王擁軍，李子孝，丁玲玲

卒中已經(jīng)成為全球?qū)е滤劳龅牡诙笤?，每年新發(fā)患者高達1370萬[1]。中國是全球卒中負擔最重的國家之一，現(xiàn)有卒中患者1494萬人，每年新發(fā)病例330萬人[2]。在我國醫(yī)院收治的神經(jīng)系統(tǒng)疾病患者中，卒中患者占比高達66.5%[3]。卒中診治的醫(yī)療服務(wù)負擔重，需求量大，卒中專業(yè)醫(yī)師短缺[4]。我國遵循指南的卒中急性期和二級預(yù)防治療取得一定程度改善，但是包括溶栓和心房顫動抗凝在內(nèi)的治療措施執(zhí)行率仍僅為18.3%和21.0%[5]。傳統(tǒng)的基于臨床路徑等的醫(yī)療質(zhì)量改進工具可改進卒中醫(yī)療質(zhì)量和改善患者預(yù)后[6]，但對臨床醫(yī)師專業(yè)知識和技能的更新要求較高。在臨床研究方面，包括臨床電子病歷、檢驗信息、影像特征、蛋白組學(xué)和基因組學(xué)等多維度卒中研究隊列形成海量數(shù)據(jù)，對傳統(tǒng)的統(tǒng)計分析帶來巨大的挑戰(zhàn)[7-9]。同時卒中新的治療技術(shù)，如血管內(nèi)治療技術(shù)，對患者結(jié)局有顯著的時間依賴性，患者越早獲得干預(yù)，預(yù)后越好[10-11]。如何快速評估潛在適宜干預(yù)的患者對臨床決策和患者結(jié)局有著重要影響。

人工智能（artificial intelligence，AI）作為計算機科學(xué)的一個分支，包括研究、開發(fā)用于模擬、延伸和擴展人類智能的理論、方法、技術(shù)和應(yīng)用系統(tǒng)。1956年，在美國漢諾斯小鎮(zhèn)召開的達特茅斯（Dartmouth）會議中首次提出了人工智能，開啟了人工智能元年。近年來隨著深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)、自然語言處理等人工智能算法的不斷成熟和應(yīng)用，基于臨床大數(shù)據(jù)的人工智能診療決策技術(shù)研究和應(yīng)用日趨成熟。人工智能在急性神經(jīng)功能障礙患者頭顱CT診斷[12-13]、顱腦損傷急性期意識障礙患者的腦電監(jiān)測[14]等神經(jīng)系統(tǒng)疾病診斷和評估方面取得了顯著進步。在卒中領(lǐng)域，人工智能已逐漸應(yīng)用于影像評估、臨床輔助決策和預(yù)后預(yù)測等多個方面。

1 人工智能在卒中診療：曙光初現(xiàn)

1.1 快速、高效的醫(yī)學(xué)影像分析 醫(yī)學(xué)影像作為人工智能在醫(yī)學(xué)領(lǐng)域應(yīng)用的最早和最重要領(lǐng)域之一，因其快速、高效、重復(fù)性高、可定量、低成本等優(yōu)勢，在醫(yī)學(xué)研究和臨床實踐中得到廣泛應(yīng)用。神經(jīng)影像是卒中診斷及治療決策的重要依據(jù)。目前在卒中領(lǐng)域，美國食品藥品監(jiān)督管理局批準的人工智能軟件均為基于醫(yī)療影像研發(fā)的輔助診斷工具。依據(jù)頭顱CT影像特征對卒中的早期分診和診斷至關(guān)重要。在Titano等[12]的研究中，對于急性神經(jīng)功能障礙患者，通過機器學(xué)習(xí)算法判讀顱腦CT影像僅需1.2 s，比放射科醫(yī)生快約150倍?？焖僮R別顱內(nèi)大血管閉塞對急性缺血性卒中患者血管內(nèi)治療的決策至關(guān)重要?；谌斯ぶ悄芩惴ㄩ_發(fā)的Viz.ai's Contact、Brainomix和RAPID軟件是目前主要應(yīng)用于檢測急性缺血性卒中患者大血管閉塞的影像輔助診斷工具，通過自動化算法實現(xiàn)快速檢測、診斷，提高放射科醫(yī)生對神經(jīng)影像解釋的速度和準確性，幫助醫(yī)生快速識別需要血管再通治療的患者[15]。隨著經(jīng)過專業(yè)醫(yī)師標注的醫(yī)學(xué)影像大數(shù)據(jù)的積累，通過人工智能技術(shù)分析神經(jīng)影像不僅可以緩解醫(yī)生的工作壓力，而且有助于對醫(yī)學(xué)影像信息進一步深入挖掘，從而發(fā)現(xiàn)新的影像組學(xué)特征，探索病因、發(fā)病機制，推薦診療方案和預(yù)測患者預(yù)后。

1.2 基于循證的臨床決策支持系統(tǒng) 如何架起指南推薦和臨床實踐的橋梁，使卒中患者能獲得基于循證證據(jù)的治療方案，對于改善卒中醫(yī)療質(zhì)量和患者結(jié)局至關(guān)重要。臨床決策支持系統(tǒng)（clinical decision support system，CDSS）可以利用計算機技術(shù)及時、高效地實現(xiàn)人類專家智能和循證知識的模擬和延伸。隨著深度學(xué)習(xí)、自然語言處理等人工智能技術(shù)的發(fā)展，出現(xiàn)了IBM Watson等新一代基于人工智能的CDSS[16]。將人工智能技術(shù)和CDSS相結(jié)合（AI+CDSS）可能成為未來解決醫(yī)療資源短缺以及改善醫(yī)療質(zhì)量、促進醫(yī)療服務(wù)優(yōu)質(zhì)化和同質(zhì)化的有效模式。CDSS結(jié)合到電子病歷系統(tǒng)等信息系統(tǒng)，自動發(fā)出警示是能夠?qū)崿F(xiàn)有效臨床干預(yù)的重要途徑，也是醫(yī)院信息化建設(shè)的重要發(fā)展方向[17]。目前在腦血管病領(lǐng)域，CDSS的研發(fā)主要集中在卒中診斷[18]、抗栓治療[19]、心房顫動抗凝治療[20]等方面。BioMindTM“天澤”腦血管病診療輔助決策系統(tǒng)是第一個專門針對卒中研發(fā)的包括診斷、治療及風(fēng)險預(yù)測等卒中院內(nèi)綜合干預(yù)措施的CDSS，有待通過臨床研究驗證其有效性。CDSS的推廣應(yīng)用對于解決基層醫(yī)院卒中疾病負擔、提升基層醫(yī)務(wù)人員診療能力等方面可以發(fā)揮巨大的推進作用。

1.3 探索卒中的風(fēng)險及預(yù)后預(yù)測模型 目前已有研究通過人工智能算法來預(yù)測卒中風(fēng)險。對于心房顫動患者，通過卷積神經(jīng)網(wǎng)絡(luò)分析心電監(jiān)測預(yù)測卒中風(fēng)險的ROC曲線下面積（area under the curve，AUC）為0.7，優(yōu)于傳統(tǒng)的CHA2DS2-VASc評分（AUC為0.5）[21]。通過人工智能技術(shù)分析頸部血管超聲，評估脂質(zhì)核心、纖維帽和鈣化組織等應(yīng)用于卒中風(fēng)險的評估也可獲得良好的效果[22]。在預(yù)后預(yù)測方面，深度神經(jīng)網(wǎng)絡(luò)模型預(yù)測急性缺血性卒中患者3個月mRS評分的AUC顯著高于傳統(tǒng)洛桑急性卒中登記分析（acute stroke registry and analysis of Lausanne，ASTRAL）評分（0.888 vs 0.839，P＜0.001）[23]。目前用于卒中風(fēng)險及預(yù)后預(yù)測的人工智能算法開發(fā)尚處于探索階段。未來集成電子病歷數(shù)據(jù)、影像組學(xué)、蛋白組學(xué)及基因組學(xué)等多組學(xué)數(shù)據(jù)建立人工智能預(yù)測模型具有巨大的臨床應(yīng)用前景，有望能夠為患者帶來良好的獲益。

2 人工智能在卒中診療：任重道遠

2.1 優(yōu)質(zhì)臨床數(shù)據(jù)是開發(fā)人工智能工具的重要基礎(chǔ) 在卒中領(lǐng)域，人工智能應(yīng)用工具的開發(fā)依賴于優(yōu)質(zhì)、標準化的臨床數(shù)據(jù)。但是，目前多中心，經(jīng)專家標注過的，針對不同卒中亞型和發(fā)病時期，覆蓋臨床、影像、血液、基因以及患者結(jié)局等多維度信息的高質(zhì)量數(shù)據(jù)集非常匱乏。在訓(xùn)練人工智能算法時需要綜合考慮數(shù)據(jù)異質(zhì)性等問題。與人工智能在其他病種的影像研究中遇到的問題一樣，在卒中領(lǐng)域人工智能算法的性能受到各種因素的影響，如影像成像設(shè)備、制造商、采集參數(shù)、運動偽影等。并且臨床實踐產(chǎn)生的數(shù)據(jù)存在大量非結(jié)構(gòu)化的數(shù)據(jù)，利用較為困難，比如記錄醫(yī)療過程的電子病歷，文本的挖掘依賴自然語言處理（natural language processing，NLP）技術(shù)[24]。此外，數(shù)據(jù)的共享和利用少，數(shù)據(jù)的共享隱私、安全、所有權(quán)和使用權(quán)界定等均是制約獲得優(yōu)質(zhì)臨床數(shù)據(jù)的重要因素。通過優(yōu)化、整合卒中臨床、生物樣本和影像等公共數(shù)據(jù)資源可以為建立卒中人工智能大數(shù)據(jù)平臺奠定良好的數(shù)據(jù)基礎(chǔ)。

2.2 金標準是影響人工智能算法性能的關(guān)鍵在醫(yī)療人工智能算法開發(fā)過程中需要明確定義訓(xùn)練集和測試集，金標準數(shù)據(jù)集的選擇對人工智能算法的性能至關(guān)重要。如果開發(fā)數(shù)據(jù)集是基于未經(jīng)驗證的報告，則會造成“廢進廢出”（garbage in，garbage out）。金標準的制定通常需要大規(guī)模、高質(zhì)量的專家級別的人工標注。人工智能標注工具的開發(fā)可以部分緩解所需耗費的人力及時間。無監(jiān)督學(xué)習(xí)則可以通過分析大量未標記的數(shù)據(jù)以識別數(shù)據(jù)中的隱藏模式或結(jié)構(gòu)，這大大增加了可分析的數(shù)據(jù)量，如醫(yī)院電子病歷系統(tǒng)數(shù)據(jù)等，但可能會降低數(shù)據(jù)的質(zhì)量和可解釋性。半監(jiān)督學(xué)習(xí)可以同時使用標注數(shù)據(jù)及未標注的數(shù)據(jù)，從而盡量減少人力投入，并提高準確性。

2.3 提升人工智能算法的可解釋性 目前的人工智能算法尚未為廣泛應(yīng)用于臨床實踐做好準備，除了評估人工智能算法的臨床適用性之外，各種機器學(xué)習(xí)模型的“黑箱（black box）”是一個重要的限制因素。應(yīng)用于臨床的人工智能算法需要具備“可解釋性”，說明算法是如何得出結(jié)果的，反映每一個特征對模型的影響力，提升結(jié)果的可信度[25]。探究深度學(xué)習(xí)的可解釋性，打開“黑箱”是研究工作者一直致力解決的問題。SHAP（SHapley Additive exPlanation）可以對每個預(yù)測樣本產(chǎn)生一個預(yù)測值（SHAP值），反映特定特征對模型決策的貢獻程度[25]。類激活映射（class activation map，CAM），也稱為注意力圖（attention map），具有可視化和定位能力，可以在任何給定的圖像上對預(yù)測依據(jù)進行可視化處理，突出顯示具有區(qū)分性的部分，從而提供可解釋性[26]。

2.4 人工智能工具的臨床價值驗證 基于人工智能算法開發(fā)的工具、產(chǎn)品對改善卒中醫(yī)療服務(wù)質(zhì)量和患者結(jié)局的臨床價值，需要嚴謹和科學(xué)的臨床研究來評價。比如評估缺血性卒中急性期缺血半暗帶的RAPID軟件，通過國際上數(shù)項大型缺血性卒中急性期再灌注治療臨床研究的驗證，為拓寬再灌注治療時間窗和改善患者結(jié)局提供了強有力的證據(jù)，使得RAPID軟件在臨床實踐的應(yīng)用得到了國際上廣泛認可[11]。

盡管人工智能在卒中診療的研究和臨床應(yīng)用，尤其在影像分析、診療決策和預(yù)后預(yù)測等方面曙光初現(xiàn)，但是在優(yōu)質(zhì)和金標準的卒中臨床數(shù)據(jù)集、結(jié)果的可解釋性和臨床價值驗證方面，仍存在重大挑戰(zhàn)，任重道遠。人工智能在卒中領(lǐng)域的轉(zhuǎn)化應(yīng)用研究，需要以臨床需求為目標導(dǎo)向；制定規(guī)范的研發(fā)及評價策略；建立標準化的臨床研究數(shù)據(jù)、產(chǎn)品研發(fā)和評價醫(yī)院網(wǎng)絡(luò)；利用深度學(xué)習(xí)等人工智能技術(shù)開發(fā)新的卒中診療輔助決策工具及風(fēng)險預(yù)測工具；通過嚴謹?shù)呐R床研究評價驗證其有效性，以實現(xiàn)人工智能產(chǎn)品在臨床實踐中的有效落地（圖1）。

圖1 人工智能在卒中的轉(zhuǎn)化應(yīng)用策略