張紅珍,楊少玲

(1.安徽理工大學(xué)附屬奉賢醫(yī)院超聲科,上海市 201499;2.上海市第八人民醫(yī)院超聲科,上海市 200235)

20世紀60年代,達特茅斯學(xué)院的一次人工智能會議首次提出了“人工智能(artificial intelligence,AI)”的概念,人工智能技術(shù)被描述為制造智能機器的科學(xué)工程技術(shù)[1]。與人腦不同,人工智能的本質(zhì)是模擬人類思維的一種計算機系統(tǒng)過程,人們通過人工將算法輸入人工智能系統(tǒng),使其具有算法功能,從而服務(wù)于人類生活及醫(yī)療活動[2]。

AI技術(shù)主要包括機器學(xué)習(xí)(machine learning,ML)和深度學(xué)習(xí)(deep learning,DL)[3-6]兩個子領(lǐng)域。機器學(xué)習(xí)被描述為計算機從經(jīng)驗中學(xué)習(xí)并在沒有事先知道的情況下執(zhí)行預(yù)定任務(wù)的過程[7]。具體而言,機器學(xué)習(xí)就是AI系統(tǒng)通過識別和提取一組觀測數(shù)據(jù)(數(shù)據(jù)集)的模式自主獲取知識的過程[8]?；谟糜趯W(xué)習(xí)的樣本是否被完全標記、部分標記或未標記,機器學(xué)習(xí)可以進一步分為監(jiān)督、半監(jiān)督和無監(jiān)督學(xué)習(xí),其中人工神經(jīng)網(wǎng)絡(luò)(ANN)是機器學(xué)習(xí)最典型的例子之一[9]。ANN主要是為了解決某種特定任務(wù)而設(shè)計,根據(jù)層狀神經(jīng)元的不同權(quán)重反映類似于人類大腦神經(jīng)元之間的相互依賴性,每個神經(jīng)元可接收多個輸入,多個輸入一起決定激活神經(jīng)元,被激活的神經(jīng)元輸出一個信號以確定下一層神經(jīng)元的狀態(tài),直到最后一層的神經(jīng)元輸出感興趣的值,如分類決策或估計值[8,10]。

深度學(xué)習(xí)是機器學(xué)習(xí)的一個子領(lǐng)域,與此同時,它也是深度神經(jīng)網(wǎng)絡(luò)的一個應(yīng)用領(lǐng)域,深度學(xué)習(xí)使用多層的ANN來識別數(shù)據(jù)[11]。深度學(xué)習(xí)通過建立ANN的網(wǎng)絡(luò)層次結(jié)構(gòu),進而一層一層地提取輸入的信息,并表示為學(xué)習(xí)能力[12]。目前,圖像識別和深度學(xué)習(xí)是人工智能在醫(yī)學(xué)影像應(yīng)用中的兩個主要部分,這兩部分均是基于對醫(yī)學(xué)影像大數(shù)據(jù)的挖掘與應(yīng)用,其中深度學(xué)習(xí)是人工智能應(yīng)用于醫(yī)學(xué)影像圖像分析的核心環(huán)節(jié)[13-14]?，F(xiàn)今,AI技術(shù)已發(fā)展成為一項里程碑式的計算機技術(shù),其一經(jīng)研發(fā)即受到醫(yī)療各個領(lǐng)域的廣泛關(guān)注,尤其是在超聲醫(yī)學(xué)領(lǐng)域,本文就人工智能技術(shù)在頸動脈超聲檢查中的應(yīng)用進展進行綜述。

1 AI技術(shù)在頸動脈超聲檢查中的應(yīng)用現(xiàn)狀

目前,缺血性腦卒中已成為世界上最主要致死致殘的原因之一[15-16]。有研究表明80%的腦卒中缺血過程是由頸動脈粥樣硬化易損斑塊破裂、脫落而導(dǎo)致,因此,頸動脈粥樣硬化斑塊被認為是導(dǎo)致缺血性腦卒中的主要原因之一[17-18]。對腦卒中高危人群而言,早期識別發(fā)現(xiàn)頸動脈粥樣硬化斑塊,及時評估分類頸動脈粥樣硬化斑塊具有非常重要的臨床意義[11]。超聲是目前檢測頸動脈形態(tài)學(xué)最便捷、靈敏、可靠的評價方法,頸動脈超聲檢查通過檢測頸動脈粥樣硬化斑塊達到預(yù)測缺血性腦卒中發(fā)生危險風險的目的[19-21]。但是,目前超聲醫(yī)師缺口大、醫(yī)療技術(shù)水平分布不均是我國頸動脈超聲檢查普遍存在的現(xiàn)狀,尤其是我國醫(yī)療資源相對匱乏的基層地區(qū),人均醫(yī)療供給水平非常低下[13],這使得廣泛有效開展頸動脈超聲檢查進行卒中的一級預(yù)防困難重重。

人工智能技術(shù)可以基于圖像分析頸動脈內(nèi)膜中層厚度(IMT)和斑塊面積(PA)及斑塊內(nèi)部成分,進而評估頸動脈粥樣硬化斑塊的穩(wěn)定性[22]。應(yīng)用人工智能技術(shù),醫(yī)生不再是只能在獲取圖像的地點或接近該地點進行診療,而是通過人工智能技術(shù)可實現(xiàn)遠程診療[17,23]。不僅如此,人工智能技術(shù)可以高效協(xié)助超聲醫(yī)師快速做出臨床診斷決策,大大減少超聲醫(yī)師的工作量,有效解決地域之間醫(yī)療技術(shù)水平不均的問題[24]。因此,人工智能技術(shù)不僅可以取代大量機械性、重復(fù)性工作,還可輔助超聲醫(yī)師發(fā)現(xiàn)分析病灶、客觀消除檢查者之間的差異。我國當前的頸動脈超聲檢查現(xiàn)狀急需發(fā)展智慧醫(yī)療,利用人工智能技術(shù)提高我國醫(yī)療資源的利用率及供給量,這是改善當前我國頸動脈超聲醫(yī)療現(xiàn)狀,預(yù)防缺血性腦卒中發(fā)生的關(guān)鍵。

2 AI技術(shù)在頸動脈斑塊超聲檢查中的具體應(yīng)用

2.1 在頸動脈斑塊智能診斷中的應(yīng)用AZZOPARDI 等人[25]提出了一種新的深度神經(jīng)網(wǎng)絡(luò)作為一種全自動的分割工具,使用全自動方法分割頸動脈超聲圖像的中膜外壁和管腔內(nèi)膜邊界,實現(xiàn)自動分割頸動脈超聲圖像,利用振幅數(shù)據(jù)和強度不變相位一致性圖作為數(shù)據(jù)源,開發(fā)了一種新的幾何約束目標函數(shù)用于深度卷積U-Net的訓(xùn)練,與使用標準廣義骰子損失函數(shù)訓(xùn)練的U-Net相比,添加幾何約束可以使DICE性能系數(shù)提高。2020年,VILA等人[26]基于密集連接的卷積神經(jīng)網(wǎng)絡(luò)(DenseNets)對整個圖像進行語義分割,運用人工智能技術(shù)手段以斑塊分割為基礎(chǔ),對頸動脈斑塊的總體積、面積、斑塊的形態(tài)學(xué)和組成成分進行全面分析,從而對頸動脈斑塊穩(wěn)定性進行綜合評估,這種方法對斑塊檢測和CIMT測量均是準確、客觀的。ACHARYA等人[27]研究發(fā)現(xiàn)噪聲、低對比度使得超聲圖像分割成為一個相當困難的問題,于是他們借鑒Deriche邊緣檢測器(1990版本)提出了用一種基于傳統(tǒng)二維分割算法的高斯噪聲模型,然而,該模型方法在臨床數(shù)據(jù)上還沒有得到驗證。

針對超聲圖像的分割問題,CHRISTODOULOU等人[28]采用基于單基因信號的局部相位和局部方向的速度項,使算法對衰減偽影具有魯棒性,使用柯西核替代常用的log-Gabor作為特征提取的正交濾波器能有效處理噪聲,敏感捕獲低對比度的邊界。該研究認為深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)應(yīng)用于頸動脈斑塊超聲圖像的自動分割是可行的,利用人工智能技術(shù)可實現(xiàn)超聲圖像的降噪、斑塊邊界、形態(tài)的自動分割,從而輔助超聲醫(yī)師客觀準確地評價頸動脈粥樣硬化斑塊,具有實際意義的臨床指導(dǎo)價值。

2.2 在頸動脈斑塊成分分析中的應(yīng)用近年來,頸動脈斑塊的超聲形態(tài)、回聲特征及斑塊成分分析在中風風險分類中具有非常重要的臨床價值[29]。ARAKI等人[30]研究發(fā)現(xiàn)頸動脈斑塊是心血管疾病(CVD)的可靠標志物,隨著斑塊大小的增加,特別是帶有纖維帽及大脂質(zhì)核心(脆弱的斑塊)組成的斑塊,其發(fā)生心血管CV事件的風險也隨之增加。在AI技術(shù)超聲實踐應(yīng)用中,LIU等人[31]使用自組織映射(SOM)和KNN統(tǒng)計方法手工提取斑塊的超聲紋理特征。HOLLOWELL等人[32]提出了一種基于深度學(xué)習(xí)的分類方法,該方法利用傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò),分析超聲掃描采集的90 000張斑塊圖像,根據(jù)脂質(zhì)核、纖維帽和鈣化組織的像素數(shù)測量了斑塊的面積,提取56個頸動脈斑塊超聲特征,最后證明傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的方法準確度可達到96%。因此,頸動脈粥樣硬化斑塊的回聲及具體成分是評估心血管事件發(fā)生的重要因素。采用KNN、卷積神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)可有效識別超聲圖像中低回聲斑塊,準確、快速地分割出斑塊的不同成分(如纖維帽、脂質(zhì)核和鈣化),進一步評估頸動脈粥樣硬化斑塊的穩(wěn)定性。

2.3 在頸動脈斑塊風險評估中的應(yīng)用CVD是導(dǎo)致死亡的主要原因[33]。相關(guān)學(xué)者[34-36]研究發(fā)現(xiàn)在CVD事件的風險評估中,人工智能的預(yù)測模型比傳統(tǒng)統(tǒng)計學(xué)推導(dǎo)的風險預(yù)測模型性能更好, AI算法能夠處理輸入的非線性變化因素,也可以靈活地添加醫(yī)學(xué)成像的相關(guān)危險因素。JAMTHIKAR等人[37]在人工智能風險預(yù)測模型中,將頸動脈超聲圖像特征與傳統(tǒng)危險因素相結(jié)合,為CVD的風險預(yù)測提供了更強大的“證據(jù)”,即所謂的“綜合預(yù)測CVD風險模型”。SKANDHA等人[38]設(shè)計了一個包括DCNN、視覺幾何組-16(VGG16)和遷移學(xué)習(xí)(tCNN)三種深度學(xué)習(xí)分類模式的計算機輔助診斷(CADx)系統(tǒng)分析研究頸動脈粥樣硬化斑塊,結(jié)果發(fā)現(xiàn)三種深度學(xué)習(xí)分類系統(tǒng)中,DCNN對于頸動脈粥樣硬化斑塊的分類是最佳的,因此,人工智能的系統(tǒng)為頸動脈粥樣硬化斑塊分類提供強大的風險預(yù)測方案。不僅如此,臨床研究中還發(fā)現(xiàn)其他系統(tǒng)的疾病也是頸動脈粥樣硬化斑塊形成的高危群體。心血管系統(tǒng)是甲狀腺激素和甲狀腺的一個特定的靶點,甲狀腺功能障礙常干擾心血管血流動力學(xué)。OJAMAA等人[39]研究數(shù)據(jù)表明除了介導(dǎo)低膽固醇血癥的機制外,甲狀腺激素可通過對血管的直接作用來促進動脈粥樣硬化,甲狀腺激素直接作用于血管平滑肌細胞,以放松冠狀動脈,此研究提出動脈粥樣硬化和甲狀腺功能減退之間存在一定的關(guān)聯(lián)。因此,將頸動脈粥樣硬化斑塊超聲圖像特征與CVD危險因素相結(jié)合,利用人工智能技術(shù)如深度卷積網(wǎng)絡(luò)構(gòu)建心血管事件的風險預(yù)測模型,比傳統(tǒng)的預(yù)測模型具有更高的準確性及穩(wěn)定性。不僅如此,該技術(shù)還可以輔助診斷其他系統(tǒng)疾病頸動脈粥樣硬化斑塊的發(fā)生,預(yù)警此類患者缺血性腦卒中發(fā)生的風險。

3 局限性與挑戰(zhàn)

相對于傳統(tǒng)醫(yī)療模式,人工智能醫(yī)療前景不可估量,但仍面臨巨大挑戰(zhàn)。人工智能面臨的局限性和挑戰(zhàn)包括人工智能技術(shù)自身的挑戰(zhàn)、安全、法律不完善等問題,這些問題都阻礙了人工智能的發(fā)展[40]。首先,人工智能算法缺乏透明度,我們無法得知深度學(xué)習(xí)輸入層和輸出層之間多個隱藏層的內(nèi)部結(jié)構(gòu),如果算法的隱藏層出現(xiàn)錯誤,無法判定是具體哪一層出問題,因此很難找出解決問題的具體方案[41]。其次,人工智能技術(shù)的安全問題,它包括患者倫理知情同意、個人隱私和患者數(shù)據(jù)保護及所有權(quán)、數(shù)據(jù)透明度和客觀性等多方面[42]。再次,人工智能技術(shù)法律公平問題,目前還沒有全球統(tǒng)一的關(guān)于人工智能在醫(yī)學(xué)上應(yīng)用的法律或法規(guī)來規(guī)范從業(yè)者的行為[43],當遇到人工智能醫(yī)療糾紛時,責任該歸屬于哪一方?每一位利益相關(guān)者的責任界限如何[44]?

在醫(yī)療發(fā)展需求的推動下,人工智能技術(shù)無疑具有非常廣闊的前景。然而,面對這樣一個新技術(shù)我們應(yīng)當要有一個全面和客觀的理解。針對人工智能技術(shù)存在的所有局限性,其中人工智能技術(shù)的安全問題是人工智能應(yīng)用于醫(yī)療行業(yè)中最重要的問題。不斷地改進人工智能技術(shù)算法應(yīng)用,完善人工智能法律,明確人工智能診療過程中的責任方都是為了人工智能技術(shù)能更好地應(yīng)用于醫(yī)療領(lǐng)域,最終讓每位醫(yī)生和患者均受益。

4 小結(jié)

缺血性腦卒中已日益發(fā)展成為影響國民健康的嚴重的公共衛(wèi)生問題。導(dǎo)致缺血性腦卒中的致病因素有許多,如長期吸煙史、糖尿病、高血壓、高脂血癥、心臟疾病或肥胖等,其中頸動脈粥樣硬化易損斑塊是缺血性腦卒中發(fā)生最主要的危險因素。頸動脈粥樣硬化易損斑塊具有發(fā)病率、致殘率、復(fù)發(fā)率和死亡率高的特點,及時有效地檢出頸動脈粥樣硬化易損斑塊,對預(yù)防缺血性腦卒中的發(fā)生意義重大。將人工智能技術(shù)應(yīng)用在頸動脈超聲檢查中,可輔助超聲醫(yī)師快速、有效、準確地對頸動脈粥樣硬化易損斑塊實施診斷,這對控制缺血性腦卒中的病情發(fā)展,改善缺血性腦卒中患者預(yù)后具有極其重要的意義。