作者：复旦大学附属华山医院（吕锟、刘晓、刘万晨、耿道颖）；复旦大学工程与应用技术研究院（戴健）；中国科学技术大学生物医学工程学院（苏州）（王佳俊）

AI包括机器学习和深度学习算法，随着时间的推移，可以一遍又一遍地迭代，逐步提高模型的性能，以实现特定领域的决策过程。在全球范围内，约三分之一的人一生中会罹患神经或精神疾病，CT和MRI等成像技术在脑异常的诊断中发挥着重要作用。

将AI技术应用于临床，包括病变检出、鉴别诊断、图像采集、病变量化、疗效与预后预测等，可以提高脑部疾病的影像诊断和临床管理水平。本文将对AI影像在中枢神经系统常见疾病(脑肿瘤、脑血管疾病、脑神经退行性疾病、精神或心理疾病)的应用现状进行回顾，并探讨其当前面临的挑战。

1. AI影像在脑肿瘤中的应用

脑肿瘤的发生部位特殊，预后差。在全球范围内，脑肿瘤的发病率呈上升趋势，给患者家庭和社会带来沉重的负担。国家癌症中心发布的数据显示，2016年中国脑肿瘤新发病例数为109000例，位居恶性肿瘤发病谱第12位；死亡病例为58500例，位居恶性肿瘤死亡谱的第10位。随着我国经济的快速发展和人们生活方式的改变，脑肿瘤发病率和死亡率均呈快速增高的趋势。机器学习和高效计算技术的进步为快速、准确地分析CT或MRI图像，并识别出异常提供了计算机辅助解决方案。

成人弥漫性中线胶质瘤H3K27改变、无H3K27改变的中线高级胶质瘤，以及中线原发性中枢神经系统淋巴瘤的术前诊断具有挑战性。Lv等通过机器学习算法开发了一种三分类预测模型，用于预测上述3种肿瘤，模型的预测准确率为90.3%。脑肿瘤的勾画是一个耗时、费力的过程。有学者开发了1个单一的多任务卷积神经网络，在独立测试集中，预测脑胶质瘤异柠檬酸脱氢酶(isocitrate dehydrogenase，IDH)突变状态、1p/19q共缺失状态和WHO分级的AUC分别为0.90、0.85和0.81，对于肿瘤的自动勾画，实现了整个肿瘤的平均Dice评分为0.84。大约20%的恶性肿瘤患者会发生脑转移，其治疗须与原发肿瘤不同。

AI技术可以协助临床医师确定脑转移瘤对相关治疗策略的反应性，以及判断预后。在脑转移瘤的治疗策略中，立体定向放射手术(stereotactic radiosurgery，SRS)被认为是一种很有前景的治疗方法。Du等开发并验证了基于影像组学的预测模型，以前瞻性地识别对SRS治疗不敏感的脑转移瘤患者。模型在训练集中表现出优异的识别性能(AUC为0.95)。该模型还在内部验证集和外部验证集中进行了验证(AUC分别为0.93、0.90)。

Li等建立的术前T2加权成像(T2-weighted imaging，T2WI)影像组学模型在外部和前瞻性验证队列中对胶质瘤患者总生存期具有高度稳健的预测能力。

2. AI影像在脑血管疾病中的应用

脑卒中是全球第二大致死原因、第三大致残原因，包括缺血性和出血性脑卒中。AI可在脑卒中治疗的各个阶段提供帮助，包括梗死灶或出血灶的检出、病灶分割与分类、闭塞大血管的检测、Alberta卒中计划早期CT评分(ASPECTS)分级和预后预测。新兴的AI技术，如卷积神经网络，在高效、准确地执行基于图像的任务方面具有广阔的应用前景。

随着世界范围内卒中后患者的存活率不断增高，研究者将关注点从急性期的早期并发症转移至卒中后的长期结局。据估计，70%~80%的患者在卒中后存在运动障碍，卒中后第1年认知障碍的患病率为57%。因此，预测卒中后患者的认知状况可能有助于临床医师做出治疗决策。脑卒中患者的认知和运动障碍分类采用评估和询问的传统方式，耗时、复杂、费力。

针对目前的情况，Wang等开发了一种通过三维(3D)脑MRI对脑卒中患者的运动和认知障碍进行自动分类的算法，认知和运动障碍分类的最高准确率分别为92.0%和82.5%，可以辅助临床医师进行诊断。Liu等通过融合弥散加权成像图像和急性期临床信息建立的深度学习模型预测急性缺血性卒中患者90d的改良Rankin量表(mRS)评分，模型在预测内部和外部测试队列的序数mRS评分和不利结果方面表现出优越的性能，不良预后预测的AUC为0.92，可减少评估主观性造成的影响和减轻用户负担。

Maegerlein等将自动软件工具计算的ASPECTS与2名神经放射科医师人工计算的结果进行比较，发现该软件得出的结果与神经放射科医师事先设定的一致性分数具有更高的一致性，分别高于每位神经放射科医师，这有助于其基于更准确的评分做出治疗决策。此外，一项荟萃分析结果表明，能预测脑卒中后痴呆的CT神经影像特征包括白质病变(white matter lesions，WML)、脑萎缩和既往脑卒中病变(无症状性脑梗死、陈旧性卒中病变)；其中，WML与卒中后认知障碍发生相关。颅内动脉瘤的发病率约占总人口数的3%，随着成像技术的进步，颅内动脉瘤的检出患者数量不断增多，颅内动脉瘤破裂的死亡或永久残疾风险很高，30d死亡率高达40%。

如颅内动脉瘤能在无症状期被发现并给予治疗，其破裂的发生率能显著降低。因此，颅内动脉瘤的检出，以及对其监测在临床具有重要意义。鉴于AI在基于医学影像的任务中出色表现，近年来出现了多种基于AI的颅内动脉瘤评估应用。Wei等旨在评估一种基于三维卷积神经网络(Three-dimensional convolutional neural network，3D-CNN)的新型头颈部AI辅助诊断系统能否提高颅内动脉瘤诊断的准确率、效率和改进工作模式，AI系统诊断颅内动脉瘤的准确率在患者层面为74.5%，在病变层面为67.0%。

在AI的帮助下，低年资医师诊断颅内动脉瘤的准确率与高年资医师相似，对于直径<5mm的颅内动脉瘤，低年资和高年资医师完成报告的效率分别提高了20.7%和18.8%。由此可见，这种基于3D-CNN的AI系统显著提高了临床医师诊断颅内动脉瘤的准确率。然而，AI检测颅内动脉瘤的假阳性(false positive，FP)率高。

时间飞跃法磁共振血管造影(time of flight magnetic resonance angiography，TOF-MRA)是临床主要采用的无创、无辐射脑动脉瘤筛查方法。有研究者基于TOF-MRA开发了一种计算机辅助检测颅内动脉瘤的方法，以提高诊断准确率，并降低FP率。该方法是一种基于动脉瘤位置的均衡增强策略，构建了基于双通道SE-3DU网络的检测模型，其诊断灵敏度在患者层面为82.46%，在病变层面为73.85%，在外部测试集中的每个病例的FP仅为0.88。相较于基础SE-3DU网络，该方法将患者层面灵敏度提高了15.79%，每个病例的FP降低了4.19。上述研究结果表明，AI+医师的工作模式将明显有助于日常临床工作和临床研究。

3. AI影像在脑神经退行性疾病中的应用

神经退行性疾病给社会及患者家庭造成的经济负担增加明显，尤其在全球人口老龄化的情况下。退行性疾病的特点是细胞老化，现有的治疗方法只能减轻患者的症状，不能阻止疾病的进展。主要的神经退行性疾病有阿尔茨海默病(Alzheimer’s disease，AD)、帕金森病(Alzheimer’s disease，PD)。AD临床前阶段的识别与检出被认为是当前AD相关研究的最大挑战之一，对临床具有重要意义。

有研究发现，主观认知能力下降(subjective cognitive decline，SCD)可能是AD的临床前阶段。Chen等研究发现，在SCD患者中，从多模态网络中识别的特征主要位于默认模式网络和突显网络，基于功能、解剖和形态学网络3种模式的整合，预测个体SCD的准确率达到88.73%。PD是仅次于AD的第二大常见神经退行性疾病，病变涉及黑质纹状体多巴胺能神经元的损伤，其发病率在全球范围内呈指数级的速度增长。

目前仍缺乏精确的早期可检测的生物标志物和药物来预防和(或)延缓PD的疾病进展。与传统的诊断方法相比，AI技术识别早期PD相关的生物标志物具有更高的准确率，可以以90%的准确率确定个体PD的存在，同时，AI技术还可用于跟踪PD的进展。Salmanpour等将非影像学信息与基于单光子发射计算机断层扫描的影像组学特征相结合，并优化利用混合机器学习系统，可以对PD患者的亚型进行稳健的识别，并对这些亚型进行适当的预测，预测精度>90%。因此，随着时间的推移，更多的诊断和治疗方案正被逐渐开发，有助于早期诊断PD，并提供治疗方案以延缓疾病进展。

4. AI影像在精神或心理疾病中的应用

精神或心理疾病的诊断通常根据精神疾病诊断与统计手册(Diagnostic and Statistical Manual of Mental Disorders，DSM)的标准和治疗反应。由于此类疾病的重叠表型及疾病(如重度抑郁症)的异质性，往往难以获得明确的临床诊断。因此，患有精神或心理疾病的患者有时不得不忍受错误的药物试验或多次试验，才能得到最终诊断。

针对DSM分类和临床主观印象不明的情况，迫切需要一种有效的诊断工具，如客观脑成像评测。神经影像学通过脑功能网络、灰质体积等的定量化分析可对大脑的功能和结构进行无创测量，是研究鉴别性生物标志物的有力工具。重度抑郁症和精神分裂症是严重的精神或心理疾病，对患者的大脑和日常活动造成严重的影响，导致患者的生活质量明显下降并加重社会经济负担。通过AI技术结合MRI检查可无创性诊断重度抑郁症和精神分裂症，诊断准确率均可高达95%。在今后的临床实践中，AI技术可以为精神或心理疾病患者提供有价值的服务。

5. 挑战与展望

AI影像在中枢神经系统领域应用的优势突出，提高了疾病的筛查准确率，显著提升了临床工作效率，能够更好地协助临床医师诊断疾病、判断预后，但仍存在一些问题限制了其在临床的广泛应用。

首先，有效的AI需要大量的数据进行训练和验证，对于相同的任务，所提出算法的性能也是不同的，这可能是由训练数据的多样性、机器学习方法、图像处理技术等造成；因此，需要整合多区域成像网络以充分训练AI以适应各种诊断和患者群体。其次，AI工具的计算成本高，需要对基础设施进行大量投资。第三，当前的AI系统经过了特定的训练，且设计独特，在设计和验证AI网络时需要严格且最佳的实践；因此，诸如“留一法”策略、分割和诊断的准确性指标应该标准化。第四，临床AI必须平衡准确性和可解释性。尽管AI系统依赖于已知的特征和算法，但目前的深度学习方法仍是“黑盒子”，应该开发严格的方法来允许更好的模型自省。第五，医师需要接受训练，学习使用AI来推演算法校正。一个新兴的医师群体将与信息学社区合作，不断监测和更新AI工具。

来源：吕锟，刘晓，戴健，等.人工智能影像在中枢神经系统常见疾病的应用[J].上海医学，2024，47(11):665-669.DOI:10.19842/j.cnki.issn.0253-9934.2024.11.002.

(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。)