推进人工智能在脑血管病精准诊疗中的应用

摘要脑血管病具有发病率高、病死率高、致残率高和复发率高等特点，严重危害人类健康和患者的生存质量。人工智能技术通过学习临床和影像等数据，自动提取与脑血管相关的疾病信息，有效降低主观因素干扰，在疾病的早期筛查、风险预警、精准诊断、指导治疗、疗效评估与预后预测等方面均取得了重要进展，已经成为临床有效的辅助决策工具。脑血管病已跃升为我国疾病死因的首位，主要包括缺血性脑卒中、出血性脑卒中、脑动脉瘤、血管畸形等。随着大数据和人工智能技术的快速发展，使得基于人工智能的脑血管病早期筛查、诊疗及预后评估逐渐成为可能。人工智能技术以数据驱动的方式，通过学习临床和影像等数据，自动提取与脑血管疾病相关的信息，可有效降低主观因素干扰，有利于更为客观的精准诊疗评估。本文从利用人工智能技术优化脑血管疾病诊治流程的角度，阐述人工智能在脑血管病预警、辅助诊断和预后评估等方面的研究现状及挑战，以期推动人工智能新技术在脑血管疾病中的应用。一、人工智能在脑血管病早期筛查中的应用筛查脑卒中高危风险人群，强化对高危风险因素的一级预防，可有效降低脑卒中的发生率。自1991年发布的弗明汉脑卒中风险预测模型开启了脑血管病风险评估的序幕以来，汇集队列方程、卒中风险计算器、KSRP模型、QStroke模型等人工智能模型的先后出现，对脑卒中预警及风险预测逐步得到提升。随着医学影像、基因检测和人工智能技术的融合发展，目前已经可以从基因层面对脑卒中的发病风险进行评估；而应用深度卷积神经网络对眼底图像进行分析，可实现缺血性脑血管疾病的风险预警。虽然这些脑血管病筛查预测模型已经被广泛应用，但大多聚焦于脑卒中的分析，对其他亚型的研究鲜有报道；新的多源融合数据预测效能参差不齐，样本量相对较少，有待前瞻性、大样本的验证。二、人工智能在脑血管病快速诊断与评估的应用脑血管病具有发病急、进展快的特点，尤其是急性缺血性脑卒中的有效治疗时间窗较短，诊断具有一定的时效性，需要在短时间内浏览大量结构和功能的信息，高度依赖于医师对神经影像表征的判别。而采用人工智能分析图像具有快速、准确的优点，在急性缺血性脑卒中诊断流程中的图像采集、病灶量化识别和鉴别诊断等方面均有显著优势。如通过辅助放射科医师检测CT平扫中早期不可见的急性缺血性脑卒中，可缩短诊断时间并提高诊断准确度；自动分割出与人工勾画一致的病灶体积、对缺血半暗带范围的评估及梗死核心的确定，可以更好地评价可挽救的脑组织；自动检测大血管闭塞，可对溶栓或者取栓治疗方案的确定具有指导意义。在其他脑血管病方面，人工智能可精确量化病灶位置和形态信息，对不同脑出血类型实现健壮和稳定的分割；可融合临床信息与影像信息自动识别动脉瘤位置和大小；可识别烟雾病的隐性危险因素、评估不同因素的权重以及定量评估烟雾病颅内出血风险；通过多模态高分辨率MRI序列及MRA对动静脉畸形患者的动脉、静脉、脑实质、脑脊液和栓塞血管进行分割，智能量化和分析病灶，可有效降低病灶检测和分割时间，提高医师对疾病诊断的可重复性，减少主观因素的干扰，对于患者的早期诊断和治疗决策的选择有积极指导作用。目前针对脑血管病神经影像辅助诊断的人工智能研究相对较多，但不同类型的研究缺乏系统性，不同机构的大数据缺乏规范性与统一性，从而影响其快速识别病变与疾病评估中的准确度，今后仍需要大样本的标准化脑血管病数据库反复交叉验证方能在临床广泛应用。三、人工智能在脑血管病预后评估中的应用预后评估及预测对降低脑血管病复发率和死亡率至关重要。早期对脑血管病预后的评估多基于多项大型队列研究之上的一系列预测评分量表，如评估功能残疾程度的改良Rankin量表评分（modifiedRankinScale，mRS）和评估神经功能损伤的美国国立卫生研究院卒中量表等，主观干扰因素较大。人工智能可对影像和临床指标进行综合分析，及时、准确地反映患者短期和长期预后的情况。在脑血管病短期预后结局评估方面，疾病进展和并发症的风险评估有助于指导治疗方案的决策。利用支持向量机通过静息态功能MRI可预测脑卒中后手部运动功能障碍；使用深度神经网络、逻辑回归以及随机森林三种机器学习方法可对急性缺血性脑卒中患者发病3个月后的mRS评分进行预测；应用机器学习的方法通过血栓的纹理及放射组学特征构建的模型不仅可预测急性缺血性脑卒中患者接受阿替普酶静脉溶栓治疗后的血管再通，还可以筛选出首次接受血栓抽吸术血管可再通的患者并能预测再通所需机械取栓装置的总通道数。尽管人工智能对脑血管病预后评估均有较高的预测效能，但缺少从患者角度融合分析病变短期和长期预后的结局，迫切需要建立大型研究队列，通过人工智能探究短期预后和长期预后的平衡点，为医师的治疗决策提供更多维度的参考。四、总结与展望基于数据驱动的脑血管病人工智能研究范式已经受到广泛认可，不仅可以早期筛查脑血管病患者，还可以辅助医师对病灶进行量化识别、鉴别诊断和预后评估，有利于及时发现和治疗急性脑血管病，降低发病率和死亡率。相应的人工智能产品也逐步走向临床应用，但距离临床常规应用面临很多挑战，还有漫长的一段路要走。脑血管疾病的形成机制错综复杂，分类体系多种多样，但受限于疾病发病率不均衡和疾病机制不清楚的影响，目前有关脑血管病人工智能的研究大多聚焦于脑卒中、脑动脉瘤方面，而在其他血管类疾病的研究较少，从而无法形成整体的辅助诊断体系。针对有限数据场景下的脑血管病可持续研究，可以从广度和深度两个方面进行考虑，从而让脑血管病人工智能研究聚焦于临床价值本身而非数据收集和标注的工作。广度方面，需要凝聚共识形成标准脑血管病专病库，通过时间的积累不断丰富脑血管病的样本量，并积极推动数据共享和评估标准，从而可以客观评价不同研究的创新性和价值。深度方面，需要扩展脑血管疾病研究中的数据模态，从放射影像和临床指标扩展到基因组学、转录组学和遗传组学等多组学的范畴。不同于脑血管疾病临床研究面临的问题，人工智能算法本身因为“黑盒”机制缺少可解释性。因此，探索人工智能算法的可解释性，可从以下3个方面进行深入研究：（1）从神经计算科学的角度，解析人工智能算法的理论机制构建因果关系；（2）抛弃已有的人工智能模型结构，从疾病发生发展的角度，从源头构建因果推理模型，如结构因果模型、潜在结果模型等；（3）结合脑血管病发病的复杂性，融合推理和学习的深度学习算法，实现应用级别的可解释，如案例推理和图神经网络等。总之，人工智能技术促进了脑血管疾病筛查、风险预警、精准诊断、指导治疗、疗效评估与预后预测等