医院中的科技_研究|人工智能在颅内出血诊断与治疗中的应用-北京协和医院 常健博 王任直 冯铭

原题:研究|人工智能在颅内出血诊断和治疗中的应用-北京协和医院常健博王任直冯铭

本文作者:常健博、王任直、冯铭、北京协和医院神经外科正文发表于[J] .中国现代神经病杂志2019，19 ( 09 ):622-626 .。 本文转载医脉通网站，神外前端转载已获准。

颅内出血( ICH )是多种原因引起的颅内出血性疾病，神经外科、神经内科、重症医学科、康复科等多学科的诊断和治疗，包括自发性出血和外伤引起的继发性出血，是临床医师面临的重要挑战。 如何从疾病的复杂临床表现、生命体征及辅助检查中寻找规律，认识疾病，是临床医生应该关注的问题。

近年来，以深度学习( deep learning )为代表的人工智能( AI )技术的进步提供了识别疾病的新方法。 本文简单地整理了人工智能术语，回顾了过去的研究，希望临床医师能够了解人工智能在颅内出血诊断和治疗中的作用。 “人工智能”的概念提出于1950年代，是在理解智能(学习、推论、思考、计划等)的基础上，以人工的方法实现的智能。

经典的人工智能主要利用各种算法学习数据中的规则，尤其是分类规则，主要方法是机器学习( ML )。 典型的算法是不进行特征变换或者仅进行一次特征变换或选择的所谓浅层学习方法，包括用于分类的线性判别分析( LDA )、决策树( DT )、支持向量机( SVM )和本地向量机( nb )、以及k最近邻( KNNNN )、Logistic回归分析等 为克服古典算法的缺点，计算机学者提出了多次转换特征的深度学习方法，成为近年来机器学习的热点。 深度学习的基础是人工神经网络( ANN，以下简称神经网络)，通过多层神经网络利用反向传播( BP )算法建立不同的网络结构

临床医生早就希望利用人工智能技术提高颅内出血的诊断和治疗水平。 在CT尚未普及到大学的20世纪80年代，美国罗切斯特大学医学部的Panzer等人根据患者的临床症状和体征诊断脑出血，根据线性辨别分析和naiveBayes理论，将头部CT平扫作为脑出血诊断的“金标准”，其诊断精度仅为5%~67%。 1995年，Phillips等人开发了自动分割脑胶质瘤内出血的算法，根据脑胶质瘤患者1例的头部MRI图像，利用无监督的模糊c均值( FCM )聚类算法，以影像学和病理学为“金标准”实现血肿的自动分割。

1998年，Zernikow等人报告了利用临床信息预测早产儿脑室内出血的模型，利用神经网络算法，最终该模型在正在验证的受试者的工作特征曲线( ROC )曲线上面积( AUC )为0.94，通过Logistic回归分析构建的模型( AUC ) 第二年，爱德华等人探讨了神经网络算法在颅内出血预后中的应用，报告显示，该研究共编入81例幕上出血患者，未设验证组和测试组，训练组死亡预测精度为100%，优于Logistic回归分析的79%。 传统标准表明，上述研究方法存在多种问题，结果不大令人满意，但20世纪末，研究人员已经发现了人工智能应用于颅内出血的一些重要方向，即临床决策支持系统(诊断、治疗、预后)和神经影像学分析，同时也表明了神经网络算法的潜力。

1 .人工智能在颅内出血诊断中的应用

2019年，Ye等人尝试了新的深度学习框架，通过基于三维卷积神经网络的递归神经网络结构，在较少的头部CT扫描图像( 1836例脑出血与1000例正常对照)中得到了与Chilamkurthy等人类似的结果， 该算法验证了集中诊断脑出血的ROC曲线AUC值≥0.98，判断5种脑出血亚型AUC值0.80，并证明该算法优于受训低年龄放射科医师的人工诊断。 同年，Ker等人尝试通过对CT图像进行阈值变换的预处理来提高卷积神经网络算法的训练效率，仅用399例患者的头部CT扫描图像来判定颅内出血的F1得分从0.71~0.90提高到0.93~0.95。 另外，也有学者在探索更接近现实世界的算法。

2017年，Prevedello等人提出了多种颅内病变判断颅内出血的算法，将包括脑出血、颅内占位性病变和脑积水在内的颅内病变100例，急性缺血性卒中22例和124例正常对照，根据头部CT扫描图像，采用卷积神经网络算法， 脑组织窗和脑卒中窗分别进行训练，最终该算法集中诊断脑组织窗ROC曲线AUC值为0.91，脑卒中窗AUC值为0.81。

除应用于神经影像学外，人工智能还利用临床信息、实验室检查结果等辅助诊断颅内出血。 张强等人尝试从代谢组学角度构建诊断脑出血和急性缺血性脑卒中的算法，受试者分别以129例急性缺血性脑卒中、128例脑出血和65例正常对照，共检测11项血液生物学标记，利用神经网络算法，最终通过外部测试进行急性缺血性脑卒中

2 .人工智能在颅内血肿分割中的应用

颅内出血量、出血部位和出血时间是影响治疗决策和预后的重要因素，能否在影像上准确分割血肿是应用人工智能技术进一步深入分析的第一步。 目前已有一些研究探索了一些自动分割方法，但尚未取得突破性进展。 这种研究主要以影像学专家手动分割血肿为评价算法分割的“金标准”。

2016年，德国海德堡大学附属医院Scherer等在Stroke发表了能够从头部CT扫描图像直接分割血肿的算法。 嵌入式脑出血患者58例为训练集28例，验证集30例，基于体素的随机森林法将血肿、脑组织和蛛网膜下腔出血分别独立手工分割，最终验证该算法与手动分割的一致性相关系数( CCC )为0.99，与多田式的一致性相关系数为0.82，采用多田式

3 .人工智能在颅内出血进展预测中的应用

Tanioka等报告了颅内出血后迟发性缺血性卒中的预测模型，分析了95例动脉瘤蛛网膜下腔出血( aSAH )患者12项临床变量和血清细胞基质蛋白( MCPs )表达的变化，建立了随机森林法预测模型，最终预测精度达到95%，是该算法的重要 Ramos等人结合临床变量和头颅CT扫描图像建立了预测缺血性卒中的模型，采用最小冗馀最大相关性( mRMR )、支持向量机和偏最小二乘回归进行机器学习，发现317例动脉瘤性蛛网膜下腔出血患者含CT扫描图像信息的模型ROC曲线AUC值为0.74

4 .人工智能在颅内出血预后预测中的应用

以往，预测颅内出血的转归是临床医生关注的问题，用传统的分析方法构建了可预测预后的评价量表，随着人工智能技术的发展，处理了大量临床数据，可以构建更准确的模型。 Gupta等人建立脑出血最终模型( ICHOP )预测出院后3个月和12个月的改良Rankin量表( mRS )评分，575例脑出血患者采集200多项变量，根据随机森林法筛选相关因素，通过线性回归建立预测模型， 出院后3个月和12个月mRS评分的ROC曲线AUC值分别为0.89和0.87，优于常规脑出血评分( AUC值为0.84和0.81 )。

Zafar等给出了预测动脉瘤性蛛网膜下腔出血的患者Glasgow预后等级( GOS )模型，包括共计153例患者473个项目的变量，采用Logistic回归分析和多水平法构建了预测模型，该模型预测死亡和独立生活的ROC曲线AUC值分别为0.92和0.95 Rohaut等报告了脑出血患者短期意识恢复的预测模型，收治的158例脑出血患者中有105例意识良好，53例意识丧失，收集所有受试者的头部MRI影像，通过柔性网络的Logistic回归分析建立预测模型， 预测脱离重症监护室时的意识状况的ROC曲线AUC值为0.74，根据MRI图像判断进行MRI扫描时的意识状况的AUC值也为0.74。

本文对人工智能技术在颅内出血诊断、评价及预后中的应用进行了初步概述，未涉及手术技术、病理生理学机制等，而且由于笔者知识有限，仅检索MEDLINE数据库，未检索与计算机领域相关的数据库，因此存在局限性。 随着计算机、互联网等技术的发展，人工智能成为临床医师的重要工具，如何在颅内出血领域发展和应用该技术，最终给患者带来利益是未来的发展方向。