手机网站
手机网站
原题:研究|人工智能在颅内出血诊治中的应用-常建波，王忍之，冯明
作者:常建波，王忍之，冯明，神经外科，北京协和医院；这篇文章发表在《[杂志》上。中国当代神经病学与神经外科杂志，2019，19(09):622-626。本文转载于易买通网站，转载《上帝之外的边疆》已获授权。颅内出血(ICH)
是一种由多种原因引起的颅内出血性疾病，包括外伤引起的自发性出血和继发性出血。诊断和治疗涉及神经外科、神经病学、强化医学、康复和其他学科，这对临床医生来说是一个重要的挑战。如何从疾病复杂的临床表现、体征和辅助检查中找到规律，进而了解疾病，是临床医生关心的问题
近年来，以深度学习为代表的人工智能技术的进步为我们理解疾病提供了新的途径。本文通过对人工智能术语的简单梳理和对以往相关研究的回顾，希望能帮助临床医生了解人工智能在颅内出血诊断和治疗中的作用。“人工智能”的概念是在20世纪50年代提出的。它是指在理解智能(如学习、推理、思考、计划等)的基础上，通过人工方法实现的智能。)
经典人工智能主要使用各种算法来学习数据中的规律，尤其是分类规律。主要方法是机器学习经典算法通常不进行特征变换，或者只进行一次特征变换或选择，即浅层学习方法，包括线性判别分析(LDA)、决策树(DT)、支持向量机(SVM)和朴素贝叶斯(NB)、K近邻(KNN)、逻辑回归分析等。分类。每种算法都有自己的局限性为了克服经典算法的缺点，计算机科学家提出了一种基于特征多重变换的深度学习方法，这已成为近年来机器学习的一个热点。深度学习的基础是人工神经网络。通过多层神经网络和反向传播算法，建立了不同的网络结构，包括自编码机、受限尼尔斯波尔兹曼机(RBM)、卷积神经网络(美国有线电视新闻网)、递归神经网络(RNN)等。
临床医生一直希望借助人工智能技术提高颅内出血的诊断和治疗水平。早在20世纪80年代，当计算机断层扫描还没有在大学普及时，美国罗切斯特大学医学院的Panzer和其他人报道了一种计算机辅助决策系统，通过患者的临床症状和体征来帮助诊断脑出血。借助线性判别分析和朴素贝叶斯理论，头部CT平扫被作为诊断脑出血的“金标准”，其诊断准确率仅为5%~67%1995年，Phillips和其他人开发了一种自动分割胶质母细胞瘤脑出血的算法。基于脑胶质瘤患者头部的磁共振图像，采用无监督模糊聚类算法，以影像学和病理学为“金标准”，实现血肿的自动分割
1998，Zernikow等人报道了一种通过临床信息预测早产儿脑室内出血的模型。借助神经网络算法，模型验证集中接收机工作特性曲线下的面积为0.94，优于逻辑回归分析构建的模型(AUC值为0.88)次年，爱德华兹等人讨论了神经网络算法在颅内出血预后中的应用。81例幕上出血患者被纳入研究。由于没有设置验证集和测试集，训练集中死亡预测的准确率只有100%，优于逻辑回归分析中的79%。尽管上述研究方法存在各种问题，且根据现有标准结果并不令人满意，但早在20世纪末，研究人员就已经展示了将人工智能应用于颅内出血的几个重要方向，即临床决策支持系统(诊断、治疗、预后)和神经影像分析，以及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，叶等尝试了一种新的深度学习框架。借助于三维卷积神经网络和递归神经网络的串联结构，通过较少的头部平面CT图像(1836例脑出血和1000例正常对照)获得了与Chilamkurthy等人相似的结果。脑出血集中诊断的ROC曲线的AUC值≥0.98，5种脑出血亚型的AUC值> 0.80，证明该算法优于正在接受培训的初级放射科医师的手工诊断。同年，克尔等人试图通过阈值转换对CT图像进行预处理来提高卷积神经网络算法的训练效率。仅用399例患者的头颅CT平扫图像将颅内出血的F1评分从0.71~0.90提高到0.93~0.95此外，一些学者不断探索更接近真实世界的算法。在
2017中，Prevedello等人展示了一种用于在各种颅内病变下判断颅内出血的算法。100例颅内病变包括脑出血、颅内占位病变和脑积水，22例急性缺血性卒中和124例正常对照。基于头部平面CT图像，分别用卷积神经网络算法训练脑组织窗和笔画窗。最后，测试组中用于诊断颅内病变的脑组织窗的roc曲线AUC值为0.91，中风窗AUC值为0.81除了在神经影像学中的应用，人工智能还可以借助临床信息和实验室检查结果来辅助诊断颅内出血。张等试图从代谢组学的角度构建脑出血与急性缺血性卒中的鉴别诊断算法。受试者分别为129例急性缺血性卒中、128例脑出血和65例正常对照。总共检测到11种血液生物标志物。最后，借助神经网络算法，其对急性缺血性卒中集中诊断的敏感性和特异性分别为84%和77%。
2。人工智能在颅内血肿分割中的应用
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。血肿能否在图像上准确分割是利用人工智能技术进行进一步分析的第一步。目前，许多研究已经探索了各种自动分割方法，但没有取得突破。这种研究主要采用影像专家手工分割血肿作为评价算法分割的“黄金标准”。
2016，德国海德堡大学附属医院的舍雷尔等人在《中风》杂志上发表了一个算法，该算法可以直接在头部的平面CT图像中分割血肿。脑出血患者58例，其中训练组28例，验证组30例。基于体素的随机森林定律，两位研究人员分别手动分割血肿、脑组织和蛛网膜下腔出血。最后，在验证集中，算法与人工分割的一致性相关系数为0.99，与多场公式的一致性相关系数为0.82。虽然多场公式计算的血肿体积明显大于人工分割，但三者之间无统计学意义
3。人工智能在预测颅内出血进展中的应用
Tanioka等报道了一种预测颅内出血后迟发性缺血性卒中的模型，分析了12个临床变量和95例动脉瘤性蛛网膜下腔出血患者血清细胞基质蛋白(MCPs)表达的变化，并借助随机森林定律建立了预测模型。最终预测准确率达到95%。该算法的重要影响因素是3种细胞基质蛋白的表达水平和颅内动脉瘤的位置Ramos等人将临床变量与头部的普通CT图像相结合，构建了一个预测缺血性卒中的模型。利用最小冗余最大相关(mRMR)、支持向量机和偏最小二乘回归进行机器学习，他们发现包含317例动脉瘤性蛛网膜下腔出血患者的平面CT图像的模型的ROC曲线AUC值为0.74，高于仅由临床信息建立的模型的ROC值(AUC值为0.68)
4。应用人工智能预测颅内出血
的预后一直是临床医生关注的问题。通过传统的分析方法构建了一些可以预测预后的评分和量表。随着人工智能技术的发展，可以处理大量的临床数据，构建更精确的模型。Gupta等人构建了ICHOP模型来预测出院后3个月和12个月的改良Rankin量表(mRS)评分，收集了575例脑出血患者的200多个变量，根据随机森林法则筛选相关因素，并通过线性回归构建预测模型。ROC曲线预测出院后3个月和12个月mRS评分的AUC值分别为0.89和0.87，优于传统脑出血评分(AUC值分别为0.84和0.81)
Zafar等人展示了他们预测动脉瘤性蛛网膜下腔出血患者的格拉斯哥预后分级(GOS)模型。共有153名患者被纳入473个变量，包括临床特征、生理参数等。采用Logistic回归分析和多元多水平方法构建预测模型。预测模型死亡和独立寿命的ROC曲线的AUC值分别为0.92和0.95。Rohaut等人报道了一个预测脑出血患者短期意识恢复的模型。158例脑出血患者中，105例意识良好，53例意识丧失。收集所有受试者头部的磁共振成像图像。利用弹性网络的逻辑回归分析建立预测模型。根据磁共振图像，预测离开重症监护室时意识的ROC曲线的AUC值为0.74，磁共振扫描时意识的AUC值也为0.74
本文对人工智能技术在颅内出血的诊断、评估和预后中的应用进行了初步综述，不涉及手术技术、病理生理机制等。同时，由于作者知识的限制，只搜索了MEDLINE数据库，而没有搜索计算机领域的相关数据库，因此存在局限性。随着计算机、互联网等技术的不断发展，人工智能将成为临床医生的重要工具。如何在颅内出血领域更好地开发和应用这项技术，最终造福患者是未来的发展方向。
