作者：张婉婉，董　晓，于尔澜，吉训明等，首都医科大学宣武医院神经内科

脑血管病(cerebrovasculardisease,CVD)是一组由颅内血管异常所引起的脑功能障碍性疾病,临床特点为发病急骤,迅速出现局限性或弥散性脑功能损害[1]。CVD的疾病谱包括缺血性卒中(ischemicstroke,IS)、脑出血(intracerebralhemorrhage,ICH)、颅内血管狭窄、颅内动脉瘤(intracranialaneurysm,IA)以及颅内血管畸形等。根据theLancetNeurology杂志近期发布的全球疾病负担研究报告[2],神经系统疾病已超越心血管疾病,成为全球疾病负担的主要来源,其中CVD尤为突出。这预示着很多CVD患者、其家庭以及社会将面临沉重的负担与痛苦。因此,CVD的早期诊断、及时治疗以及有效预防策略的制定与实施,显得尤为迫切和重要。人工智能(artificialintelligence,AI)是一个涵盖广泛的术语,核心在于利用计算机模拟人类智能,处理对人类而言复杂且具有挑战性的任务。随着AI目前技术的迅猛发展,在医疗健康领域的应用日益广泛,特别是在疾病的诊断、治疗与预防等方面[3-4]。目前,AI技术在CVD的诊断、治疗决策及预后评估等方面已取得显著进展。本文旨在综述AI技术的基本框架,探讨其在CVD诊疗中的应用现状,并分析其在CVD诊疗过程中可能遇到的挑战与未来发展趋势。

1　AI技术概述

1.1　AI的简介1956年,美国计算机领域科学家约翰·麦卡锡首次提出“人工智能”概念[5]。它的核心目标是通过机器模拟人类思维过程,处理视觉感知、语音识别和决策等复杂任务[6]。该技术包括机器学习(machinelearning,ML)、深度学习(deeplearning,DL)、计算机视觉和自然语言处理等子领域[7]。ML作为AI的基石,使计算机能够通过分析数据集自主学习和优化[8];而DL则通过构建多层人工神经网络来模拟大脑的学习机制,实现对复杂模式和特征的自动识别[9]。

1.2　AI在医疗领域的应用在临床实践中,医生常常面临分析大量医疗数据以制定精准治疗决策的挑战。由于疾病种类繁多,患者病情复杂多变,加之药物治疗反应的个体差异性,这些因素均对临床医生的决策能力提出了更高的要求[10]。因此,迫切需要引入先进的技术手段,以辅助临床医生快速且准确地制定诊疗决策,从而提升医疗服务的质量和效率。AI技术以其卓越的数据处理和学习能力,在医疗领域得到了广泛应用。例如,基于大量医疗数据的分析,AI技术能够辅助医疗人员制定临床诊断决策[11];通过构建患者“精准画像”,AI大模型能够实现个性化治疗方案的制定[12]。此外,AI技术还能加速药物筛选过程,提高药物研究开发的效率[13]。在影像学领域,AI技术同样发挥着重要作用,如图像的分割、重建、识别和分类等[14]。在恶性肿瘤的诊断、治疗及预后评估中,AI技术扮演着越来越重要的角色[15]。AI大模型还能够辅助流行病学的大数据分析及趋势预测[16]。综上所述,随着技术的持续进步,AI技术在医疗领域的应用前景日益广阔。未来,AI技术将在提升医疗服务质量、推动医疗行业数字化转型等方面发挥更加关键的作用。

2　AI在CVD诊疗中的应用

2.1　ISIS是CVD中最常见的类型,主要是在脑血管病变的基础上,引发局部脑组织的缺血和缺氧性坏死,进而迅速出现相应的神经功能缺损症状[17]。若IS患者在发病后未能得到及时和恰当的处理,将可能导致梗死体积的增加,从而加剧其不良预后[18]。因此,对IS患者的早期诊断和有效管理显得尤为关键,这不仅有助于降低患者的死亡风险,还能显著改善其预后。Jung等[19]通过对韩国国家健康保险服务数据库中754949例房颤患者的多维度特征(包括人口统计学、健康检查和病史信息等65项数据)进行逻辑回归(Logisticregression,LR)分析,筛选出48项与IS复发显著相关的信息特征,并基于注意力机制的深度神经网络开发了一种IS预测模型,研究结果表明,与房颤卒中风险评分和其他ML方法相比,该DL模型在预测卒中复发方面具有更高的准确性。Bacchi等[20]利用卷积神经网络(convolutionalneuralnetwork,CNN)和人工神经网络构建了一种静脉溶栓患者的功能结局预测模型,该模型在预测24h美国国立卫生研究院卒中量表评分方面的准确率达到了71%,而在预测90d改良Rankin量表评分方面则达到了74%。Stib等[21]采用CNN技术,基于多相计算机断层扫描血管造影(computedtomographyangiogram,CTA)图像特征,创建了一种预测大血管闭塞的模型,该模型的曲线下面积为0.89,灵敏度达到了100%,且在应用延迟期时,其诊断性能得到了进一步增强。Lu等[22]利用两阶段深度CNN构建的DL模型,可识别非对比增强计算机断层扫描(non-contrastcomputedtomography,NCCT)在早期难以发现的急性IS,该DL模型的灵敏度为69%,特异度为98.2%,准确度为89%。Wang等[23]开发并验证了一种基于多尺度3DCNN的模型,该模型能够通过NCCT和CTA图像识别急性IS患者的不可逆梗死核心和可挽救组织,与计算机断层扫描(computedtomography,CT)灌注成像相比,显示出良好的一致性。Wen等[24]利用沈阳市卒中急救地图数据库中的8924例急性IS后静脉溶栓的患者作为验证队列,比较了不同的ML模型在预测静脉溶栓治疗后症状性ICH方面的表现,包括LR、Lasso正则化、支持向量机(supportvectormachine,SVM)、随机森林(randomforest,RF)、梯度提升决策树和多层感知器,结果显示,基于多层感知器构建的模型预测性能最佳。上述研究均证实了AI技术在IS的诊断、治疗和预测等方面具有显著的优势,尤其是在影像诊断领域。

2.2　ICHICH是一种非外伤性脑出血,通常由高血压并发的微小血管病变引起[25]。在所有脑卒中病例中,ICH约占20%~30%,但其致死率高于IS[26]。目前,头颅NCCT是诊断ICH的首选方法,可清楚显示出血部位、出血量大小、血肿形态及是否破入脑室等信息。随着AI技术在医学影像领域的不断深入,其在ICH的诊断及血肿进展预测方面取得了显著进展。Wang等[27]利用2019年北美放射学会脑部CT出血挑战数据集,通过结合2DCNN模型与序列模型,开发了一种DL方法,模拟放射科医师的判读流程,实现了对急性ICH的精确检测与亚型分类。Dhar等[28]基于耶鲁纵向ICH研究(衍生队列)和ICH民族/种族差异(验证队列),构建了一种基于CNN的自动化成像流程,可在ICH患者的CT图像中自动且准确地分割出血区域和周围水肿带,并测量其体积。Li等[29]则利用258例ICH患者的影像学数据,结合最小冗余最大相关性、最小绝对收缩和选择算子算法,构建了一种基于NCCT的放射组学评分系统,用于预测ICH患者早期血肿扩大的风险。综上所述,AI技术的应用显著提高了ICH的诊断与治疗效率。然而,目前尚缺乏多中心、前瞻性的临床研究来进一步验证这些发现,未来的研究工作亟待开展。

2.3　IAIA是指颅内动脉管壁上的异常膨出,它是自发性蛛网膜下腔出血的首要原因[30]。据统计,IA的患病率约为3.2%,且多数患者会遗留显著的神经功能障碍[31]。未破裂的IA可能长期保持稳定,但也可能在短期内迅速扩张并发生破裂[32]。因此,及时识别并干预具有高破裂风险的IA,对于改善IA患者的生活质量具有重大意义。Zhu等[33]基于1897例IA患者的临床资料和放射学数据,利用SVM、RF和前馈人工神经网络开发了3种AI模型,用以评估未破裂IA的稳定性,结果表明,相较于LR,AI模型展现出更优的区分能力,有助于更有效地管理IA患者。Detmer等[34]采用SVM(包括线性核和径向基函数RBF核)、K最近邻、决策树、RF和多层感知器神经网络分类器,对1631例IA的血流动力学、形态学和患者相关信息进行了综合分析,IA破裂预测准确率可达76%~79%。此外,LR模型与其ML分类器在预测动脉瘤破裂状态方面表现相似。Yang等[35]运用反向传播神经网络构建了多维度模型,以预测IA在3年内的破裂或生长风险,结果显示,结合临床、形态学和血流动力学特征的多维度模型,在预测效能上优于单一或双维度模型。Xiong等[36]对两家医院共1400例小型IA患者的临床资料进行了回顾性分析,其中,医院1的患者资料被随机划分为训练集(70%)和内部验证集(30%),而医院2的患者资料则用于外部验证。该研究采用最小绝对收缩和选择算子方法筛选预测特征,并应用RF分类器、分类提升、带线性核的SVM、轻量梯度提升机和极端梯度提升等不同算法构建了5个ML模型,结果显示,IA的最大径、位置和不规则形状是预测破裂的3个关键特征,而基于易获取特征的SVM模型在预测小型IA破裂方面展现出良好的区分能力。综上所述,AI技术在IA的风险评估、特征识别、破裂预测和治疗效果评估中发挥着越来越重要的作用。随着AI技术的不断进步,未来应开展基于高质量输入数据和明确预测目标的大型前瞻性多中心研究,以提高AI技术在IA临床应用中的可行性和准确性。

3　AI在脑血管领域的问题与展望

CVD是神经系统疾病中的高发类型。随着AI技术在医学领域的深入应用,ML、DL及大语言模型在CVD诊断与治疗中的作用日益显著,有助于提升识别精度,实现早期诊断,并制定科学、精准的治疗方案。然而,AI技术在医疗领域的应用亦遭遇诸多挑战:①数据隐私与安全:AI技术在医学领域的应用可能引发个人信息泄露等伦理与法律问题。未来研究需聚焦于医疗数据的收集、传输、存储、共享及使用过程中的隐私保护政策与技术。②AI模型的可解释性与可靠性:AI模型的可解释性受限于数据质量、算法复杂性、方法评估与选择等因素。未来研究应着力提升数据质量,发展高级可解释AI技术,简化复杂模型,构建全面评估框架,以提供高质量的AI方法选择,并研究适用于大型模型的可解释策略。③防止技术滥用:应警惕AI技术在医疗领域的不当应用,如过度依赖AI模型而忽略医疗人员的专业判断。同时,建立相应的监管机制,确保AI技术的应用符合伦理标准和医疗实践要求。综上所述,AI技术在CVD诊疗领域中所具有的革命性潜力,将显著优化CVD诊断与治疗流程。本文还系统评估了当前CVD领域内基于AI算法的模型,旨在推进CVD的早期预测、预防及个性化治疗策略,以实现早期诊断和及时治疗,减少治疗延误,从而改善CVD的临床预后。

参考文献略。

来源：张婉婉,董晓,于尔澜,等.人工智能在脑血管病诊疗中的应用[J].首都医科大学学报,2025,46(01):6-10.

(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。)