作者：卢洁，张苗，首都医科大学宣武医院放射与核医学科

脑卒中具有高发病率、高复发率、高致残率、高死亡率、高经济负担的特点，严重危害国民健康和生存质量，给社会和家庭带来沉重负担。随着我国人口老龄化及城镇化进程的加速，脑血管疾病危险因素暴露水平上升，疾病负担日益增加。《中国脑卒中防治报告2021》显示，从2010年至2019年我国缺血性卒中发病率呈上升趋势。

2021年我国城市居民脑血管病死亡率为140.02/10万，死亡人数占总死亡人数的21.71%。脑卒中已成为公认的重大公共卫生问题，快速评估、诊断和干预对改善脑卒中病人的结局至关重要。

目前CT和MRI检查已成为缺血性卒中诊疗的重要依据，同时医生的经验对其影像的判读准确性及判读速度至关重要，但医师资源短缺且培养周期长限制了其作用最大化。随着计算机图像分析与模型构建的快速发展，人工智能（artificial intelligence,AI）在脑卒中影像诊断领域得到广泛应用，从而促进了临床诊疗水平的提升。

1. AI辅助精准评估早期脑缺血改变，指导再灌注治疗

再灌注治疗是急性缺血性卒中（acute ischemic stroke,AIS）的有效治疗手段，但无论是静脉溶栓还是血管内治疗的时间窗均有限，指南推荐阿替普酶静脉溶栓时间窗为4.5 h，前循环大血管闭塞病人血管内取栓治疗时间窗为6 h。因此大量超时间窗和不明时间窗的病人不能接受再灌注治疗，而相当一部分时间窗内的病人再灌注治疗后却并不能达到预期的效果。通过影像学检查评估病人是否存在缺血半暗带，以此指导再灌注治疗比单纯依据时间窗更为合理。

Alberta卒中项目早期CT评分（Alberta stroke program early CT score,ASPECTS）基于CT平扫，评价AIS病人早期脑梗死征象，有助于临床医生制定治疗方案，预测病人功能转归。但是，ASPECTS容易受方法（如CT扫描质量）、评估者经验以及病人个体本身的影响，其准确性和评估者间的一致性一直存在质疑，因此准确判读应由经过培训、经验丰富的医生完成，并建议使用较窄的窗宽及合适的窗位进行双侧对比观察。

脑血管病影像规范化应用中国指南推荐采用CT窄窗技术（窗宽50HU，窗位30HU），以提高早期缺血的检出率。近年来，国内外研发了各类ASPECTS自动分析软件，如美国斯坦福大学研发的RAPID ASPECTS，法国拉西约塔的Olea公司与英国牛津的Brainomix公司合作开发的e-ASPECTS，以及国内数坤科技公司开发的数字脑-ASPECTS智能分析系统，均能够自动分割定位缺血脑区，通过自动计算相应CT值，获取ASPECTS结果。

Herweh等比较了e-ASPECTS、住院医师和高年资影像专家评估脑卒中ASPECTS的效果，结果显示自动化软件评估与专家评估的准确度（分别为94.15%、96.04%）无显著差异，可协助低年资医师精准评价CT平扫的脑缺血范围。鉴于MRI成像时间长、禁忌证多，目前该项目尚未广泛开展。

Qiu等基于157例AIS病人（发病时间<6 h）CT平扫影像构建机器学习模型，以同期扩散加权成像（DWI）上医生手动分割的缺血病灶为金标准，并在另外100例CT平扫影像进行验证，结果显示机器学习计算的病灶体积与金标准高度一致（r=0.76）。Nael的述评提出，机器学习方法可从AIS病人的基线CT平扫中识别并量化缺血核心，其准确度接近MRI，该方法为治疗决策提供了关键影像标志物。

CT或MR灌注成像能够评估梗死核心和缺血半暗带，预测缺血脑组织发展结局，帮助临床制定个体化治疗方案。但是，传统采用定性方法评估梗死核心和缺血半暗带，即脑血流量（cerebral blood flow,CBF）与脑血容量（cerebral blood volume,CBV）同时减低的区域为梗死核心，CBF减低而CBV正常的区域为缺血半暗带，这种评价方法虽然简便、快速，但主观性强，无法直接定量测量梗死核心与缺血半暗带体积。

RAPID自动化影像处理平台能够对CT和MR灌注成像数据进行定量后处理，流程包括数据自动上传、数据终端计算、自动化影像分析（梗死核心、半暗带体积计算）、回传至影像及临床平台，全自动化过程仅需5～7 min，较传统定性评价方法快速、精准。EXTEND-IA、DAWN和DEFUSE-3等研究应用RAPID自动化分析软件，以梗死核心相对CBF<30%、缺血半暗带的残余功能达峰时间（Tmax）>6 s为阈值标准，结合各种评价指标筛选适合血管内治疗的AIS病人。

由此，全球许多卒中中心开始应用以RAPID为代表的灌注原始数据自动分析软件，使脑灌注影像评估进入智能化、精准化时代。近年来，我国自主研发的AI灌注自动化分析软件逐渐发展，如数坤公司研发的“数字脑”卒中一站式智能解决方案、脑玺（上海）智能科技有限公司和复旦大学类脑智能科学与技术研究院研发的F-STROKE软件等。这些AI技术的发展和应用，推动了临床脑卒中诊疗模式更新，促进了病人的个体化诊治，显著改善了临床预后。

2. AI辅助头颈CT血管成像重建和诊断，优化诊疗流程

头颈CT血管成像（CT angiography,CTA）是临床诊断脑血管病变的首选检查手段，但原始数据量大，影像后处理及诊断耗时费力。首都医科大学宣武医院牵头采集多中心2万例头颈CTA数据，研发了阈值法连通性生长预测网络与基于生理结构的复合神经网络，克服了脑血管走行迂曲及骨分割困难导致的难题，可实现5 min内完成血管自动化重建，重建合格率高达92.1%。

在此基础上，该研究团队进一步基于加权的骨架算法融合先验知识进行血管中心线的精准提取，结合多角度血管狭窄检测模型实现了头颈CTA对管腔狭窄的定量诊断，对血管管腔狭窄≥50%的诊断敏感度、特异度、阳性预测值、阴性预测值及准确度分别为95%、83%、97%、77%和93%；利用3D Res U-Net网络在CTA横断面影像上对斑块进行分割，结合多特征回归模型实现了钙化斑块、非钙化斑块和混合斑块分类，准确度分别为91.8%、80.7%和81.3%。

基于AI的头颈CTA可以实现重建到诊断的临床全流程优化，较医生手动影像后处理节省了83%的时间和75%的人力，与三甲医院具有10年诊断经验医生的诊断准确性相似，诊断一致性为0.91，极大降低了影像科医生的工作负担，提升了工作效率。高时效性的AI技术为指导临床早期诊断、及时进行合理有效的干预治疗提供了重要的客观依据，有利于降低病人致残率和致死率。

3. AI辅助精准预测病人预后，指导临床决策

脑卒中预后与很多因素有关，影像评估对于缺血性卒中病人预后预测至关重要。首先，病人预后与脑梗死体积密切相关。DWI是检查急性缺血性脑卒中病人梗死体积的常用手段，传统测量通过医生手动勾画DWI高信号区或设定ADC阈值实现，手动勾画DWI高信号区存在主观性强、耗费时间的问题，设定ADC阈值虽然一定程度上减少了人力成本，但ADC值的影响因素较多，存在错误评估的风险。

然而，AI方法能自动提取影像组学特征，可以减少医生人力投入及主观性错误，具有良好的可重复性和定量分析能力。近年有研究通过构建卷积神经网络模型实现DWI梗死体积的精准分割与定量分析，以医生手动勾画DWI高信号区域为金标准，对比U-net模型及RAPID软件对梗死体积分割和定量的能力，结果显示U-net模型与金标准的一致性系数高达1.0,RAPID软件与金标准一致性系数为0.99。

虽然AI在梗死体积分割和定量中具有一定的临床价值，然而真实世界中病人的医疗影像数据异质性较大，如何提高算法的鲁棒性和泛化能力是主要问题。其次，病人溶栓并发症严重影响病人预后。有研究纳入362例AIS病人（其中218例发生出血性转化），并将其分为训练组和测试组（比例为7∶3），基于CT平扫获得了94个影像组学特征，采用深度学习算法并基于一阶特征和纹理影像组学特征构建影像组学模型，另外纳入临床因素构建临床模型，结果发现纳入全部影像组学特征的Light GBM模型诊断效能最佳，受试者操作特征曲线下面积（AUC）为0.986，而临床模型的AUC仅为0.544，提示影像组学模型能够预测病人出血转化，早期识别预后不良病人。再次，筛选能从治疗中受益的病人至关重要。

大血管闭塞性AIS病人可以通过机械取栓实现血管快速再通，改善预后。Teo等对5项基于影像特征和临床特征构建的机器学习模型预测机械取栓病人预后的研究进行荟萃分析，研究共纳入802例病人，影像学指标包括基于CT平扫的ASPECTS结果、DWI梗死灶部位、闭塞血管部位等，随机效应模型显示机器学习模型预测机械取栓病人远期预后良好的AUC为0.846，敏感度和特异度分别为0.795和0.780。

再灌注治疗中闭塞血管的开通与血栓性质密切相关，Hofmeister等纳入109例进行机械取栓的前循环大血管闭塞AIS病人，在CT平扫上提取血栓的1 485个影像组学特征，并通过训练线性支持向量机分类器，预测机械取栓再通的AUC为0.88。因此，AI预测AIS病人预后具有良好的临床应用前景。

4. 多模态影像数据精准评价颈动脉斑块特征，实现病人风险分层

颈动脉粥样硬化是导致缺血性脑卒中的主要致病因素，易损斑块发生破裂及继发血栓形成是引发缺血事件的主要因素。颈动脉斑块的易损特征包括薄纤维帽、较大脂质核心、以巨噬细胞为主的炎症细胞浸润、丰富的新生血管、斑块内出血、钙化结节。早期精准评估颈动脉斑块的易损性，有助于临床早期对病人进行危险分层，指导制定个性化治疗方案，从而有效预防脑梗死的发生。

高分辨MRI可通过抑制管腔内血流信号、血管周围脂肪信号直接显示颈动脉管壁结构，明确管腔形态及亚毫米级的斑块特征，对斑块内出血、大脂质核心和钙化的诊断准确度分别为82.5%、82.5%和90.0%。影像组学结合深度学习方法可以构建斑块性质分类模型，Wu等应用13个中心的颈动脉MR血管壁成像数据，并以专家标注的人工图谱为标准，研发了深度形态辅助诊断网络模型，该模型的斑块检出率达87%，对不同斑块成分的分割准确率可达93%～97%。

Zhang等也构建了影像组学结合深度学习模型，该模型识别高危斑块（症状性颈动脉斑块）的效能高于传统形态学识别方法，准确度达91%。但是单一模态成像方法对颈动脉斑块的评估具有局限性，而基于多模态影像融合分析能够提供综合信息。例如一体化PET/MR作为目前最先进的影像学检查设备，一次检查即可完成MRI和18F-FDG PET的同步扫描，实现2种影像的精准融合，同时提供颈动脉斑块的形态和炎性特征，更准确地评估其稳定性。

未来可采用AI算法融合多模态影像，高效、精准地完成影像分割，快速提取与量化多种影像特征，挖掘特征之间的内在关联，提取易损斑块的宏观、微观结构及功能特征，实现临床早期预警。

5. 小结与展望

随着AI技术的发展，缺血性脑卒中影像评估进入智能化精准化时代，AI在病灶检测、影像分析、疗效预测、风险评估等方面均显示出独特的价值，成为临床医生必不可少的辅助工具，对于提高脑卒中的救治效率和诊治水平发挥了重要作用。未来AI利用多中心大数据，深度挖掘多模态、跨尺度多维影像学信息，开发智能分析决策系统，服务于临床广大病人。

来源：卢洁,张苗.人工智能时代下的缺血性脑卒中影像评估[J].国际医学放射学杂志,2024,47(02):133-136.

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)