近日，2022年醫(yī)學(xué)人工智能大會（CMAI 2022）暨第二屆“中國醫(yī)學(xué)學(xué)術(shù)期刊發(fā)展”高端論壇召開。

本次高峰論壇邀請了多位頂尖醫(yī)院的放射科主任及人工智能技術(shù)的權(quán)威專家，共同探討人工智能技術(shù)在醫(yī)學(xué)影像中的臨床應(yīng)用與科研進展，分享研究心得。

雷峰網(wǎng)(公眾號：雷峰網(wǎng))《醫(yī)健AI掘金志》作為本次大會的支持單位，全程參與嘉賓的演講內(nèi)容與深度報道。

首都醫(yī)科大學(xué)宣武醫(yī)院副院長盧潔教授作為本次大會的嘉賓，以《腦脫髓鞘病MRI成像的人工智能應(yīng)用研究》為題發(fā)表了演講。

以下是盧潔教授的演講內(nèi)容，雷峰網(wǎng)《醫(yī)健AI掘金志》進行了不改變原意的整理。

大家好，今天向大家匯報的主題是腦脫髓鞘病磁共振成像的人工智能應(yīng)用。

腦脫髓鞘病是以神經(jīng)髓鞘脫失為主要或始發(fā)病變，隨后出現(xiàn)軸索、胞體和神經(jīng)膠質(zhì)受損的神經(jīng)免疫疾病，主要包括多發(fā)性硬化（MS）和視神經(jīng)脊髓炎（NMO）。

全球約有280萬多發(fā)性硬化患者，中國約有4.2萬例，這也是中青年人群致殘的神經(jīng)系統(tǒng)常見疾病。

其病理性的特征改變是腦白質(zhì)多發(fā)性脫髓鞘斑塊伴反應(yīng)性膠質(zhì)增生和軸索損傷。疾病早期主要表現(xiàn)為髓鞘崩解與脫失和小膠質(zhì)細胞激活，軸索相對完好。病變晚期則表現(xiàn)為軸突崩解、神經(jīng)細胞減少并形成神經(jīng)膠質(zhì)的硬化斑。

這是2017版的多發(fā)性硬化診斷標準，可以看到在診斷中我們既需要客觀的臨床證據(jù)，也需要一些額外的證據(jù)。其中，磁共振成像是協(xié)助多發(fā)性硬化診斷的最重要的評估方法。

臨床中應(yīng)用的常規(guī)磁共振成像可以為多發(fā)性硬化提供多維度的信息，包括病灶數(shù)量、位置、體積，以及強化的特點和病灶進程。而且，常規(guī)磁共振診斷多發(fā)性硬化的靈敏度較高，可達到約95%。

多發(fā)性硬化病灶的常見位置為側(cè)腦室周圍、皮層下、u型纖維、腦干和小腦，形態(tài)呈橢圓形或手指狀。急性期病灶有膨脹感，呈現(xiàn)“煎蛋征”、“開環(huán)狀”、“C型”強化，強化持續(xù)時間在90天以內(nèi)。在慢性期T1呈現(xiàn)低信號病灶，呈“黑洞”狀。

這是多發(fā)性硬化病灶在腦內(nèi)的典型分布位置，側(cè)腦室旁、幕下以及胼胝體。

典型表現(xiàn)為u形纖維病灶、Dawson手指征以及卵圓形的病灶形態(tài)。

不同時期的病灶特點也不相同，在時間上呈現(xiàn)多相性。如果對病人進行臨床隨訪，可能會發(fā)現(xiàn)患者出現(xiàn)新發(fā)病灶，且病灶往往在一個以上，同時存在強化病灶與不強化病灶，也就是說既有急性期病灶也有慢性期病灶。

視神經(jīng)脊髓炎也是中樞神經(jīng)系統(tǒng)常見的炎性脫髓鞘疾病，發(fā)病率僅次于多發(fā)性硬化，在亞洲更加多見，尤其以女性多發(fā)，男女比例大約是1:4。該病主要累及視神經(jīng)、脊髓、腦，血清特異性自身抗體為AQP4抗體陽性。85%-90%患者會復(fù)發(fā)，預(yù)后比多發(fā)性硬化更差。

視神經(jīng)脊髓炎的診斷標準多年來經(jīng)歷了數(shù)次演變，1894年首次提出NMO的概念；1999年出現(xiàn)第一個NMO診斷標準；2004年AQP4-lgG發(fā)現(xiàn)后，NMO被認為是不同于MS的獨立疾??；2007年提出了NMOSD（視神經(jīng)脊髓炎譜系疾病）的新概念；2015年出現(xiàn)了最新的NMOSD診斷共識。

視神經(jīng)脊髓炎譜系疾病可以根據(jù)AQP4抗體陰性與AQP4抗體陽性來進行診斷，磁共振評估是診斷中的重要環(huán)節(jié)。

NMOSD的腦內(nèi)病灶并不少見，43%-70%的患者首次發(fā)病即可出現(xiàn)腦內(nèi)病灶，主要包括圍繞腦室系統(tǒng)的室管膜周圍病灶、側(cè)腦室周圍及胼胝體病灶、皮質(zhì)脊髓束病灶、半球白質(zhì)病灶以及非特異性病灶。

這是NMOSD間腦和大腦損害的MRI改變，通常為丘腦及下丘腦損傷，廣泛的皮質(zhì)下白質(zhì)損害及強化；E是沿胼胝體長軸的線樣損害，F(xiàn)是沿大腦腳、橋腦皮質(zhì)脊髓束縱向損害，以及急性室管膜周大腦白質(zhì)損害及強化的改變。

此外我們還可以看到NMOSD延髓背側(cè)、極后區(qū)及腦干受損的磁共振表現(xiàn)，表現(xiàn)為延髓背側(cè)病灶、極后區(qū)病灶、四腦室周圍及橋腦腹側(cè)損害、中腦背側(cè)損害以及四腦室周圍損害。

NMOSD的特征性病灶為室管膜周圍病灶以及皮質(zhì)脊髓束病灶。

這是NMO的側(cè)腦室周圍及胼胝體病灶，側(cè)腦室旁病變緊貼著側(cè)腦室壁，沿管膜內(nèi)襯分布，常見于側(cè)腦室前后腳周圍，不常累及側(cè)腦室體周圍。當累及胼胝體全層時，病灶呈現(xiàn)“拱橋樣”改變，而胼胝體-透明隔交界處（CSI）的腦部病灶則更常見于MS。

半球白質(zhì)病灶可表現(xiàn)為腫瘤樣脫髓鞘病變、多發(fā)性硬化樣病變以及急性播散性腦脊髓炎樣病變。

MS與NMOSD的鑒別診斷十分具有挑戰(zhàn)性，根據(jù)既往文獻的報道，大約30%的MS患者在疾病早期會被誤診為NMOSD。這兩種疾病的臨床癥候比較相似，實驗室檢查結(jié)果也有部分重疊，因此確診周期較長，大約12%的患者需要至少6年時間才能確診。對基層醫(yī)院的醫(yī)生與低年資醫(yī)生來說，這兩種疾病的診斷更具有挑戰(zhàn)性。

人工智能是不是能幫助我們來做一些工作呢？人工智能是利用計算機技術(shù)模擬人類的思維和學(xué)習過程，使之勝任人類智能才可完成的復(fù)雜工作。它的發(fā)展從1950年，計算機和人類智能的交互開始，再到1980年機器學(xué)習的算法改進，使我們能夠進行大數(shù)據(jù)處理，再到2010年深度學(xué)習中的智能神經(jīng)網(wǎng)絡(luò)解碼更深層次的影像信息。

影像組學(xué)是在大數(shù)據(jù)和人工智能的背景下產(chǎn)生的精準影像分析技術(shù)，能挖掘肉眼無法識別的高維定量特征。運用高級數(shù)學(xué)模型算法轉(zhuǎn)化為具有高分辨率可重復(fù)、低冗余可挖掘的高維數(shù)據(jù)，對特征進行量化分析，從而深入探討圖像中包含的潛在信息。

這是具體的影像組學(xué)工作流程圖，從圖像采集與分割，到深度特征、語義特征、形態(tài)特征及紋理特征的提取，再到進行特征篩選與模型構(gòu)建。特征篩選和建模均有很多方法可供選擇。

我們來看一下組學(xué)列線圖，它是建立在多因素回歸分析的基礎(chǔ)上，將多個預(yù)測指標進行整合，然后采用帶有刻度的線段，按照一定比例繪制在同一平面上，從而用來表達預(yù)測模型中各個變量之間的相互關(guān)系。

在腦脫髓鞘病MRI成像人工智能應(yīng)用研究中，我們收集到150例患者，其中73例為多發(fā)性硬化，77例為視神經(jīng)脊髓炎。我們以68例患者作為訓(xùn)練集，62例作為驗證集，手動勾畫病灶，基于組學(xué)列線圖在T2WI圖像的病灶中提取了273個定量組學(xué)特征。

最終篩選出11個組學(xué)特征和4個臨床特征，可以看到訓(xùn)練集AUC和測試集AUC是比較接近的。

另外一個課題對189例的患者進行了研究，其中95例是多發(fā)性硬化，94例是視神經(jīng)脊髓炎，其中以135例患者作為訓(xùn)練集，54例作為驗證集，手動勾畫病灶之后，同樣基于組學(xué)列線圖，在頸髓T2WI圖像顯示的病灶中提取了485定量組學(xué)特征。

最終篩選出9個組學(xué)特征與5個臨床特征納入模型，其鑒別效能較高。

人工智能輔助鑒別診斷同樣具有挑戰(zhàn)性，主要在于基于單一的臨床數(shù)據(jù)庫、基于單一序列、基于單一磁共振儀，組學(xué)列線圖仍缺乏可解釋性，且缺乏人工智能模型和臨床醫(yī)生判讀的對比。

宣武醫(yī)院收集了116例腦脫髓鞘病患者，其中78例為MS，38例為NMO，包含兩個數(shù)據(jù)集，既有1.5T又有3T。我們收集了T1-MPRAGE和T2WI兩個序列的影像數(shù)據(jù)，以及患者的殘疾程度評分、病程等臨床信息。

我們從T2病灶中提取了1118個定量的組學(xué)特征，基于多參數(shù)影像表征，構(gòu)建了隨機森林分類模型，將篩選出的9個組學(xué)特征和4個臨床特征篩選出來納入模型。

并且對比了神經(jīng)影像醫(yī)生閱片診斷和影像組學(xué)模型診斷的正確率。醫(yī)生的鑒別結(jié)果準確率為0.709，敏感性為0.615，特異性為0.750。機器學(xué)習模型鑒別結(jié)果的準確率、敏感性、特異性都有明顯提高，優(yōu)于醫(yī)生肉眼鑒別的結(jié)果。

機器學(xué)習模型由高維的組學(xué)特征組成，所以其解釋性相對來說比較差，不容易理解。SHAP是目前比較流行的一種模型解釋方法，通過計算在合作中每個個體的貢獻來確定個體的重要程度。本模型具有可解釋性，對于case A，隨機森林模型判斷有89%可能性是MS，其中最主要的貢獻來自H-MPR-Log_95這個特征，我們可以把每一個特征的貢獻值計算出來。

拓撲就是把實體抽象成與其大小、形狀無關(guān)的“點”，而把連接實體的線路抽象成“線”，進而以圖的形式來表示這些點與線之間關(guān)系的方法，目的在于研究這些點、線之間的相連關(guān)系。拓撲結(jié)構(gòu)圖就是表示點和線之間關(guān)系的圖，拓撲可以應(yīng)用在分子結(jié)構(gòu)、地理圖、DNA結(jié)構(gòu)和繩結(jié)等。

我們也可以將拓撲在腦脫髓鞘疾病的診斷中進行應(yīng)用。由于MS和NMO兩種疾病的發(fā)病機制不同，其腦內(nèi)病灶的空間分布不同，形態(tài)、大小也不相同，所以這兩種疾病的腦內(nèi)病灶的拓撲性質(zhì)并不相同，我們希望能夠找到潛在的鑒別診斷突破點。

我們對97例脫髓鞘病例的T2WI數(shù)據(jù)進行了分析，其中66例MS，31例NMO。這部分數(shù)據(jù)的結(jié)果我們目前還沒有發(fā)表。具體通過軟件勾畫病灶，提取MS多發(fā)病灶的空間模式。整個DTA的框架是由三個模塊組成的，動態(tài)層次網(wǎng)絡(luò)構(gòu)建、動態(tài)拓撲量化以及拓撲模式分析。

我們看到鑒別診斷的拓撲研究結(jié)果，與MS患者腦內(nèi)病灶比較，NMO患者的病灶連接更加緊密，而且病灶的體積更大。拓撲研究具有很多優(yōu)點，模型和結(jié)果可視化、病灶網(wǎng)絡(luò)連接可視化、病灶體積可視化。

和以往的鑒別診斷模型比較，拓撲模型具有更高的AUC，達到0.875，準確性和特異性也很高。

以前的文獻報道中，MS磁共振預(yù)測研究的準確率大約為58%~70%，其臨床表現(xiàn)和影像學(xué)的征象通常不匹配，磁共振的病灶缺乏特異性，T2WI和T1WI上病灶的病理特征也缺乏特異性。

所以我們是不是可以通過基于拓撲的人工智能模型來幫助預(yù)測預(yù)后。

通過磁共振縱向隨訪研究發(fā)現(xiàn)，慢性病灶具有融合的趨勢，而且臨床的殘疾程度會逐漸增加。所以我們提出假設(shè)隨著疾病的進展，病灶的拓撲性質(zhì)發(fā)生改變；反之，病灶拓撲結(jié)構(gòu)變化也具有潛在的預(yù)測作用。

這部分研究共收集了90例進展的MS和54例非進展MS，如果殘疾量表增高1.5分以上就定義為進展，小于1.5分定義為非進展，用T2WI數(shù)據(jù)進行訓(xùn)練。通過對病灶進行勾畫提取多發(fā)病灶的空間模式。

結(jié)果顯示，和非進展的患者相比，進展的MS患者具有更密集的病灶連接，而且病灶的病變體積更大。同時也實現(xiàn)了模型及結(jié)果可視化、病灶3D可視化、病灶網(wǎng)絡(luò)連接可視化和病灶體積可視化。

和既往的研究報道相比，磁共振預(yù)測模型同樣顯示了更高的AUC，達到了0.752，準確性、特異性也較高。

總結(jié)一下：

多發(fā)性硬化、視神經(jīng)脊髓炎是常見的腦脫髓鞘病，但是二者的鑒別診斷困難；而人工智能可以幫助挖掘影像圖像中肉眼無法識別的高維定量特征；基于拓撲的人工智能模型在預(yù)測腦脫髓鞘病預(yù)后中具有重要的價值，未來我們也希望在這方面進行更深入的探索。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。