機器學習與深度學習在煙霧病影像學中的研究進展

【摘要】 煙霧病（MMD）是一種病因不明的復雜腦血管疾病。目前主要依靠影像學檢查來診斷，隨著影像技術的不斷發展和人工智能的出現，其對MMD的診斷、鑒別以及危險因素分析作出了巨大貢獻。本文重點介紹目前人工智能領域中機器學習與深度學習算法在MMD影像學中的具體應用，并總結分析了此類研究目前所存在的不足及對未來的展望。

【關鍵詞】 人工智能；機器學習；深度學習；煙霧病；醫學影像

【中圖分類號】 R743 【文獻標志碼】 A 【文章編號】 1672-7770（2024）05-0581-04

Research progress of machine learning and deep learning in moyamoya disease imaging HU Zhe， ZHANG Shujun， CHEN Yuge， LIU Shangkuan， LIU Fengli， CHEN Yueqin. Clinical Medical College， Jining Medical University， Jining 272013， China

Corresponding author： CHEN Yueqin

Abstract： Moyamoya disease（MMD） is a complex cerebrovascular disease with unknown etiology. At present， it is mainly diagnosed by imaging examination. With the continuous development of imaging technology and the emergence of artificial intelligence， it has made great contributions to the diagnosis， identification and risk factor analysis of MMD. This paper focuses on the specific application of machine learning and deep learning algorithms in the field of artificial intelligence in the imaging of MMD. This paper summarizes and analyzes the shortcomings of such research at present and the prospects for the future.

Key words： artificial intelligence; machine learning; deep learning; moyamoya disease;" medical image

基金項目：山東省自然科學基金面上項目（ZR2021MH109）；濟寧市重點研發計劃（社會民生類）項目（2020YXNS024）；濟寧市重點研發計劃（醫藥衛生類）項目（2020YXNS024）

作者單位：272013 濟寧，濟寧醫學院臨床醫學院（胡哲）；濟寧醫學院附屬醫院醫學影像科（張樹軍，陳雨各，劉尚寬，劉鳳麗，陳月芹）

通信作者：陳月芹

煙霧病（moyamoya disease，MMD）是一種病因不明的復雜腦血管疾病^［1］，基于流行病學的研究發現，在中國、韓國和日本等東亞地區MMD發病率較高^［2］，且呈逐年上升的趨勢。在MMD的發病人群中男女比例約為1∶1.8～1.9，女性患者比例稍高^［3］。MMD的發病機制至今仍不是十分明確，可能與內環境、遺傳、免疫等多方面因素有關^［2-8］。有研究表明，MMD患者容易繼發腦出血或腦梗死^［9-10］。因此，及時正確地診斷MMD并準確預測其發展趨勢將對其治療和預后具有重要的意義。

目前對于MMD的診斷主要依靠影像學檢查，包括數字減影血管造影（digital subtraction angiography，DSA）、計算機斷層掃描血管成像（computed tomography angiography，CTA）、磁共振血管成像（magnetic resonance angiography，MRA）等影像學檢查方法。雖然這些方法可以在一定程度上診斷該疾病，但仍存在一定的局限性，如MMD患者長期發展過程中發生出血或梗死的可能性、MMD患者伴發認知功能障礙的概率是否高于正常人等。近年來，隨著人工智能（artificial intelligence，AI）的出現與發展，基于AI技術的機器學習和深度學習算法模型逐漸被應用于醫學影像研究領域。其中，機器學習模型包括支持向量機（support vector machine，SVM）、K近鄰（k nearest neighbor，KNN）、隨機森林（random forest，RF）等算法模型。深度學習算法包括卷積神經網絡（convolutional neural network，CNN）、殘差神經網絡（residual neural network，RESNET）、循環神經網絡（recurrent neural network，RNN）等模型。AI擅長識別復雜的成像數據，并能以自動化的方式對疾病進行診斷和發展預測，推動了整個醫學影像領域的發展。在MMD影像學領域中，主要使用機器學習與深度學習算法進行應用，相關算法模型的出現優化了影像技術的診斷效能并可對疾病的發展、結局進行預測，尤其是衍生出了鑒別診斷模型和危險因素分析模型，填補了MMD研究領域的空白。本文總結了機器學習與深度學習在MMD影像學領域中的應用進展，分析了該領域存在的不足，綜述了未來基于機器學習和深度學習對MMD領域研究的建議及展望。

1 機器學習與深度學習在MMD診斷中的應用

當前MMD診斷的金標準為DSA^［11-12］，其優勢在于DSA具有較高的時間分辨率和空間分辨率，可以清晰地顯示顱內血管并且觀察其狹窄程度、有無閉塞及側支循環形成情況，對該疾病的診斷和評估具有重要價值，因此DSA也被廣泛應用于手術過程和療效的評估。有研究人員嘗試將AI應用于DSA，通過建立深度學習算法模型來實現MMD的自動診斷。Hao等^［13］利用DSA圖像構建了一種基于CNN的模型用來實現MMD的自動診斷，此模型的受試者工作特征（receiver operating characteristic，ROC）曲線下面積（area under curve，AUC）值為0.81。而該模型對于預處理后的DSA圖像診斷效能則更強，精確度和準確度分別高達0.96和0.98。Lei等^［14］采用深度RESNET-152算法對頸內動脈DSA的原始數據進行特征提取，并對模型進行訓練和驗證。該模型診斷單側MMD血管病變的準確度、敏感度和特異度分別為0.98、0.97和0.98，AUC值為0.99。但以上研究仍存在一定的局限性，首先原始DSA圖像的時相數量較多，而MMD診斷主要依靠動脈期的時相，如果在DSA中選取的時相不在動脈期，則會影響診斷效能；其次二維圖像只能包含DSA的一個方位信息，可能會導致模型中缺少方位特征。Hu等^［15］為了解決二維圖像缺少方位特征這個問題，使用了一種三維（three-dimensional，3D）CNN和雙向卷積門控循環神經單元（BiConvGRU）相結合的深度學習網絡架構來構建模型。經過測試，該模型AUC值為0.99，靈敏度和特異度均為0.98。為醫生準確診斷MMD提供了一種選擇。

即便DSA是診斷MMD的金標準^［11-12］，但因其價格昂貴、耗時長、輻射量大且適用范圍局限在一定程度上限制了DSA的應用。MRA和CTA在診斷MMD上具有一定的價值并且能夠評估血管情況^［16-17］，但同樣存在耗時較長的問題。隨著超高分辨率CT血管成像技術（ultra-high-resolution CT angiography，UHRCTA）的出現，可以實現在短時間內為醫生提供更詳細的血管信息^［18-19］，但是UHRCTA的圖像噪聲比傳統CTA圖像更加明顯，這就會給診斷帶來一定的困難。Fukushima等^［20］為了解決這個問題，采用三種AI方法對MMD的 UHRCTA圖像進行重建，分別是混合迭代重建（hybrid iterative reconstruction，Hybrid IR），全模型迭代重建（model-based iterative reconstruction，MBIR）和深度學習重建（deep learning reconstruction，DLR），在實驗評估中，基于深度學習算法的重建模型（deep learning reconstruction，DLR）表現出最高的信噪比（signal to noise ratio，SNR），并且重建時間大幅縮短。在未來會對一些急診患者和存在DSA禁忌證的患者帶來便捷。

同樣，AI結合其他檢查技術在MMD中也存在廣泛應用。AI聯合近紅外光譜技術以其診斷快速、低成本和無創的優勢也為MMD的診斷提供了一種新的可能。Gao等^［21］應用近紅外光譜（near infrared spectrum，NIRS）技術研究了64例MMD患者和64例健康志愿者的腦組織血氧飽和度指數（tissue oxygenation index，TOI）、氧合血紅蛋白（HbO）和脫氧血紅蛋白（Hb）的變化。分別從TOI、HBO和Hb中提取特征建立了基于SVM、RF和XGBoost的機器學習模型。使用20 min信號采集的信息建模時，SVM、RF和XGBoost的準確度分別為0.87、0.85和0.85；使用5 min信號采集的信息建模時，準確度分別為0.88、0.88和0.84，所以這三種機器學習模型都具有較高的檢測和篩查MMD的潛力。近紅外光譜技術為MMD的篩查提供了一種臨床應用可能。另外，深度學習結合X線平片也可以實現MMD的診斷。Kim等^［22］通過深度學習算法構建模型用來識別顱骨平片圖像中的MMD患者，準確度為0.84，敏感度和特異度均為0.84，AUC值為0.91，表現出了出色的效能，并且經過Grad-CAM可視化分析，揭示了此模型用來識別MMD的關注點在面部顱骨部分。這也提示在未來進行MMD分類模型的構建時，可以著重提取面部顱骨特征來進行模型構建。

2 機器學習與深度學習在MMD相關鑒別中的應用

在MMD鑒別方面，當前的研究熱點在于區分動脈粥樣硬化相關煙霧綜合征（atherosclerosis associated moyamoya syndrome，AS-MMS）與MMD，以及出血型MMD與缺血型MMD轉歸預測研究。AS-MMS與MMD在影像學上表現極為相似，但是兩者的治療決策選擇以及預后并不相同，兩者的準確鑒別有利于臨床醫生選擇個性化的治療方案，對患者預后具有重要意義。Akiyama等^［23］使用經過微調的VGG16深度學習模型在MRI圖像上進行建模，以期對兩者進行鑒別。結果顯示，在基底池、基底節、半卵圓中心這三個層面鑒別AS-MMS與MMD的準確度分別為0.93、0.85和0.88，分類器效果卓越。除此之外，經過Grad-CAM可視化分析顯示，該模型對MMD感興趣區中的熱點區域主要集中在基底池和基底節區層面。

在區分出血型和缺血型MMD方面。Yin等^［24］使用預訓練的ResNet18在MRA圖像上建立了基底池、基底節和半卵圓中心的模型，其中基底池和基底節層面的模型鑒別能力較強。另外，經過Grad-CAM可視化分析發現，模型的關注點是深部腦白質、側腦室周圍白質和異常側支血管，這和Akiyama等^［23］所關注的位置基本一致，由此推斷基底池和基底節層面的深部腦白質、側腦室周圍白質和異常側支血管可能包含豐富的鑒別信息，這在未來對于MMD與其他疾病的鑒別以及MMD內部鑒別特征的關注、位置的選擇提供了方向。

3 機器學習與深度學習在MMD危險因素分析中的應用

MMD的主要臨床表現是腦出血或腦梗死，有研究表明未經治療的出血型MMD會有較高的概率發生再次出血^［9，25］。因此，識別出血危險因素將對預測未來再出血概率至關重要。Yu等^［14］采用多視角傳統神經網絡算法，將MMD患者DSA圖像中的提取的特征與年齡、性別和出血等獨立危險因素結合起來建立模型。此模型預測單側出血風險的準確度為0.91，敏感度為0.94，特異度為0.9，具有較高的預測效能，將有助于及時識別再出血的風險。Chen等^［26］搜集患者臨床信息采用六種不同的機器學習方法建立模型，經過實驗驗證XGboost模型準確度較高，其AUC值為0.87，該模型能夠有效地分析MMD患者發生出血性腦卒中的危險因素，為臨床早期預防和治療提供依據。經過實驗分析MMD出血性卒中的危險因素可能與鈴木分期、是否合并動脈瘤、居住環境、住院次數和發病年齡這幾個因素密切相關。然而，由于上述研究樣本量較小，且選擇的都是中國人群，可能導致模型忽略種族差異所造成的影響。

4 應用研究總結

隨著科技的進步，AI在不斷推動MMD影像領域的發展。其中研究主要依靠機器學習與深度學習算法模型，研究領域主要集中在提高診斷效能、鑒別診斷以及危險因素分析方面。在機器學習與深度學習算法模型的助力下醫生可以更準確地去診斷MMD以及選擇個性化的治療方案來提高患者預后。不足的是，機器學習與深度學習算法模型對于MMD的發病機制以及治療評價等領域研究較少。在未來或許可以利用其提取分析高通量信息的強大能力，來挖掘MMD基因組學與影像組學之間的關系，有研究表明，影像組學特征跟疾病的基因表型存在一定的關聯。例如，有研究人員發現肺癌的EGFR基因與影像組學特征存在一定的關聯性^［27-28］，而對于MMD來說不同的基因型變異與MMD的臨床特征有關^［29］，RNF213 p.R4810K變異體可能與缺血型MMD有關，而非RNF213 p.R4810K變異體更可能出血型MMD有關^［30］，表現為不同臨床特征的MMD，選擇的治療方法也不盡相同，而正確的治療方案對于患者的預后來說至關重要。如果能通過影像學特征推斷其基因表型將會產生重要的臨床價值。此外，機器學習與深度學習模型的建立需要依靠具有高質量、大樣本的數據集進行訓練，而MMD作為一種發病率較低的疾病，數據集的搜集和建立比較困難，并且當前有關機器學習與深度學習結合MMD的研究，都是回顧性研究，缺少前瞻性的研究，因此聯合多中心進行前瞻性研究將會對人工智能結合MMD相關領域的發展提供助力。

利益沖突：所有作者均聲明不存在利益沖突。

作者貢獻聲明：胡哲負責起草文章、查閱文獻及分析；張樹軍負責材料支持及指導；陳雨各、劉尚寬、劉鳳麗負責查閱文獻及分析；陳月芹負責獲取研究經費、文章的審閱和修訂。

［參 考 文 獻］

［1］ Ihara M，Yamamoto Y，Hattori Y，et al.Moyamoya disease：diagnosis and interventions［J］.Lancet Neurol，2022，21（8）：747-758.

［2］ Shang S，Zhou D，Ya J，et al.Progress in moyamoya disease［J］.Neurosurg Rev，2020，43（2）：371-382.

［3］ Research Committee on the Pathology and Treatment of Spontaneous Occlusion of the Circle of Willis，Health Labour Sciences Research Grant for Research on Measures for Infractable Diseases.Guidelines for diagnosis and treatment of moyamoya disease（spontaneous occlusion of the circle of Willis）［J］.Neurol Med Chir，2012，52（5）：245-266.

［4］ Kundishora AJ，Peters ST，Pinard A，et al.DIAPH1 variants in non-east Asian patients with sporadic moyamoya disease［J］.JAMA Neurol，2021，78（8）：993-1003.

［5］ Okazaki S，Morimoto T，Kamatani Y，et al.Moyamoya disease susceptibility variant RNF213 p.R4810K increases the risk of ischemic stroke attributable to large-artery atherosclerosis［J］.Circulation，2019，139（2）：295-298.

［6］ Zhang Q，Liu YP，Zhang D，et al.RNF213 as the major susceptibility gene for Chinese patients with moyamoya disease and its clinical relevance［J］.J Neurosurg，2017，126（4）：1106-1113.

［7］ Asselman C，Hemelsoet D，Eggermont D，et al.Moyamoya disease emerging as an immune-related angiopathy［J］.Trends Mol Med，2022，28（11）：939-950.

［8］ Liu EH，Liu CY，Jin LD，et al.Clinical value of the systemic immune-inflammation index in moyamoya disease［J］.Front Neurol，2023，14：1123951.

［9］ Liu XJ，Zhang D，Wang S，et al.Clinical features and long-term outcomes of moyamoya disease：a single-center experience with 528 cases in China［J］.J Neurosurg，2015，122（2）：392-399.

［10］Ge PC，Zhang Q，Ye X，et al.Clinical features of hemorrhagic moyamoya disease in China［J］.World Neurosurg，2017，106：224-230.

［11］Funaki T，Takahashi JC，Houkin K，et al.Angiographic features of hemorrhagic moyamoya disease with high recurrence risk：a supplementary analysis of the Japan Adult Moyamoya Trial［J］.J Neurosurg，2018，128（3）：777-784.

［12］Funaki T，Takahashi JC，Houkin K，et al.Effect of choroidal collateral vessels on de novo hemorrhage in moyamoya disease：analysis of nonhemorrhagic hemispheres in the Japan Adult Moyamoya Trial［J］.J Neurosurg，2020，132（2）：408-414.

［13］Hao XC，Xu L，Liu Y，et al.Construction of diagnosis model of moyamoya disease based on convolution neural network algorithm［J］.Comput Math Methods Med，2022，2022：4007925.

［14］Lei Y，Zhang X，Ni W，et al.Recognition of moyamoya disease and its hemorrhagic risk using deep learning algorithms：sourced from retrospective studies［J］.Neural Regen Res，2021，16（5）：830-835.

［15］Hu T，Lei Y，Su J，et al.Learning spatiotemporal features of DSA using 3D CNN and BiConvGRU for ischemic moyamoya disease detection［J］.Int J Neurosci，2023，133（5）：512-522.

［16］Yamamoto T，Okada T，Fushimi Y，et al.Magnetic resonance angiography with compressed sensing：an evaluation of moyamoya disease［J］.PLoS One，2018，13（1）：e0189493.

［17］Togao O，Hiwatashi A，Obara M，et al.Acceleration-selective arterial spin-labeling MR angiography used to visualize distal cerebral arteries and collateral vessels in moyamoya disease［J］.Radiology，2018，286（2）：611-621.

［18］Yoshioka K，Tanaka R，Takagi H，et al.Ultra-high-resolution CT angiography of the artery of Adamkiewicz：a feasibility study［J］.Neuroradiology，2018，60（1）：109-115.

［19］Murayama K，Suzuki S，Nagata H，et al.Visualization of lenticulostriate arteries on CT angiography using ultra-high-resolution CT compared with conventional-detector CT［J］.AJNR Am J Neuroradiol，2020，41（2）：219-223.

［20］Fukushima Y，Fushimi Y，Funaki T，et al.Evaluation of moyamoya disease in CT angiography using ultra-high-resolution computed tomography：Application of deep learning reconstruction［J］.Eur J Radiol，2022，151：110294.

［21］Gao TX，Zou CY，Li JY，et al.Identification of moyamoya disease based on cerebral oxygen saturation signals using machine learning methods［J］.J Biophotonics，2022，15（7）：e202100388.

［22］Kim T，Heo J，Jang DK，et al.Machine learning for detecting moyamoya disease in plain skull radiography using a convolutional neural network［J］.EBioMedicine，2019，40：636-642.

［23］Akiyama Y，Mikami T，Mikuni N.Deep learning-based approach for the diagnosis of moyamoya disease［J］.J Stroke Cerebrovasc Dis，2020，29（12）：105322.

［24］Yin HL，Jiang Y，Huang WJ，et al.A magnetic resonance angiography-based study comparing machine learning and clinical evaluation：screening intracranial regions associated with the hemorrhagic stroke of adult moyamoya disease［J］.J Stroke Cerebrovasc Dis，2022，31（4）：106382.

［25］Kang S，Liu XJ，Zhang D，et al.Natural course of moyamoya disease in patients with prior hemorrhagic stroke［J］.Stroke，2019，50（5）：1060-1066.

［26］Chen ZJ，Luo HW，Xu LJ.Machine learning models of ischemia/hemorrhage in moyamoya disease and analysis of its risk factors［J］.Clin Neurol Neurosurg，2021，209：106919.

［27］姜云珠，張進，陳明，等.基于MRI 3D-Ti WI增強影像組學模型預測非小細胞肺癌腦轉移EGFR基因突變狀態［J］.臨床放射學雜志，2022，41（7）：1212-1216.

Jiang YZ，Zhang J，Chen M，et al.The mutation status of the non-small cell lung cancer brain metastasis EGFR gene is predicted based on the MRI 3D-T1 WI enhanced radiomics model［J］.J Clin Radiol，2022，41（7）：1212-1216.

［28］李淑華，楊昭，王小雷，等.基于CT影像組學列線圖預測肺腺癌EGFR突變的研究［J］.臨床放射學雜志，2022，41（9）：1676-1682.

Li SH，Yang Z，Wang XL，et al.CT-based radiomics nomogram to predict EGFR mutation in lung adenocarcinoma［J］.J Clin Radiol，2022，41（9）：1676-1682.

［29］Kim EH，Yum MS，Ra YS，et al.Importance of RNF213 polymorphism on clinical features and long-term outcome in moyamoya disease［J］.J Neurosurg，2016，124（5）：1221-1227.

［30］Wu ZY，Jiang HQ，Zhang L，et al.Molecular analysis of RNF213 gene for moyamoya disease in the Chinese Han population［J］.PLoS One，2012，7（10）：e48179.

（收稿2023-05-09 修回2023-09-11）