第107屆北美放射學會年會亮點：中樞神經影像學

劉心怡，黃飚，曾洪武

作者單位：1.深圳市兒童醫院放射科，深圳518038；2.汕頭大學醫學院，汕頭515041；3.廣東省人民醫院放射科，廣州510080

第107 屆北美放射學會(Radiological Society of North America，RSNA)年會于2021年11月28日至12月2日在美國芝加哥舉行。受新冠疫情影響，大會采用線上線下結合模式，本次大會主題是“Redefining Radiology (重新定義放射學)”。現對第107 屆RSNA 年會中樞神經系統方面的研究亮點及熱點進行簡要綜述。

1 腦腫瘤

1.1 腦腫瘤影像在診斷分類中的進展

世界衛生組織(World Health Organization，WHO)于2021 年6 月發布了中樞神經系統腫瘤分類第五版(the fifth edition of the WHO classification of tumors of the central nervous system，WHO CNS 5)。荷蘭鹿特丹大學醫學院的Marion Smits 教授在RSNA 2021 年會上對WHO CNS 5的更新要點作出了簡要概括，她總結提出WHO CNS 5在結合組織學和免疫組織化學的基礎上，重點推進了基因分子診斷在中樞神經系統腫瘤分類中的作用，腫瘤分類一直是日新月異的熱點。

WHO CNS 5 更新內容主要有：(1)新增并修訂命名多種腫瘤類型，強調組織/分子特征整合，如新增了原發性顱內肉瘤，DICER1 突變型等等，根據已確定的分子遺傳差異將膠質瘤分為兒童型和成人型，將原兒童腦腫瘤中“膠質母細胞瘤”修訂為“兒童型彌漫性高級別膠質瘤”等等；(2)規范腫瘤分級用語，分級使用阿拉伯數字“1，2，3，4”替代羅馬數字的“Ⅰ，Ⅱ，Ⅲ，Ⅳ”，確立基因和蛋白命名規則，明確后綴使用，更加簡單和容易辨認；(3)融合新型診斷技術，即光學顯微鏡、電子顯微鏡、免疫組化和分子遺傳多種方法相互結合；(4)體現分層報告診斷特點，影像診斷應盡可能提供腫瘤的WHO CNS 5 分類、組織病理學分類和相關分子信息[1]。筆者認為，WHO CNS 5 更加突出了基因遺傳、分子蛋白通路在腫瘤進展中的關鍵作用，在今后將推動靶向治療或免疫治療的迅猛發展。

1.2 腦腫瘤影像在基因預測中的進展

人工智能(artificial intelligence，AI)方興未艾，特別是深度學習的成熟和廣泛應用，本次RSNA 年會神經影像的熱點主題為“AI在神經成像中的應用：我們身處何境？”。深度學習是機器學習研究中的一個新領域，基于神經網絡模擬人腦進行分析學習，模仿人腦的機制來解釋數據，如圖像、聲音、文本等。印第安納大學醫學院的Jason Glenn Parker 團隊將深度學習的前饋神經網絡模型融入腦膠質瘤立體定向手術，用于預測基因外顯子單核苷酸點突變。該研究納入8 名腦膠質瘤患者的術前MRI 圖像信息以及術中病理標本全外顯子組基因處理數據，設計了一個4 層前饋神經網絡，預測分析腫瘤基因(包括PTEN、IDH1、TP53、EGFR、PIK3R1、PIK3CA、NF1和RB1)單核苷酸點突變情況，模型預測準確度為0.540～0.997，提示該模型具有較好的研究潛力，后續優化模型參數和擴增樣本量有助于提高預測模型的準確度。美國加利福尼亞大學Evan DC Calabrese 等利用400 例膠質母細胞瘤患者的術前多模態MRI 數據構建深度卷積神經網絡模型，并提取腫瘤影像組學特征，結合兩種方法預測患者CDKN2A/B 基因缺失情況，該組合模型的敏感度和特異度分別為0.70 和0.88，因此將深度學習和影像組學有機結合可以無創性地預測患者腫瘤基因突變位點，有助于提升放射科醫師的臨床決策權，輔助改進臨床決策機制，造福更多患者。

1.3 腦腫瘤影像在隨訪評估中的進展

同樣采用深度學習，美國麻省總醫院Jay Biren Patel團隊納入兩家機構共215 名腦轉移瘤患者治療后的顱腦MRI T1WI 高分辨率結構像信息，基于神經腫瘤學界通用的神經腫瘤反應評價(response assessment in neuro-oncology，RANO)標準對所有腦轉移瘤病灶邊界進行人工分割，同時構建3D U-Net 卷積神經網絡模型進行病灶邊界自動化分割，比較兩種分割方法的一致性，組內相關系數(intraclass correlation coefficient，ICC)為0.88，研究表明深度學習方法可高效準確地量化評估腦轉移瘤患者的治療反應，對于評估和優化患者治療方案具有重要價值。

磁共振三維偽連續式動脈自旋標記成像(3D-pulsed continuous arterial spin labeling，3D-pCASL)通過設定多個標記后延遲時間量化前向血流和側支循環血流，利用三維角度定向且定量評估全腦或ROI灌注情況。倫敦大學學院國民保健署信托基金醫院Meghavi Mashar 等將此改良技術應用于腦轉移瘤患者放療后分層評估，收集45例腦轉移患者放療后多次定期隨訪的MRI 3D-pCASL信息，分別評價ROI灌注情況(包括病變區域、病變周圍區域及對側大腦半球灰質區域)，對比患者立體定性放療后及6個月后隨訪的治療反應，結果表明3D-pCASL可對腦轉移灌注作出準確評估，患者放療后進行3D-pCASL掃描可預測未來6 個月內的療效。影像大數據與AI 相結合能化“未知”為“已知”，精準評估腫瘤患者的療效，有助于及時調整臨床方案并改善病情預后，為患者爭取更大的生存空間。

2 腦卒中

2.1 顱內腦血管成像技術在腦卒中的應用

MRI 血管壁成像(vessel wall imaging，VWI)通過抑制血管內血液流動信號從而清晰顯示血管壁本身情況及斑塊的病理特征。VWI 是目前唯一可在人體中進行高分辨率血管成像的無創性檢查，具有高空間分辨率和高信噪比等優勢，對評估顱內血管性病變至關重要[2]。RSNA 2021 年會針對腦血管成像進展開設了討論主題，意大利卡利亞里大學Luca Saba 團隊指出血管壁斑塊的MRI 特征與腦卒中預后密切相關，此外，他們認為顱內動脈斑塊MRI 評估要點為斑塊負荷及強化特點，而顱外血管斑塊如頸動脈斑塊的MRI 評估則更應注重斑塊內出血情況。鈍性腦血管損傷(blunt cerebrovascular injury，BCVI)是指頸動脈和椎動脈的非穿透性損傷[3]，改良Denver 分級系統可根據CT 血管造影表現將BCVI 嚴重程度分為五個等級，提示不同的卒中發生率[4]，Luca Saba 團隊提出，隨著BCVI的Denver評價等級升高，腦卒中的發生率及死亡率也隨之增高，因此應大力推廣VWI在BCVI患者中的臨床應用。美國猶他大學Hediyeh Baradaran 團隊則概括了顱內VWI 的臨床應用范疇，包括鑒別血管狹窄的成因、區別腔隙性梗死灶和腦卒中區域、評估動脈粥樣硬化斑塊及血管炎的活動性、識別動脈瘤破裂部位以及劃定中樞神經血管炎的活檢靶區；另外，他們指出提升VWI圖像質量需要：(1)有效抑制腦脊液及血管內血液流動；(2)高空間分辨率(推薦3 T 或者7 T 磁共振)；(3)多平面2D 或者3D 采集；(4)多對比加權采集(時間飛躍MRA，T2WI和增強掃描前后的T1WI)。

筆者認為，由于顱內血管較頸動脈纖細且迂曲，在顱內應用VWI 技術仍具一定挑戰性，目前臨床影像急需解決的問題包括快速準確鑒別斑塊出血或血栓，以及挖掘血栓持續強化或強化減弱的病理生理意義，相信顱內VWI 在未來仍有廣闊的研究空間。

2.2 AI在腦卒中的應用

為提高腦卒中的急診CT 診斷效能，基于深度學習的顱內出血影像智能檢測軟件已開始臨床應用。美國阿勒格尼健康聯盟醫院Warren Chang 團隊回顧驗證了1388 名顱內出血的急診和住院患者顱腦CT 的AI 檢測報告，以神經放射領域專家的診斷意見作為標準，得出AI 檢測顱內出血的總體敏感度與特異度分別是0.79 和0.95。韓國建國大學醫院Jin Wook Choi 等同樣關注著AI 提升顱內出血的CT 診斷效能，該團隊安排9 名測試醫師(包括3 名非放射科的醫生，3 名放射科擅長神經影像診斷的醫生以及3 名放射科擅長其他系統影像診斷的醫生)對146 名顱內出血患者和150 名正常對照組進行顱腦CT 診斷，記錄他們在AI 輔助前和輔助后的診斷結果并驗證分析，結果顯示AI 均可提升診斷醫師對CT 顱內出血的診斷準確率，其中對非放射科醫生的診斷輔助效果最為顯著。

美國辛辛那提大學醫療中心的Achala Vagal 教授在年會中概括了目前AI 在急性缺血性腦卒中(acute ischemic stroke，AIS)的應用與挑戰，展示了一系列利用手機AI軟件觀測患者AIS 的日常應用圖片，對AI 在缺血性腦卒中病灶快速準確識別的應用價值中給予了充分的肯定，同時也指出AI 影像診斷依然存在漏診誤診情況，AI永遠不會取代放射科醫生。Alberta 卒中計劃早期CT 評分(Alberta stroke program early CT score，ASPECTS)是一種基于CT 平掃技術半定量評估急性缺血性腦卒中病變區域的評分系統[5]，德國弗里德里希-亞歷山大大學的Philip Hoelter 團隊研究表明，目前三種全自動ASPECTS 評估AIS 軟件(Syngo.via Frontier ASPECT Score Prototype V2，Brainomix e-ASPECTS? 和RAPID ASPECTS)與專家評估之間的評分結果存在較高一致性，AUC分別為0.752、0.759和0.734，提示這三種全自動影像評估軟件可輔助提高AIS 影像診斷準確率，具有良好的評估性能[6]。

腦卒中的治療爭分奪秒，快速且準確診斷是臨床診療的關鍵。筆者認為，使用AI 輔助算法不僅可以提升放射科醫師的診斷準確性，而且可以有效縮短診斷時間，減少患者急診周轉耗時，爭取早期干預以改善患者臨床預后。

3 腦發育及認知功能障礙

3.1 腦結構成像進展

認知障礙是記憶力進行性衰退的漫長過程，輕度認知障礙(mild cognitive impairment，MCI)患者存在三分之一的風險進展為阿爾茨海默病(Alzheimer′s disease，AD)[7]，嚴重影響患者生活質量，對患者家庭和社會帶來沉重負擔。基于體素的形態學測量等等的MRI 微結構分析技術已在認知障礙相關疾病中取得顯著成就[8]，有助于尋找認知障礙相關的神經影像學生物標志物。美國伊利諾伊理工大學Wu Yingjuan 等在社區招募了400名非癡呆癥老年人，收集所有受試者的MRI高分辨率T1WI及彌散張量成像(diffusion tensor imaging，DTI)圖像信息，構造了0.5 mm 級別的高質量磁共振多模態老年人腦模板，完善了伊利諾伊理工學院與拉什大學老齡化圖譜，有助于更精準探索老年人認知相關腦結構改變的病理機制。

此外，腦結構分析結合AI 可進一步實現從宏觀成像到虛擬細微組織的突破，是近年來的磁共振研究熱點，對研究人腦發育和認知變化起著重要作用。美國辛辛那提圖像研究中心Li Zhiyuan 等的研究利用足月兒顱腦MRI 體素及皮層形態學特征進行建模，用于早期預測辛辛那提兒童醫院197名早產兒在兩歲時的認知障礙情況，最終預測模型的準確度、敏感度和特異度分別為0.680、0.702 和0.673，表現出該預測模型的高度臨床實用性和可靠性。常規用于結構分析的磁共振成像序列耗時較長，不利于臨床實際應用，美國第三方影像中心——RadNet公司的Suzie Bash 等多中心前瞻性研究納入40 名受試者進行深度學習重建處理后的fast-MRI 增強掃描，掃描時間縮短了60%，該研究還對AI 處理后的快速掃描圖像進行腦結構體積定量分析，用于受試者認知障礙程度分級，結果與臨床護理分級完全一致。韓國國立首爾大學醫院Eun Kyoung Hong 團隊先前開發的MRI AI 深度學習模型可用于預測AD 發病的可能性，該團隊將此預測模型回顧性應用于284名MCI患者(包括144 例早期MCI 和140 例晚期MCI)的MRI 3D T1WI 圖像中進行腦結構分析，近20%的患者在確診MCI 后3 年內轉變為AD，結果顯示該預測模型總體準確率高達0.83，AUC 為0.77。綜上，筆者認為MRI 結構定量分析結合深度學習模型可極大縮短掃描時間，嚴格保證圖像質量及定量分析的精準度，并具有較高的預測評估性能。

3.2 腦功能成像結合AI的應用

磁共振腦功能成像蓬勃發展，越來越多神經影像研究者將任務態或靜息態功能成像應用于腦發育研究當中。比利時布魯塞爾圣盧克大學Valeria Onofri 等納入88 名健康新生兒進行靜息態功能磁共振掃描，并利用多變量數據驅動模型(即機器學習模型)評估受試嬰兒重要腦網絡功能連接情況，表明分析腹側和背側注意網絡、默認模式網絡連接性可用于準確推斷嬰兒出生時胎齡，該研究還發現了嬰兒早期大腦腹側和背側注意網絡存在相互影響的作用，有利于揭示新生兒注意力系統的早期發展規律。

腦發育及認知科學與AI 的交叉融合，可有助于突破現有理論與方法的局限性，利用大量既往樣本訓練出科學的計算模型，解決新的臨床問題以及預測未來腦發育認知模式，從而提升人類智能上閾。

4 腦成像技術優化

良好的影像圖像質量是放射科診斷質量和醫療安全保證的關鍵所在。美國麻省總醫院Bernardo Canedo Bizzo 團隊自主研發了一款基于機器學習的顱腦MRI 運動偽影檢測軟件，開發模型過程包括識別1530 次顱腦MRI 檢查中的運動偽影、基于人工神經網絡構建集成模型，多中心測試集驗證以及最后放射科醫師進行圖像質量評估，該軟件可準確檢測并量化顱腦MRI 中的運動偽影，及時提示掃描技術人員并自動觸發重新掃描程序，從而優化MRI 圖像質量。韓國國立首爾大學醫院Woojin Jung 等在MRI 高分辨率3D-MPRAGE 序列基礎上結合圖像去噪(Noise2Noise)深度學習算法，在不增加序列掃描時間的前提下，有效抑制了欠采樣磁共振圖像的噪聲，5 min 內在3 T 磁共振機器上獲得了類7 T 的高分辨率T1WI圖像，有助于檢測腦部精細結構病變。

如何在保證影像診斷效果的同時降低對比劑用量，從而減少對比劑帶來的不良反應，也是放射科一直關注的人文關懷要點。美國AI 醫學影像公司(深透醫療公司) Srivathsa Pasumarthi Venkata 等研究利用腦腫瘤MRI 平掃和釓對比劑低劑量(10%)增強圖像數據作為訓練集，構建深度學習模型，可以重建出常規全劑量(100%)增強圖像，結果表明深度學習合成增強圖像與實際全劑量增強圖像具有良好一致性，腫瘤分類一致性達98%(49/50)，即深度學習算法可以降低MRI增強掃描中的釓對比劑劑量，同時保證圖像診斷的等效性和圖像質量。

影像學成像技術的優化需要技術創新，融合深度學習算法不僅可以減少圖像偽影，提高圖像的分辨率，而且可減少患者對比劑使用劑量，真正做到科學與人文相結合。

5 超高場MRI

超高場MRI一直是每年RSNA年會的熱門話題，是中樞神經系統影像研究最強有力的武器。早在2001年，法國CEA原子能委員會NeuroSpin研究中心的Denis Le Bihan教授就提出了大于10 T 超高場MRI 設備的構想，2006 年代號為“Iseult 計劃”的11.7 T磁共振項目由德國和法國共同設立。2017年首臺11.7 T全身MRI開始安裝，由法國原子能委員會CEA和德國西門子醫療公司聯合研制，主磁體重達132 噸，總重量超過150 噸，歷經兩年安裝調試后于2019 年7 月18 日成功完成勵磁，巨大磁體內填充超過7000升海量液氦，升場中進行了超過1300 個工序的復雜調試。2021 年第107 屆RSNA 年會開幕前，11.7 T 人體全身MRI 貢獻了第一張超高分辨率的圖像——具有400 μm 分辨率的南瓜圖，預示著超高場MRI 將造福于影像基礎研究和大腦病理機制探索。據法國CEA 原子能委員會透露，未來的14 T MRI 研究計劃將在美國(波士頓和斯坦福大學)、中國(北京和深圳)、荷蘭(奈梅亨)以及德國(海德堡)進行。

超高場MRI 將為中樞神經系統研究打開新的領域：(1)具備“活體顯微鏡”功能，重新定義人腦解剖，空間分辨率可達亞毫米級別；(2)開辟新研究領域，如超高場MRI 分子成像，神經或精神疾病的全新生物學標記研究，新型對比劑研制，腦代謝與功能的研究等。

6 新型冠狀病毒肺炎

關于新型冠狀病毒肺炎(corona virus disease 2019，COVID-19)與神經系統損害方面，中南大學湘雅二醫院劉軍教授團隊點明了影像學檢查的優勢，指出在COVID-19 急性期，T2-FLAIR 及DWI 等常規序列對新冠肺炎患者并發AIS 或腦炎等癥狀進行輔助診斷具有重要意義，而3D-T1WI、DTI 和fMRI序列更有助于對患者大腦結構和功能進行長期隨訪觀察[9]。德國慕尼黑大學Sophia St?cklein 團隊的MRI 研究納入33 例感染COVID-19 的妊娠期患者(平均懷孕28 周左右)，平均在懷孕18 周以上開始出現臨床癥狀，最常見為嗅覺和味覺喪失或減弱、干咳、發燒和呼吸急促，而胎兒顱腦MRI 未見顯著異常陽性征象，表明妊娠期COVID-19 感染對胎兒的中樞發育沒有影響。筆者認為，隨著全球COVID-19 病例數量持續增加，影像學檢查依然在COVID-19 并發神經系統急性損傷和長期后遺癥的發現與隨訪中扮演著重要角色，但未來仍需要更多的基礎研究來探索此類合并癥的發病機制。

第107 屆RSNA 年會主題是重新定義放射學，“重新定義”意指摒棄數量和利益至上的觀念，堅持以價值、專業服務和人文關懷作為導向，實現放射學的全面提升。在COVID-19 席卷全球的大背景下，我們應更加注重放射科醫師的環境適應性、同理心和人文關懷，以及提升放射科醫師在臨床中的醫療決策權。隨著以人為本、智慧醫療時代的開啟，腦腫瘤影像診斷更加精確和具有可預測性，腦卒中影像檢查更加便捷高效，腦發育及認知科學更加接近人類智慧的奧秘，加上AI、高新影像設備和其他創新影像技術源源不斷地賦能，相信中樞神經影像將大有作為，真正做到以人為本，為放射發展和健康世界的實現貢獻堅實力量。

作者利益沖突聲明：本文所有作者均無利益沖突。