积的估计结果在不同设备与软件间的一致性受限。Demeestere等[24]回顾性纳入109例接受血管内治疗并实现完全再通(改良脑梗死溶栓分级3级)的前循环LVOAIS患者,根据最后正常至基线影像学检查时间分为早期就诊组(<6h;59例)和晚期就诊组(6~24h;50例),以最后正常时间后72h内随访DWI所示梗死灶为参照,将CTP上相对CBF<30%的区域定义为梗死核心,结果显示,CTP梗死核心体积低于随访时DWI梗死核心体积,平均绝对体积差为(14±36)ml(P<0.01);CTP梗死核心与NCCT相对低密度病灶的联合区域与随访时DWI梗死灶的平均绝对体积差为(3±32)ml,差异无统计学意义(P=0.76);体素水平分析显示,晚期就诊组的CTP梗死核心低估体积高于早期就诊组[17(7,33)ml比7(3,24)ml,P<0.01]。此外,CTP灌注参数及其阈值反映的是脑组织在未获得再灌注情况下发生梗死的概率,而非确定性梗死病灶;由于组织结局同时受低灌注持续时间、侧支循环及再灌注状态影响,因此基于固定阈值的分割结果可能与实际梗死范围存在偏差[8]。目前基于CTP的AI模型多以数据驱动的深度学习方法替代或改进其固定阈值分割,以提高梗死核心与低灌注区体积估计的一致性,但其无法改变CTP仅可反映梗死风险这一局限性,分割结果仍需结合时间窗和侧支循环状态进行解读。


由于AIS患者急性期CTP与随访MRI存在时相差异,如何建立可靠的参照标准是基于CTP构建AIS病灶识别与分割AI模型面临的挑战。现有基于CTP的AIS病灶分割AI模型研究多采用人工勾画或基于灌注阈值生成的自动分割的急性期DWI病灶、随访期DWI或液体衰减反转恢复(FLAIR)所示梗死范围作为AI模型训练与性能评估的参照标准[12,25]。2018年缺血性卒中病灶分割挑战赛(ischemic stroke lesion segmentation challenge 2018, ISLES-2018)基于CTP检查后3h内获得的DWI人工勾画梗死病灶为参照标准,提供来自2个中心共103例发病8h内AIS患者的CTP数据,其中官方训练集包括63例患者的94个CTP扫描,官方盲法在线测试集包括40例患者的62个CTP扫描,用于评价基于CTP的梗死核心自动分割算法的性能,旨在尽可能缩小CTP与DWI之间时相差异对各算法评估的干扰[26]。ISLES-2018由此成为多项研究共用的公开数据来源;但各研究对该数据集的划分方式和评估方法不尽相同———部分采用官方盲法在线测试集,部分研究自定义划分训练集、测试集或进行交叉验证,因此所报告的DSC等分割性能指标不宜直接进行比较。


在基于灌注参数图的梗死核心分割方面,Wang等[27]基于ISLES-2018数据集(共103例患者,其中官方训练集63例、94个CTP扫描,官方盲法在线测试集40例、62个CTP扫描)构建端到端CNN模型,该模型先整合CTP灌注参数图及原始时空CTA图像特征合成伪DWI图像,再在伪DWI表征空间完成缺血灶分割,并以专家DWI人工标注为参照,结果显示,在ISLES-2018官方盲法在线测试集中,该端到端CNN模型在62支参赛团队中排名第一,平均DSC为0.51±0.31,其标准差较大,提示在官方盲法在线测试集内不同病例间分割效能存在差异,部分病例DSC可接近0或接近1,均值难以反映个体病例的实际分割水平。Soh和Rajapakse[28]将ISLES-2018的官方训练集自定义划分为训练集(84个CTP扫描)和测试集(10个CTP扫描),分别构建混合U-Net Transformer(hybrid U-Net transformer, HUT)模型和无标注半监督学习网络(unlabeled semi-supervised learning network, USSLNet)模型,HUT模型以CBF、CBV、MTT及Tmax4类灌注参数图为输入,通过并行的U-Net分支与视觉Transformer分支分别提取多参数CTP图像的局部空间特征并构建不同图像块之间的全局长程依赖关系模型,以基于DWI的人工标注为参照,结果显示,HUT模型在自定义测试集(10个CTP扫描)中的平均DSC为0.601±0.192,第95百分位Hausdorff距离(95th percentile Hausdorff distance, HD95)为(14.861 ± 8.516)mm,USSLNet模型的平均DSC为0.582±0.205,HD95为(16.987 ± 15.675)mm,与USSLNet模型相比,HUT模型的DSC提高3.3%,HD95降低12.5%。ISLES-2018可供模型开发的人工标注CTP数据有限,容易增加模型过拟合风险,并限制其对稳定病灶特征的学习及对未见病例的泛化能力,Soh和Rajapakse[29]在HUT模型基础上引入噪声锚自监督机制,构建噪声诱导自监督HUT(HUT with noise-induced self-supervised learning,HUT-NSS)模型,该模型首先利用都灵大学开放脑CTP数据集UniToBrain中的109个未提供人工病灶分割标注的缺血性卒中CTP三维扫描数据进行基于噪声锚机制的自监督预训练,每个CTP扫描包括CBF、CBV、MTT和Tmax4类灌注参数图;经域对齐后,再在ISLES-2018人工标注数据上进行有监督微调,该研究将ISLES-2018官方训练集94个扫描按9∶1随机划分为训练集(84个扫描)和测试集(10个扫描),并重复进行5次随机划分试验,结果取5次试验的平均值,各模型采用相同测试集,结果显示,在测试集中,HUT-NSS病灶分割结果与人工分割标注之间的平均DSC为0.624±0.169,较监督式HUT的0.609±0.181相对提高2.5%;与Soh和Rajapakse[28]报道的USSLNet模型相比,其DSC由0.582±0.205提高至0.624 ±0.169,HD95由(16.987±15.675)mm降至(12.197±8.780)mm,即DSC提高7.2%,HD95降低28.1%,但该研究未进行统计学检验;当标注训练数据分别减少至42、9、1个CTP扫描时,HUT-NSS、USSLNet病灶分割结果与人工标注的平均DSC分别为0.603±0.252比0.559±0.249、0.518±0.260比0.482±0.224、0.370±0.240比0.328±0.225,提示噪声锚自监督预训练可能有助于减轻标注样本减少所致的缺血性卒中病灶分割区域空间重叠度下降。


Clèrigues等[30]基于ISLES-2018官方训练集(94个CTP扫描),以NCCT图像及CBF、CBV、MTT、Tmax4类灌注参数图为输入,构建梗死核心自动分割模型,该模型采用非对称残差编解码器全CNN,通过均衡图像块采样与代价敏感损失函数缓解类别失衡(病灶体素仅占脑组织约5%),并引入对称模态增强,即将各模态沿矢状中线翻转后与原始模态合并为10通道输入,以利用双侧大脑半球的对称性;同时通过多次前向传播取概率均值,减少分割异常值,以初始CT检查后3h内DWI上人工勾画的梗死核心区域作为体素级分割参考标准,该模型在ISLES-2018官方盲法在线测试集(62个CTP扫描)中的平均DSC为0.49±0.31,在41种参赛算法中排名第2,该模型完成训练后仅需输入NCCT图像及CTP灌注参数图即可自动分割梗死核心,并据此估计其位置和体积,无需额外采集MRI。


此外,多项研究围绕引入空间先验、直接利用CTP源数据构建模型及缓解小样本类别失衡等方向对模型设计进行了探索。Soltanpour等[31]基于ISLES-2018官方训练集的94个CTP扫描进行内部自定义划分,在MultiRes U-Net输入中引入健侧半球CTP图像作为正常灌注参照,以Tmax热图作为病灶粗定位先验,以DWI人工标注为参照,结果显示,该模型预测病灶分割区域与DWI人工标注区域的平均DSC为0.687±0.260[Jaccard指数为0.571,平均绝对体积差为(22.62±7.30)ml],高于仅输入CBF、CBV、MTT和Tmax 4类灌注参数图的MultiRes U-Net模型(0.553±0.201);但由于两种先验信息为同时引入,因此尚不能区分其各自对模型性能提升的独立贡献。该研究采用ISLES-2018官方训练集进行内部自定义划分,未在官方盲法在线测试集上评价,因而与采用官方盲法在线测试集的研究结果不具直接可比性。De Vries等[32]提出了灌注U形网络(perfusion U-Net,PerfU-Net),其直接以CTP原始动态时序数据(对比剂注入后逐帧采集的原始CT序列)为输入,编码脑微灌注动态变化,不依赖商业软件预先生成的CTP参数图;在与Wang等[27]相同的官方划分的数据集(官方训练集94个CTP扫描,盲法在线测试集62个CTP扫描)中,以DWI人工标注为参照,PerfU-Net预测梗死核心区域与DWI人工标注区域的DSC为0.46,低于同数据集同评估方式下基于CTP参数图的Wang等[27]的DSC(0.51),提示在现有数据集规模下,基于CTP参数图的输入路径构建PerfU-Net模型的梗死灶分割性能仍优于直接利用CTP源数据的方法;但PerfU-Net的设计目的为规避商业软件依赖导致的CTP参数图差异对模型跨中心一致性的影响,其跨中心适用性尚待验证。Alirr[33]基于ISLES-2018官方训练集(94个CTP扫描),在Attention ResU-Net预处理阶段引入边缘增强扩散滤波以突出病灶边界,并整合空间与通道注意力机制,结果显示,以DWI人工标注为参照,5折交叉验证后Attention ResU-net模型预测梗死核心区域与人工标注区域的平均DSC为0.59±0.01;该研究未提交官方盲法在线测试集中的结果,与Clèrigues等[30]构建的非对称残差编解码器全CNN模型(官方盲法在线测试集;DSC0.49)和HUT模型(自定义划分数据集;DSC为0.601)的评估框架不同,DSC不具直接可比性。


在缺血半暗带评估方面,目前基于CTP的AI模型研究将分割目标由梗死核心进一步扩展至缺血半暗带等可挽救组织。Bhurwani等[34]回顾性纳入单中心119例LVOAIS患者,分别开展梗死核心和梗死核心+缺血半暗带分割研究,其中60例行机械取栓血管成功再通(改良脑梗死溶栓分级≥2b级)患者于术后48h内完成DWI,余59例患者未接受再灌注治疗,并于入院≥48h完成DWI和(或)FLAIR检查,假设基线CTP上的缺血半暗带在未获再灌注的情况下已于随访时转化为梗死核心,以随访时MRI所示最终梗死区域近似作为基线梗死核心联合缺血半暗带的参考范围,该研究基于Olea Sphere商业软件生成的CBF、CBV、MTT、达峰时间和延迟时间图,分别针对梗死核心分割和梗死核心联合缺血半暗带分割任务训练改良U-Net模型,并采用20次Monte Carlo交叉验证,每次均按患者水平以70%∶22%∶8%划分训练集、测试集和验证集,其中梗死核心分割任务分别为42、13和5例,梗死核心联合缺血半暗带分割任务分别为41、13和5例,结果显示,以入院≥48h的DWI和(或)FLAIR上人工标注的最终梗死区域为参照,采用改良U-Net与Olea Sphere商业软件基于健侧半球灌注参数相对阈值的分割方法在入院≥48h的DWI和(或)FLAIR上梗死核心区域分割中的平均DSC分别为0.64±0.03和0.31±0.17,平均绝对体积差分别为(4.91±0.94)ml和(9.77±8.35)ml;在梗死核心+缺血半暗带区域分割中,平均DSC分别为0.61±0.04和0.30±0.19,平均绝对体积差分别为(6.51±1.37)ml和(9.18±7.55)ml;改良U-Net在两个任务中的DSC均高于Olea Sphere商业软件的对侧半球相对阈值法,且平均绝对体积差均更低(均P<0.05)。Wang等[35]构建提示增强多任务学习网络(prompt-enhanced multi-task learning network, PEMT-Net),通过类别特异性和实例特异性联合分割梗死核心与缺血半暗带,采用ISLES-2015急性卒中结局/半暗带估计(acute stroke outcome/ penumbra estimation, SPES)数据集(训练集30例、测试集20例)及上海市浦东新区公利医院建立的单中心私有多模态AIS影像学数据集GLis(110例)进行评价,以SPES数据集提供的体素级梗死核心和缺血半暗带标注为参照,PEMT-Net对梗死核心分割的DSC高于多类别弱监督分割方法MCWSS的0.458±0.238,对缺血半暗带分割的DSC高于采用多分支灌注参数处理及交叉注意力融合的WMHCA-Net的0.809±0.271;在GLis数据集上,PEMT-Net的相应DSC分别为0.569±0.182和0.798±0.233,均高于WMHCA-Net的0.558±0.274和0.772±0.318(均P<0.05)。GLis数据集的梗死核心和缺血半暗带参考标注首先由CerebralDoc软件基于CTP图像进行初始分割,再由2名具有10年以上工作经验的放射科医师结合全部CTP参数图进行修订,形成最终参考标注,模型预测的梗死核心和缺血半暗带体积与基于最终参考分割标注计算所得体积的Pearson相关系数分别为0.77和0.95,Bland-Altman平均差分别为0.56、1.95ml。由于SPES为MR灌注数据集,GLis为单中心CTP数据集,该模型在独立外部CTP队列中的泛化能力仍需进一步验证。


目前基于CTP的AI分割模型在改善CTP阈值依赖方面取得了一定进展:在灌注参数图输入路径上,多种模型已显示出自动分割梗死核心的可行性,但由于Wang等[27]采用官方盲法在线测试集,而HUT-NSS模型[29]采用自定义训练-测试集划分,二者所报道的DSC不宜直接比较;部分同队列比较研究显示,深度学习模型在梗死核心及梗死核心联合缺血半暗带分割中的DSC高于商业软件的固定阈值法,且体积估计误差更小。但现有研究存在两项主要局限:其一,较多梗死核心分割研究集中于ISLES-2018这一小样本数据集,且各研究评估方式(官方在线盲法测试集与自定义数据划分或交叉验证)不统一,跨研究性能比较的可靠性有限;其二,CTP反映的是组织发生梗死的风险而非确定性病灶,AI模型仍受时间窗、侧支循环状态及参照标准选择等因素影响,相关结果尚需多中心前瞻性研究加以验证。

3 基于CTA的AI模型


CTA为疑似LVO的AIS患者急诊评估中的重要血管成像方法,具有成像快速、临床可及性高、可直接指导再灌注治疗决策等优势。基于CTA的AI模型研究目前主要包括LVO的自动识别、颅内血栓的定量分割及在缺乏CTP条件下对梗死核心与低灌注组织进行替代性评估。


在LVO自动识别方面,目前基于CTA的AI模型主要通过识别血管形态或密度异常、CNN特征学习及双侧血管对称性比较实现自动判读,均以神经放射科医师人工判读结果作为参照标准。Luijten等[36]基于荷兰AIS血管内治疗多中心随机临床试验(multicenter randomized clinical trial of endovascular treatment for acute ischemic stroke in the Netherlands,MR CLEAN)研究(1110例;均为LVO)和院前疑似卒中患者分诊(prehospital triage of patients with suspected stroke,PRESTO)研究(共646例疑似AIS患者,其中141例有LVO,505例无LVO)两个队列评估商业深度学习算法StrokeViewer v2.1.22(NICO.LAB)对颈内动脉闭塞、颈内动脉终末段闭塞及大脑中动脉M1段和M2段闭塞的检测性能,结果显示,在MR CLEAN研究队列中,NICO.LAB识别LVO的敏感度为89%,在PRESTO研究队列中,NICO.LAB检测LVO的敏感度为72%,特异度为78%,AUC为0.75;亚组分析结果显示,NICO.LAB在MR CLEAN研究、PRESTO研究识别M1段LVO的敏感度均最高,分别为94%、95%,识别M2段LVO的敏感度最低,分别为72%、49%,提示M2段闭塞的识别是目前深度学习模型的难点;该研究中的深度学习模型设计未纳入M3、M4段及后循环LVO的识别。Brugnara等[37]以海德堡队列1179例患者(800例AIS合并LVO或中等血管闭塞,379例无血管闭塞的疑似AIS)训练人工神经网络模型,不预先限定检测血管大小和闭塞部位,可覆盖前循环LVO、中等血管闭塞及后循环闭塞;以莱茵-内卡区域卒中联盟(regional stroke consortium Rhine-Neckar,FAST)队列和波恩大学医院(Universitätsklinikum Bonn,UKB)队列中连续6个月分别纳入的327、323例疑似AIS患者为外部验证集,结果显示,人工神经网络模型在FAST和UKB队列中识别任意部位血管闭塞的AUC分别为0.90和0.85,敏感度分别为0.87和0.81,阴性预测值分别为0.97和0.93;与两款获得欧洲合格认证标志和美国食品药品监督管理局许可的商业软件(软件1、软件2)进行头对头比较,结果显示,UKB队列中,在限定于两款商业软件获批检测范围的前循环血管闭塞时,人工神经网络识别的敏感度为0.83,高于软件1和软件2的0.38和0.45,FAST队列中,其敏感度亦高于软件2(0.92比0.67),差异均有统计学意义(均P≤0.003),受合同限制,FAST队列未与软件1进行比较。该模型完成单例CTA预处理及血管闭塞检测的总体中位处理时间为103s(83~142s);但其在FAST和UKB队列中识别后循环LVO和中等血管闭塞的敏感度仅为0.42~0.53,低于相应队列前循环LVO的0.77~0.83,提示其识别后循环闭塞的能力仍有待提高。Czap等[38]以院内870例AIS患者(419例LVO,451例非LVO)的CTA为训练集,以另一独立的441例院内AIS患者(121例LVO,320例非LVO)的CTA为测试集构建并验证了一种利用双侧大脑半球对称信息识别前循环LVO的基于双侧大脑半球对称信息的三维CNN模型DeepSymNet-v2(第2版),在不进行再训练或参数调整的情况下直接应用于移动卒中单元采集的院前CTA,其识别前循环LVO的AUC为0.84(95%CI:0.80 ~ 0.87);该模型在休斯顿与洛杉矶两地移动卒中单元采集的68例疑似卒中患者(27例LVO,41例非LVO)院前CTA中识别前循环LVO的总体AUC为0.80(95%CI: 0.71~0.89),单例分析时间小于1min,其在休斯顿和洛杉矶移动卒中单元队列院前CTA中识别前循环LVO的AUC分别为0.85(95%CI:0.73~0.94)和0.75(95% CI: 0.52~0.89),差异无统计学意义(P=0.44),提示经院内CTA训练的模型在移动卒中单元院前CTA中可保持与独立院内测试集相近的检测性能;但该研究未评价后循环及更远端前循环闭塞,也未追踪转运时间和发病后90d神经功能结局,其对院前分诊决策和患者远期预后的实际增益尚不明确。总体而言,现有模型对近端前循环LVO的识别性能较好,并已初步显示出向院前移动卒中单元场景迁移的可行性,但对M2段及后循环闭塞的检测仍相对不足。


在血栓定量分割方面,血栓长度与体积是反映LVO患者取栓难度和预测其血管再通率的重要术前参数,临床实践中多依赖基于NCCT和CTA的人工分割,耗时长且结果因观察者而异,标准化程度有限,自动化定量分析LVO患者的血栓长度与体积具有一定临床价值。Zhu等[39]基于奈利替肽用于卒中血管内取栓患者安全性与有效性(safety and efficacy of nerinetide in subjects undergoing endovascular thrombectomy for stroke, ESCAPE-NA1)试验中499例LVOAIS患者发病12h内采集的治疗前基线薄层NCCT和CTA图像,以神经放射科医师逐层人工分割结果作为参照标准,构建两阶段粗定位-精细分割深度学习模型并提取血栓长度和体积,结果显示,该模型在内部测试集(170例LVO患者)中自动分割的血栓区域与人工分割血栓区域之间的DSC为0.707,其测量的血栓长度和体积与人工分割的相关系数分别为0.88和0.87(均P<0.01),均达优秀水平(r≥0.70);在外部验证集精确、快速评估多期CTA以分诊接受静脉或动脉内治疗的AIS患者(precise and rapid assessment of collaterals using multi-phase CTA in the triage of patients with AIS for intravenous or intra-arterial therapy,PRoVe-IT)研究的83例前循环AIS患者(34例为LVO,28例为中等血管闭塞,21例无颅内血管闭塞)中,其中34例LVO患者用于血栓分割及长度、体积定量性能评价,结果显示,模型自动分割的血栓区域与人工分割血栓区域之间的DSC为0.668,其测量的血栓长度和体积与人工测量结果的相关系数分别为0.73和0.80(均P<0.01),均达优秀水平;此外,该模型在全部83例外部验证集中区分LVO与非LVO的敏感度为94.12%,特异度为97.96%,提示其具有基于NCCT和CTA图像辅助识别LVO的潜力;上述结果表明该深度学习模型可在独立多中心数据中稳定实现血栓长度和体积的自动定量,可为术前评估提供客观、可重复的测量工具,但其临床适用性仍需更多研究进一步验证。


目前CTP尚未在所有医疗机构普及,若取栓治疗所需的梗死核心和低灌注组织体积评估可通过CTA完成,将有助于在无CTP设备的医疗机构开展并辅助取栓治疗决策。Sheth等[40]纳入297例于急诊进行卒中评估的患者(224例AIS患者,73例非卒中患者,其中179例为LVO),其均于初次就诊时在同一次急诊卒中影像学评估中完成CTP和单期CTA检查,以CTA源图像为输入,采用10折交叉验证分别评估DeepSymNet模型识别LVO及判断梗死核心体积的性能,结果显示,模型识别LVO的AUC为0.88,以RAPID软件基于CTP测得的梗死核心体积为参照,模型判断梗死核心体积≤30ml和≤50ml的AUC分别为0.88和0.90。其在早期时间窗(末次正常至CTA时间≤6h;157例)患者中,判断梗死核心体积≤30ml和≤50ml的AUC分别为0.87和0.90,在晚期时间窗(末次正常至CTA时间>6h且<24h;67例)患者中分别为0.89和0.91,该研究为单中心回顾性研究,仅进行了内部交叉验证,研究结果仍需外部验证。Wang等[41]基于内部队列(中心A)345例前循环LVO患者在距发病6~16h采集的NCCT、单相CTA及单相CTA后延迟8s采集的第2期CTA图像构建预测梗死核心体积的三维CNN,并在外部队列(中心B)108例患者中进行验证,结果显示,该模型预测的梗死核心体积与RAPID软件测量结果的相关系数为0.84,预测的低灌注组织体积与RAPID定义的Tmax>6s区域体积的相关系数为0.83,该研究采用双中心设计,为模型的跨机构泛化能力提供了初步支持。Mäkelä等[42]回顾性纳入单中心150例疑似大脑中动脉缺血性卒中患者[训练集40例(20例卒中,20例非卒中)、验证集10例(5例卒中,5例非卒中),测试集100例(50例卒中,50例非卒中)],基于卒中急诊影像学检查流程中采集的单期CTA构建42层CNN以识别与分割前循环急性缺血病灶,结果显示,以人工分割为参照,该模型在缺血病灶识别方面的DSC为0.61,其分割的缺血病灶体积与RAPID报告的Tmax>10s低灌注体积相关系数为0.76(95%CI: 0.58~0.86);在测试集的病灶定位视觉评估中,46例存在假阳性或假阴性,其中9例为严重错误(7例非卒中患者出现解剖位置可信的假阳性病灶,2例卒中患者的真实缺血病灶被完全漏诊),91例未出现严重检测错误,对应患者级病灶检测准确率为0.91。该研究为单中心可行性探索,样本量较小,且缺乏独立外部验证。CTA可提供一定的梗死核心和低灌注组织信息,但现有研究仍受样本量小、验证方式不充分及部分模型存在假阳性等因素限制,尚不能替代CTP。

4 总结与展望


在多模态CT的AIS病灶识别与分割领域,不同模态和任务之间的AI技术成熟度存在明显差异。在NCCT方面,隐匿性病灶检测已有直接人机对比研究支持,在AI辅助模式下,放射科医师的诊断准确率较独立判读时可提高约26%~30%,部分改善了人工判读早期NCCT对缺血灶敏感性不足的局限;以DWI为参照标准,基于NCCT的AI模型分割的梗死灶的DSC为0.44~0.55,分割结果与DWI人工标注参照之间仍存在较大差异。在CTP方面,部分同队列比较研究显示,深度学习算法在梗死核心及梗死核心+缺血半暗带分割中优于基于CTP参数固定阈值的传统分割方法,且现有梗死核心分割研究较多集中于ISLES-2018这一小样本数据集,跨中心适用性有待验证。在CTA方面,AI模型对近端前循环LVO自动识别和血栓定量分析均有多中心外部验证数据支持,以CTA替代CTP评估缺血范围仍处于探索阶段,现有研究样本量有限、验证方式尚不充分,且部分模型存在较多假阳性。


笔者纳入的各研究评估框架存在差异,部分研究采用官方盲法在线测试集,部分依赖内部交叉验证,参照标准和数据集规模亦不统一,因此不同研究所报告的性能指标不宜直接进行横向比较,比较时应充分考虑数据集、参照标准及评估方式的差异。此外,现有研究总体仍以回顾性设计为主,尽管部分研究已开展多中心外部验证,但缺乏以神经功能结局为终点的前瞻性临床验证,技术性能能否转化为实际诊疗获益尚不明确。


未来研究应着力于构建多中心标准化数据库、统一参照标准体系,并将AI辅助决策纳入前瞻性试验加以验证;在模型构建方面,探索NCCT、CTP和CTA的多模态联合AI分析框架,发挥各模态信息互补优势,有望进一步提升缺血病灶检出与范围评估、血管闭塞识别及血栓定量分析的准确性与一致性。

*本文转载自微信公众号“中国脑血管病杂志”,脑医汇获授权转载


声明:脑医汇旗下神外资讯、神介资讯、脑医咨询、Ai Brain 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。

投稿邮箱:NAOYIHUI@163.com

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。

投稿/会议发布,请联系400-888-2526转3。


最新评论
发表你的评论
发表你的评论