杨弋：脑出血血肿扩大的影像学征象及人工智能识别

导读

昨日，在中华医学会第二十一次全国神经病学学术会议的“脑血管病专场5：出血性脑血管病及其他”分会场上，来自吉林大学第一医院的杨弋教授针对脑出血血肿扩大的影像学征象及人工智能识别这一话题，进行了精彩的主题报告。

全球首场神经影像人机对决

在中国卒中学会第四届学术年会暨天坛国际脑血管病会议2018（CSA&TISC2018）上，展开了全球首场神经影像人机对决大赛，这是一场人工智能（AI） vs 人类医生的“读片大战”。

AI是一个名叫“BioMind天医智”的系统，号称全球首款CT、MRI神经影像人工智能辅助诊断产品。一共进行两组比赛，A组比赛中有15名人类医生，共225道试题；B组比赛由10名人类神经影像领域“大咖”和AI比赛，共同完成30道题的挑战。

图1 A组决赛

图2 B组决赛

经过紧张激烈的角逐，在两轮比赛中，BioMind分别以87%、83%的准确率，战胜医生战队66%、63%的准确率。相信很多在场的医生对此印象非常深刻。通过这场比赛，可以说能够唤起我们对人工智能的关注，以及在医学领域中的应用。

图3 A组决赛结果

图4 B组决赛结果

不过需要指出的是，这样一个比赛并不能代表人工智能能够超越专家的临床实际能力，只是在某几类疾病的读片中，人工智能确实比人类智能更有优势。历史经验表明，机器取代人类完成繁琐的工作，让人类腾出手去完成更精巧的工作。

人工智能蓬勃发展、广泛应用于各领域

人工智能的进步已经渗透到我们生活中的方方面面，例如计算机视觉、语音识别、机器人等。

➤ 计算机视觉：应用于医学图像分析；无人驾驶；无人安防；人脸识别；

➤ 语音识别：应用于医疗听写；语音书写；电话客服；

➤ 自然语言处理：应用于智能软件；智能家居；咨询顾问；

➤ 机器人：应用于医疗机器人；工业；安防；危险区域作业。

智能医疗为医疗健康行业的发展带来新的变革。医院中的临床诊疗、电子病历管理分析、基因组学、药物发展、医疗机器人、移动医疗等很大程度上都依赖于计算机的发展。其中AI+医学影像的智慧医疗未来在我们临床工作中可能会扮演一定的角色，有助于提高临床诊疗水平。在影像学识别方面，人工智能可以说是走在最前面的。

➤ 2017年：斯坦福AI团队开发皮肤癌辅助诊断方法；

➤ 2017年：人工智能可精确诊断自闭症谱系障碍；

➤ 2017年：Google利用深度学习开发糖尿病视网膜病变的诊断算法；

➤ 在肺结节检测方面，人工智能也有一定的探索。

人工智能简介

目前在人工智能领域出现了很多热点名词，人们应该有所了解，详见下图。

图5 人工智能相关热点名词

神经网络主要包括三部分：输入数据、结果输出及多层神经网络构建（“黑匣子效应”），通过不断调整相连神经元之间的权重数值提取数据的模型，即找出数据内存在的一种套路。在多层神经网络构建中有一种卷积神经网络，它是神经网络中对图像进行判读与分类识别的高效而稳定的一种网络，擅长处理图像特别是大图像的机器学习问题。

图6 计算机与人眼识别物体的过程

卷积神经网络可以对图像的特征进行提取，通过分析特征可以非常精准而高效的找出图像特征与图像标签之间的关系，从而完成对图像进行识别或分类的效果，在大数据操作上与人类相比较，神经网络可以保持持续的高精准。

计算机对于物体的识别与人眼识别是不一样的，它是基于对像素的处理。在处理图片或各种数据时，需要把数据转化为计算机可以识别的数字，计算机看到的是图片的每一个像素值。且人工智能进行运算、学习，不同数据也是以各种数字的形式在进行运算。

图7 计算机看到的是图片的每一个像素值

上述知识是我们学习人工智能在医学领域中应用的一个前提。有了这些知识基础储备之后，我们再来看一下临床工作中脑出血早期血肿扩大的识别。

脑出血血肿扩大概述

HE概念

脑出血血肿扩大（HE）是指脑出血急性期，由于活动性出血而使原有血肿体积不断扩大的现象。HE表现为初始出血的扩展，包括侵入脑室、转移或再出血到邻近区域和脑实质出血量增加。

目前国际上对HE尚无统一的判定标准，近年来的研究最常用的标准为：血肿体积比基线CT血肿体积增加>33%或>12.5mL为血肿扩大。血肿扩大多发生在发病后3-6h，6h后相对较少，24h后罕见，部分患者发生时间不明。

HE机制

1971年Fisher提出“雪崩”模型以阐释血肿扩大的机制。他认为原始血肿牵拉临近脑组织，对周围血管产生继发性剪切作用，引起周围多个小血管破裂、血肿扩大。

支持“雪崩”模型的理论基础：

a. CTA中的“点征”提示活动性出血的存在

b. 同一血肿内“多点征”表明多根血管同时破裂出血

c. 血肿形态不规则

d. APOEε2异常引起血管壁变薄及脆性增加易被牵拉破裂

e. 逐层CT扫描发现血肿扩大是以原始血肿为中心，不规则扩大的

HE与预后、死亡率

血肿扩大是早期神经功能恶化、预后不良功能转归的重要且独立危险因素。一般情况下，早期血肿扩大提示预后不良，血肿扩大加重占位效应，持续压迫并损伤脑组织，导致脑水肿，继而颅内压升高，其不仅与死亡相关，也显著降低患者恢复功能独立的可能。

有研究表明，早期血肿扩大直接影响死亡率，血肿量每增加10%，病死率上升5%；血肿量每增加1ml，mRS评分（由独立生活转向无法自理的可能性）增加7%。

针对原发性脑损伤，早期启动有效治疗，限制血肿扩大对减轻原发性脑损伤有重要临床意义。早期识别血肿扩大的高危患者，针对其进行有效的临床干预，对降低患者病死率、减轻神经功能损害至关重要。

脑出血血肿扩大影像学征象

近年诸多研究表明，CTA及平扫CT中存在某些特异影像征象可以预测脑出血血肿扩大，部分征象被写入脑出血管理指南。中国脑出血诊治指南（2014）指出，脑出血后数小时内常出现血肿扩大，加重神经功能损伤，应密切监测（I级推荐，A级证据）。CTA和增强CT的“点样征”有助于预测血肿扩大风险，必要时可行有关评估（II级推荐，B级证据。）

总体而言，CTA/CTP的准确率高，但应用不普遍。平扫CT普遍应用，但准确率不高。

CTA/CTP

（1）点征（spot sign）

2007年Wada等学者首次提出CTA点征，后不断发展为现在大多认同的概念：

①在颅内血肿的对比剂外渗处至少出现1个对比剂浓聚影

②周围血肿与其密度相比，CT测量值至少大120HU

③血肿周围存在相邻的不连续走行的正常或异常血管

④点征存在于颅内血肿范围内

符合以上4点内容的即为点征。

PREDICT研究显示，CTA点征预测血肿扩大的敏感性、特异性、阳性及阴性预测值分别为51%、85%、61%、78%。点征是判定血肿扩大的重要因素，其原理是：造影剂外溢意味着破裂的血管壁未完全修复稳固，可能继续出血。但在临床实践中，我们需警惕CTA假点状征，包括动脉瘤、微小动脉畸形、血管的钙化的表现等。

（2）改良点征

基于上述机制，提出很多改良的点征，如延迟CTA点征、静脉期CTA点征、动态CTA点征、CT灌注（CTA）点征。另外，通过初始与改良CTA点征联合进行预测可以获得更高的敏感度和特异性。

CTP点征能动态观察同一层面不同时相的扫描图像，更适用于观察反映血肿内活动性出血。CTP点征被证实是早期血肿扩大和不良预后的独立预测因子。其敏感性为78%，高于CTA点征。

（3）渗漏征（leakage sign）

前面提到[点征]预测血肿扩大的敏感性较低；为此，来自日本的学者Kimihiko于2016年提出一种新型的预测血肿扩大标志物——[渗漏征]。

患者需完成2次CTA扫描，分别为CTA期和延迟期（CTA期后5min），设定直径为10mm的感兴趣区（ROI），并计算其CT值，延迟期ROI内CT值较CTA期增加>10%的现象定义为渗漏征。有研究结果显示，在预测HE上，渗漏征相比点征具有更高的敏感性（93.3%）和特异性（88.9%）。

（4）CTA/CTP点征的局限性

➤ CTA扫描需注射造影剂，耗时较长；

➤ 多数基层机构急诊不具备该设备及技术；

➤ 大部分医疗中心未行急诊CTA检查，普通CT扫描常作为诊断脑出血的唯一影像学检查；

➤ CTA点征出现频率及预测价值随着症状发作至CTA时间延长而下降，晚期（症状发作至CTA时间>8h）较早期（0-2h）CTA点征出现频率下降2/3。

CTA/CTP点征存在上述局限性，因此寻找平扫CT中预测早期血肿扩大的影像征象意义重大。

CT平扫（NCCT）

通过以往研究已经总结出了一些可以用于预测血肿扩大的征象，见下图。

图8 预测脑出血血肿扩大的CT平扫征象

（1）血肿边缘不规则和混合密度征

2009年Barras等首次报道了CT平扫下的血肿形态与密度对于血肿扩大的影像学预测价值，按血肿的形状及密度将其分为5型。

图9 Barras等提出的血肿形状（左）和密度（右）分级

图10 5个等级血肿密度异质性（A）和血肿边缘规则性（B）分级举例

CT平扫下血肿形态规则、密度均匀，血肿不易扩大；反之血肿形态不规则和密度不均，常提示多支血管破裂渗血，出现活动性出血，容易出现血肿扩大。

（2）岛征

2017年，李琦等发现岛征，以描述血肿边缘极度不规则的形态，将其定义为：①存在≥3个分散的小血肿，并且全部与主血肿分离；②存在≥4个小血肿，部分或全部与主血肿相连。

其形成原因可能是随着血肿扩大，导致临近小动脉损害，引起主血肿周围的小岛出现。研究显示，CT平扫“岛征”预测血肿扩大的敏感性为44.7%，特异性为98.2%；阳性预测值为92.7%，阴性预测值为77.7%。CT平扫“岛征”是预测ICH患者早期血肿扩大的可靠指标，并高度提示患者预后不良。

利用人工智能预测血肿扩大

除上述征象外，还有一些漩涡征、混杂征、黑洞征、血肿内低密度、液平等征象，这些都可以用于临床预测血肿扩大患者的识别。然而，反过来讲，又有多少患者能够出现这些特异性的影像学表现呢，所以这些方法的共性问题就是特异性非常强，但敏感性较差。

那么是否有一种共性的方法可以同时识别所有的影像学特征，如果能对上述特征进行识别的话，将更有助于筛查血肿扩大患者。对图像特征进行区分，提取特征分类图片，这恰好是卷积神经网络的强项。既然人工智能对图像识别有很好的特异性，我们能否基于人工智能来预测血肿扩大，基于这样的设想，我们进行了一个小样本量研究。

结果发现，基于人工智能方法对于出血扩大识别的敏感性和特异性远远高于人类基于某一个影像特征的判断标准。其敏感性达到90.3%，特异性达到100%。这项研究的样本量较小，未来需要扩大样本量进一步验证该研究结果。

不过我们在回顾性的看所有患者影像学图像时，发现计算机确实可以识别出正常工作中我们无法识别的血肿扩大的患者。换句话说，计算机可以看到我们人眼看不到的更多的特征性的变化。所以，人工智能在脑出血血肿扩大的识别上具有快速、准确和稳定的特点，未来对我们的临床工作能提供一定的指导，但并不能代替我们临床医生的工作。