作者：胡哲，济宁医学院临床医学院；张树军，陈雨各，刘尚宽，刘凤丽，陈月芹，济宁医学院附属医院医学影像科
烟雾病(moyamoya disease， MMD)是一种病因不明的复杂脑血管疾病，基于流行病学的研究发现，在中国、韩国和日本等东亚地区MMD发病率较高，且呈逐年上升的趋势。在MMD的发病人群中男女比例约为1∶1.8～1.9，女性患者比例稍高。MMD的发病机制至今仍不是十分明确，可能与内环境、遗传、免疫等多方面因素有关。有研究表明，MMD患者容易继发
目前对于MMD的诊断主要依靠影像学检查，包括
近年来，随着人工智能(artificial intelligence， AI)的出现与发展，基于AI技术的机器学习和深度学习算法模型逐渐被应用于医学影像研究领域。其中，机器学习模型包括支持向量机(support vector machine， SVM)、K近邻(k nearest neighbor， KNN)、随机森林(random forest， RF)等算法模型。深度学习算法包括卷积神经网络(convolutional neural network， CNN)、残差神经网络(residual neural network， RESNET)、循环神经网络(recurrent neural network， RNN)等模型。
AI擅长识别复杂的成像数据，并能以自动化的方式对疾病进行诊断和发展预测，推动了整个医学影像领域的发展。在MMD影像学领域中，主要使用机器学习与深度学习算法进行应用，相关算法模型的出现优化了影像技术的诊断效能并可对疾病的发展、结局进行预测，尤其是衍生出了鉴别诊断模型和危险因素分析模型，填补了MMD研究领域的空白。本文总结了机器学习与深度学习在MMD影像学领域中的应用进展，分析了该领域存在的不足，综述了未来基于机器学习和深度学习对MMD领域研究的建议及展望。
1. 机器学习与深度学习在MMD诊断中的应用
当前MMD诊断的金标准为DSA，其优势在于DSA具有较高的时间分辨率和空间分辨率，可以清晰地显示颅内血管并且观察其狭窄程度、有无闭塞及侧支循环形成情况，对该疾病的诊断和评估具有重要价值，因此DSA也被广泛应用于手术过程和疗效的评估。有研究人员尝试将AI应用于DSA，通过建立深度学习算法模型来实现MMD的自动诊断。
Hao等利用DSA图像构建了一种基于CNN的模型用来实现MMD的自动诊断，此模型的受试者工作特征(receiver operating characteristic， ROC)曲线下面积(area under curve， AUC)值为0.81。而该模型对于预处理后的DSA图像诊断效能则更强，精确度和准确度分别高达0.96和0.98。Lei等采用深度RESNET-152算法对颈内动脉DSA的原始数据进行特征提取，并对模型进行训练和验证。该模型诊断单侧MMD血管病变的准确度、敏感度和特异度分别为0.98、0.97和0.98，AUC值为0.99。
但以上研究仍存在一定的局限性，首先原始DSA图像的时相数量较多，而MMD诊断主要依靠动脉期的时相，如果在DSA中选取的时相不在动脉期，则会影响诊断效能；其次二维图像只能包含DSA的一个方位信息，可能会导致模型中缺少方位特征。Hu等为了解决二维图像缺少方位特征这个问题，使用了一种三维(three-dimensional， 3D)CNN和双向卷积门控循环神经单元(BiConvGRU)相结合的深度学习网络架构来构建模型。经过测试，该模型AUC值为0.99，灵敏度和特异度均为0.98。为医生准确诊断MMD提供了一种选择。
即便DSA是诊断MMD的金标准，但因其价格昂贵、耗时长、辐射量大且适用范围局限在一定程度上限制了DSA的应用。MRA和CTA在诊断MMD上具有一定的价值并且能够评估血管情况，但同样存在耗时较长的问题。随着超高分辨率
Fukushima等为了解决这个问题，采用三种AI方法对MMD的 UHRCTA图像进行重建，分别是混合迭代重建(hybrid iterative reconstruction， Hybrid IR)，全模型迭代重建(model-based iterative reconstruction， MBIR)和深度学习重建(deep learning reconstruction， DLR)，在实验评估中，基于深度学习算法的重建模型(deep learning reconstruction， DLR)表现出最高的信噪比(signal to noise ratio， SNR)，并且重建时间大幅缩短。在未来会对一些急诊患者和存在DSA禁忌证的患者带来便捷。
同样，AI结合其他检查技术在MMD中也存在广泛应用。AI联合近红外光谱技术以其诊断快速、低成本和无创的优势也为MMD的诊断提供了一种新的可能。Gao等应用近红外光谱(near infrared spectrum， NIRS)技术研究了64例MMD患者和64例健康志愿者的脑组织血氧饱和度指数(tissue oxygenation index， TOI)、氧合
使用20 min信号采集的信息建模时，SVM、RF和XGBoost的准确度分别为0.87、0.85和0.85；使用5 min信号采集的信息建模时，准确度分别为0.88、0.88和0.84，所以这三种机器学习模型都具有较高的检测和筛查MMD的潜力。近红外光谱技术为MMD的筛查提供了一种临床应用可能。另外，深度学习结合X线平片也可以实现MMD的诊断。
Kim等通过深度学习算法构建模型用来识别颅骨平片图像中的MMD患者，准确度为0.84，敏感度和特异度均为0.84，AUC值为0.91，表现出了出色的效能，并且经过Grad-CAM可视化分析，揭示了此模型用来识别MMD的关注点在面部颅骨部分。这也提示在未来进行MMD分类模型的构建时，可以着重提取面部颅骨特征来进行模型构建。
2. 机器学习与深度学习在MMD相关鉴别中的应用
在MMD鉴别方面，当前的研究热点在于区分动脉粥样硬化相关烟雾综合征(atherosclerosis associated moyamoya syndrome， AS-MMS)与MMD，以及出血型MMD与缺血型MMD转归预测研究。AS-MMS与MMD在影像学上表现极为相似，但是两者的治疗决策选择以及预后并不相同，两者的准确鉴别有利于临床医生选择个性化的治疗方案，对患者预后具有重要意义。
Akiyama等使用经过微调的VGG16深度学习模型在MRI图像上进行建模，以期对两者进行鉴别。结果显示，在基底池、基底节、半卵圆中心这三个层面鉴别AS-MMS与MMD的准确度分别为0.93、0.85和0.88，分类器效果卓越。除此之外，经过Grad-CAM可视化分析显示，该模型对MMD感兴趣区中的热点区域主要集中在基底池和基底节区层面。
在区分出血型和缺血型MMD方面。Yin等使用预训练的ResNet18在MRA图像上建立了基底池、基底节和半卵圆中心的模型，其中基底池和基底节层面的模型鉴别能力较强。另外，经过Grad-CAM可视化分析发现，模型的关注点是深部脑白质、侧脑室周围白质和异常侧支血管，这和Akiyama等所关注的位置基本一致，由此推断基底池和基底节层面的深部脑白质、侧脑室周围白质和异常侧支血管可能包含丰富的鉴别信息，这在未来对于MMD与其他疾病的鉴别以及MMD内部鉴别特征的关注、位置的选择提供了方向。
3. 机器学习与深度学习在MMD危险因素分析中的应用
MMD的主要临床表现是脑出血或脑梗死，有研究表明未经治疗的出血型MMD会有较高的概率发生再次出血。因此，识别出血危险因素将对预测未来再出血概率至关重要。Yu等采用多视角传统神经网络算法，将MMD患者DSA图像中的提取的特征与年龄、性别和出血等独立危险因素结合起来建立模型。此模型预测单侧出血风险的准确度为0.91，敏感度为0.94，特异度为0.9，具有较高的预测效能，将有助于及时识别再出血的风险。
Chen等搜集患者临床信息采用六种不同的机器学习方法建立模型，经过实验验证XGboost模型准确度较高，其AUC值为0.87，该模型能够有效地分析MMD患者发生出血性脑卒中的危险因素，为临床早期预防和治疗提供依据。经过实验分析MMD出血性卒中的危险因素可能与铃木分期、是否合并动脉瘤、居住环境、住院次数和发病年龄这几个因素密切相关。然而，由于上述研究样本量较小，且选择的都是中国人群，可能导致模型忽略种族差异所造成的影响。
4. 应用研究总结
随着科技的进步，AI在不断推动MMD影像领域的发展。其中研究主要依靠机器学习与深度学习算法模型，研究领域主要集中在提高诊断效能、鉴别诊断以及危险因素分析方面。在机器学习与深度学习算法模型的助力下医生可以更准确地去诊断MMD以及选择个性化的治疗方案来提高患者预后。
不足的是，机器学习与深度学习算法模型对于MMD的发病机制以及治疗评价等领域研究较少。在未来或许可以利用其提取分析高通量信息的强大能力，来挖掘MMD基因组学与影像组学之间的关系，有研究表明，影像组学特征跟疾病的基因表型存在一定的关联。例如，有研究人员发现肺癌的EGFR基因与影像组学特征存在一定的关联性，而对于MMD来说不同的基因型变异与MMD的临床特征有关，RNF213 p.R4810K变异体可能与缺血型MMD有关，而非RNF213 p.R4810K变异体更可能出血型MMD有关，表现为不同临床特征的MMD，选择的治疗方法也不尽相同，而正确的治疗方案对于患者的预后来说至关重要。如果能通过影像学特征推断其基因表型将会产生重要的临床价值。
此外，机器学习与深度学习模型的建立需要依靠具有高质量、大样本的数据集进行训练，而MMD作为一种发病率较低的疾病，数据集的搜集和建立比较困难，并且当前有关机器学习与深度学习结合MMD的研究，都是回顾性研究，缺少前瞻性的研究，因此联合多中心进行前瞻性研究将会对人工智能结合MMD相关领域的发展提供助力。
来源：胡哲，张树军，陈雨各，等.机器学习与深度学习在烟雾病影像学中的研究进展[J].临床神经外科杂志，2024，21(05):581-583+587.
(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。)
