作者：张月，李康，重庆市人民医院放射科；谢刚，成都市第三人民医院放射科
急性缺血性卒中（acute ischemic stroke,AIS）发病率逐年上升，根据全球疾病负担报告显示，其已经成为全球第二大致死性和全球第三大致残性疾病。出血转化（hemorrhagic transformation,HT）是卒中的一种严重并发症，指急性
HT在临床上分为症状性出血和非症状性出血，在影像上常采用欧洲协作性急性卒中研究-Ⅱ(European Cooperative Acute Stroke Study-Ⅱ,ECASS-Ⅱ）标准分为出血性脑梗死和脑实质出血。HT的不同亚型与病人的不同临床结局密切相关。因此，有效预测HT的发生对指导临床治疗及预后评估具有重要意义。
AIS病人的常规神经影像学特征可以预测HT，但易受医师的经验水平限制，难以将所有影像数据分析透彻，导致预测准确性较低。近年来，随着人工智能（artificial intelligence,AI）技术的快速发展，其可用于提高HT的预测准确度，在指导临床个体化治疗方面表现出较好的前景。作为医学影像AI研究的重要内容，影像组学通过深度挖掘医学影像中的高通量特征来描述病变的生物学特点，进而实现无创、全面、动态量化病变的时间和空间异质性，机器学习（machine learning,ML）及深度学习（deep learning,DL）技术能依靠其先进的算法整合AIS病人的影像、临床信息，从而构建较好的HT预测模型。本文就目前影像组学、ML及DL技术预测HT的相关研究进展予以综述。
1. AI概述
AI技术是应用计算机来模仿人类思维方式及智能化行为的一种方法。其中，影像组学可以深度揭示了影像中体素在二维及三维空间中的相互关系，量化肉眼无法观察的纹理信息，能够反映病灶的异质性。ML作为AI的一个分支，采用各种算法集中学习和训练复杂数据，并通过超参数优化来建立理想的分类、预测和评估模型，目前已广泛应用于医疗领域。
ML常见的算法包括朴素贝叶斯、随机森林、决策树、支持向量机、逻辑回归等。DL是ML领域的一个分支，是一种基于多维数据表征学习的技术，其学习能力更强。常见的DL算法包括卷积神经网络（convolutional neural network,CNN）、循环神经网络及生成对抗网络等。
2. 基于影像组学特征预测AIS后HT
血脑屏障的损伤在AIS病人发生HT的机制中具有重要作用。梗死区的影像表现会随着血脑屏障破坏的差异而变化，但卒中病人血脑屏障破坏状态具有复杂性，影像组学特征有助于定量评估病灶异质性，反映病灶内的微观病理学变化，为HT的量化评价提供了基础。近年来，多种神经影像学技术结合影像组学的方法已广泛用于卒中后HT的预测研究。
头颅
MRI具有高组织对比度和对梗死核心区的高敏感性，目前大多数研究选择MRI影像进行特征的提取及筛选。Kassner等通过提取T1WI增强影像中的脑梗死区纹理参数评估HT，发现纹理特征可以有效预测HT(AUC>0.75），且优于常规视觉分析。Meng等发现基于表观扩散系数（ADC）影像提取的组学特征预测HT的效能也较好（AUC=0.831）；该研究还发现将健侧与患侧纹理信息一起纳入并对比，可以反映正常和梗死区脑组织的潜在关系，这可能与脑卒中的年轻化趋势有关，年龄较小的AIS病人健侧脑组织的影像组学特征受其他疾病（如脑血管或脑组织老化）的影响也较小。
因此，全面对比分析健侧与患侧纹理信息的差异，可以为HT的预测提供更有价值的补充信息。另外，灌注加权成像（PWI）也可以反映脑组织的血流灌注状态，明确缺血情况及血脑屏障损害程度，基于PWI影像提取的组学特征在预测HT时，诊断效能与常规MRI序列相当，甚至更好。
相对于分析单参数影像，结合多参数的影像纹理特征可以提供更丰富的数据信息，在提高HT预测的准确度中具有重要价值。如Jiang等通过对2个中心AIS病人的PWI、扩散加权成像（DWI）影像进行影像组学分析，并比较了基于单参数和多参数影像提取的影像组学特征预测HT的诊断效能，结果证实结合多参数的影像组学特征预测HT的效能最好（AUC=0.932）、泛化能力更强。由此可见，多模态影像组学特征分析可以挖掘不同数据源之间的关联和相互作用，进而提供更全面、准确和个性化的预测结果。
综上，基于不同神经影像学技术提取的影像组学特征均能较好地预测HT，但未来仍需大样本数据进一步行前瞻性及多中心验证，且目前利用影像组学特征精准预测HT不同亚型及发生部位的研究较少。此外，基于多参数的影像组学特征结合临床、实验室数据等多因素分析预测HT的发生及风险分层也是未来研究的一个重要方向。
3. 基于ML预测AIS后HT
ML具有较强的数据信息识别、筛选能力。相对于传统的变量筛选方法，ML算法可以从冗杂的大数据中选择与HT最密切相关的特征。如Elsaid等基于354例AIS病人的DWI影像及临床检查数据，使用最小冗余最大相关性（minimal redundancy maximum relevancy,m RMR）算法进行特征选择，发现脑微出血、较低的美国国立卫生研究院卒中量表（National Institute of Health Stroke Scale,NIHSS）评分和较大的梗死面积是HT最重要的预测因子，且三者之间存在非线性相互作用。这种m RMR算法能检测出原始测试集数据中的复杂非线性关系，在预测HT发生时，能对输入的数据信息进行多维度评估，充分挖掘其预测价值。
除了对大数据进行信息识别、筛选外，ML还可以选取不同的的算法，通过特征变量输入、内部验证及超参数优化等过程构建较好的HT预测模型。如da Ros等基于机械取栓术后的即时锥形束CT影像，采用朴素贝叶斯算法构建了HT预测模型，预测取栓术后24 h HT具有较高的效能（敏感度为1.00，特异度为0.75）。Bouts等基于多参数MRI影像开发了广义线性模型和随机森林模型以预测HT的发生，均取得较好的效果（AUC分别为0.83和0.89）。除上述算法外，极端梯度算法也具有较好的HT预测效能（AUC=0.80）。这些研究均表明ML技术在预测HT方面具有较好的应用前景。
目前，用于预测HT的ML算法多样，但在不同的临床、研究环境中，不同算法的表现具有差异性。如Xu等基于345例AIS病人的临床资料及影像学特征进行分析，采用逻辑回归和随机森林2种算法分别构建了HT预测模型，结果表明随机森林模型的效能（AUC=0.795）优于逻辑回归模型（AUC=0.703）。
Bouts等的研究也显示在不同ML算法构建的HT预测模型中，随机森林模型表现更好。但Li等基于AIS病人的基线实验室指标构建了极端梯度提升、随机森林、逻辑回归及决策树4种ML模型以预测HT的发生，结果发现极端梯度提升模型的表现最佳（AUC=0.95）。不同ML模型表现出的预测效能差异，可能与不同ML算法原理以及模型训练学习的基础数据不同相关。不同的ML算法没有固定的优劣之分，在实际应用中应结合具体学习环境和自身数据结构选择合适的算法进行HT预测。
ML算法建模不仅能预测AIS病人HT的发生风险，还能评估HT的发生位置。Yu等通过核谱回归算法从PWI和DWI影像中提取特征信息并构建模型，预测AIS病人经再灌注治疗后大脑各区域发生HT的风险，结果显示预测准确度为（83.7±2.6）%。这种根据不同脑区进行的HT可视化预测有望为神经介入医师行血管内治疗提供新思路。在未来的研究中，如果能将预测大脑不同分区HT的发生风险及其对应脑功能结合讨论，HT预测模型将具有更大的临床应用价值。
4. 基于DL预测AIS后HT
既往研究认为梗死体积、Alberta卒中项目早期CT评分（Alberta Stroke Program Early CT Score,ASPECTS）等影像指标是HT的重要预测因子。而DL技术可以实现梗死区自动分割及影像学特征自动分析，能更加高效而准确地获取预测HT的相关数据信息。如Hilbert等发现通过残差神经网络算法全自动分析
Do等也提出了一种利用复发残差卷积神经网络自动评估脑卒中DWI-ASPECTS的方法，且具有较高的准确性（准确度为87.3%,AUC为0.941）。这种基于DL的无监督学习有助于对大量影像信息快速识别、学习，为基于多模态数据的HT智能预测体系构建提供了有力支持。
DL技术不仅能够智能化获取预测HT的数据信息，还能从微观角度对梗死区变化进行量化评估，这与影像组学特征评估相似。Nishi等通过CNN模型提取DWI影像中梗死区的形态学和拓扑结构信息，与单纯常规神经影像学生物标志物（ASPECTS评分和核心梗死区体积）相比，更好地预测了卒中病人的临床结局（AUC为0.81±0.06）。这是因为在影像分析领域，CNN算法优势显著。与其他图像分析方法相比，CNN模型能从AIS病人治疗前的神经影像学数据中获取更多有效的HT预测信息。
DL算法能够构建优秀的HT预测模型，有助于指导临床开展个体化精准治疗。Choi等基于结构化数据比较了逻辑回归、支持向量机、极端梯度提升和人工神经网络模型预测AIS后发生HT的效能，结果发现人工神经网络模型表现最佳（AUC=0.844），优于传统的ML模型。Wang等研究也显示神经网络模型较传统的ML模型在预测AIS后症状性
另有研究利用CNN算法建模同样实现了HT的有效预测（AUC为0.948）。这些研究均证实了DL技术在HT预测中的高度可行性。但需要注意的是，在相同的数据基础上，不同的DL算法会导致预测效能的差异化。因此，合理选择和优化算法对于提高HT预测模型的效能至关重要。
既往研究大多倾向于使用神经网络算法且取得了较好的效果，尤其是使用CNN模型预测AIS后HT的发生。这是因为神经网络模型可以同时输入定量数据、像素或体素信息，能够实现多模态数据的高效处理。但并不代表它在所有情况下都是最优选择，应取决于具体的问题和数据特性。目前，国内外尚缺乏基于相同数据和问题场景下比较不同DL算法预测HT效能差异的研究，进行这种比较研究有助于更好地了解各种DL算法在预测HT方面的潜力和局限性，从而为精确预测卒中后HT提供更好的决策依据。
5. 小结与展望
影像组学能从CT、MRI及其PWI等多种神经影像学数据中深度挖掘并提取与HT密切相关的影像组学特征，机器学习和深度学习可以实现HT预测信息的筛选及相关性分析、预测模型的构建及优化，提高了HT的预测准确率。同时，影像组学结合机器学习及深度学习技术在筛查AIS后发生HT的高危个体、预测HT不同亚型、预测HT发生位置及发生HT后的症状分析等方面也具有潜在的临床应用价值。
但目前还有一些关键性问题亟待解决：（1）由于数据的安全性和隐私性，研究纳入的数据普遍较少且质量不受保证，研究多为单中心缺乏更多外部验证。（2）ML尤其是DL算法的可解释性较差，模型设计复杂且数据依赖性强。（3）研究多为回顾性，模型指导临床治疗的有效性和准确性还需要前瞻性验证。因此，在未来的研究中，大数据支持、多中心验证、多学科合作及前瞻性评估对于提高AI预测HT的准确性具有十分重要的意义。
来源：张月,谢刚,李康.人工智能预测急性
(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。)
