人工智能在脊髓疾病中的應用及研究進展

章 鼎,尹 飛

(吉林大學中日聯誼醫院 脊柱外科,吉林 長春130033)

隨著科技的飛速發展,人工智能(Artificial Intelligence,AI)的應用范圍不斷擴大,并在醫療領域中取得了顯著的成果,為許多疾病的診斷及治療帶來了新的希望。醫學圖像數據的廣泛共享和AI算法的發展為脊髓疾病的診斷效率和準確性的提高提供了重要支持,這不僅有益于醫生的決策過程,還使患者受益匪淺。本文旨在綜述AI技術在脊髓疾病臨床診療中的應用,涵蓋脊髓疾病的多個方面,以探究AI技術在脊髓疾病診斷和治療方面的現狀及未來發展趨勢。

1 人工智能在脊髓中如何應用

脊髓,作為一種被骨骼結構所包圍的軟組織,其診療過程中對影像對比度和分辨率的需求較高。因此,磁共振成像(MRI)數據集已經成為了大部分脊髓評估開發算法的首選數據來源。研究人員已經成功地利用高質量的MRI數據集,使用幾乎所有類型的MRI序列(包括T1和T2加權序列,以及彌散張量成像(Diffusion Tensor Imaging,DTI)等高級序列)生成脊髓評估算法。

AI用于脊髓疾病診斷的前提是對在脊髓影像層面的精確分割,繪制整個脊髓輪廓,并對灰質和白質進行特定分割,為放射科醫生和臨床醫生提供更精確的量化脊髓亞成分的機會。這種前所未有的精度有助于更快地檢測和診斷特殊的疾病類型,例如多發性硬化癥、肌萎縮側索硬化、創傷性脊髓損傷,甚至生理老化[1]。

目前,有多種不同的方法基于圖譜的模板變化、閾值策略或邊緣/輪廓檢測來實現脊髓的準確分割[1]。例如,PERONE等[2]利用T2序列并應用深度擴張卷積來自動分割灰質,相較于傳統的醫學成像架構(如U-Nets等),獲得了更好的結果。與其他傳統MRI序列相比,使用T2序列的優勢在于更高的灰質和白質對比度。同樣的,使用卷積神經網絡(Convolutional Neural Networks,CNN)利用T2快速自旋回波圖像進行的自動脊髓分割也獲得了卓越的性能,脊髓分割的骰子系數為0.93,明顯高于手動分割工具(0.8),與以前的分割模型(0.9)相比,更具有意義[3]。另一種方法是利用DTI中分數的固有差異來完成灰質和白質的分割。DTI在顯微結構可視化方面明顯優于標準MRI序列。在這種成像模式中,可以使用各種參數測量組織內水分子擴散的方向和幅度[4]。

與傳統人工影像診斷相比,人工智能的自動分割方法不僅規范了診斷流程,還有助于減少肉眼診斷或半定性評估中固有的偏倚,減少了由于觀察誤差帶來的異質性[5]。此外,高維度的大計算量也能提高敏感性,能檢測出肉眼無法發現的脊髓體積細微變化,有助于對和脊髓體積變化密切相關疾病的早期診斷,比如多發性硬化癥和肌萎縮側索硬化。MATHIAS等[6]對多發性硬化癥患者進行了影像組學脊髓紋理分析,發現在常規MRI序列上多發性硬化癥患者的脊髓紋理在萎縮性變化之前已經發生了變化,這為多發性硬化癥的早期診斷提供了手段。

2 人工智能在脊髓中的診療應用

脊髓損傷(Spinal Cord Injury,SCI)和導致脊髓或神經根壓迫的脊柱退行性變化是脊柱外科醫生面臨的兩大類疾病類型。隨著大量脊髓數據的開放共享,創建多學科和多中心協作網絡創建大型數據集,利用AI解決脊髓疾病診斷、治療和預后等問題是目前備受關注的研究領域?；诩顾韪鞣N成像技術的AI算法已被應用于其中,給脊髓疾病的診治帶來了新的方向。

2.1 診斷

SCI的早期精準診斷和分類對臨床治療具有重要意義。在大多數情況下,傳統的MRI和CT成像方法不足以解決一些特定患者的診斷和預后問題。在多發性創傷的情況下,患者可能無法進行可靠的神經系統檢查,可能會掩蓋SCI的性質,此時應強調運用影像學檢查技術來判斷SCI程度的重要性。DEMIRES等[7]通過使用支持向量機(Support Vector Machines, SVM)、層次聚類樹分析(Hierarchical Custer Tree Analysis,HCTA)和人工神經網絡(Artificial Neural Networks,ANN)等方法分析皮節和皮膚阻抗,發現SVM和HCTA模型在SCI和對照組之間的識別精確度高于ANN模型,提高了無意識或無法配合的患者SCI的診斷精度,減少了臨床檢查的依賴。使用DTI評估創傷性SCI是一個值得研究的領域。雖然臨床上已經應用了傳統的軟件分析,但較新的人工智能算法的運用提高了從DTI中提取額外信息的潛力。TAY等[8]開發了一種基于DTI采集圖像的機器學習(Machine Learning,ML)方法來評估SCI程度。采用了模式識別算法定位不同平面T2和T1序列的脊髓損傷區域,評估DTI彌散各向異性和分數各向異性,以評估脊髓病變和白質束破壞的程度,區分了健康和SCI患者,該模型靈敏度為91%,特異性為95%。

退行性脊柱疾病主要發生于頸椎和腰椎,是一類常見的慢性病。LEE等[9]創造性地使用生成對抗網絡(Generative Adversarial Network,GAN)從腰椎CT掃描中合成得到了軸向T2加權MRI切片,該方法與實際腰椎MRI掃描的相似性為80.2%。隨著這項技術的改進,提供了一種更有效和更具成本效益的選擇,即使用CT掃描也能產生與MRI相同的結果。

2.2 治療及并發癥防范

隨著SCI持久損害,加上人口老齡化背景下退行性脊柱疾病的發病率增加,準確預測不同患者的預后并據此采用個體化的治療方法是科研工作者的未來攻克的重點。AI中的ML是實現該目標的重要有用工具。DEVRIES等[10]通過無監督ML算法利用患者因素來預測SCI后其功能狀態并進行個體化評分。使用這些與患者相關的眾多因素的預測,脊柱外科醫生可以針對不同患者采取個性化方法。例如,針對因個體因素未來可能出現癥狀更加嚴重的患者,可給予積極手術干預和后續康復治療。

壓瘡是SCI最常見的并發癥之一,會增加患者感染和膿毒癥的風險。FU等[11]通過ML創建了一個智能模型,運用在不同輪椅角度下多普勒記錄的血流指標以確定最佳的輪椅傾斜角度以及最佳的持續時間和頻率,以降低壓瘡風險。未來,可能會利用ML模型預測并預防SCI后的多種并發癥,并根據個人特征和不同的患者需求對風險進行危險分層,給予個性化康復管理。

2.3 預后和恢復

如何通過影像組去預測SCI患者預后是臨床醫生一直關注的重點[12]。為克服自身脊柱病變導致的急性SCI的分割錯誤,MCCOY等[3]使用2D CNN對受傷后24小時內的急性SCI進行自動分割和分類,其創建的BASICseg模型明顯優于現有的SCI分割模型,其中BASICseg-3模型更與受傷后的下肢運動評分相關。此外,OKIMATSU等[13]開發了一種基于深度學習的影像組學模型,使用CNN量化放射學特征,對SCI患者1個月的神經系統檢查結果進行分類分層。該研究分析了215份SCI患者的病歷,并預測了其短期功能預后,其準確率為71%。這些結果提示我們AI運用有助于預測SCI的預后,揭示了其在預后領域中的應用潛力。

雖然SCI恢復的自然病程可能難以預測,但是確定完全與不完全運動障礙損傷嚴重程度的ASIA分級,可以為長期的功能預后提供推斷。而ML則可進一步實現對SCI患者個性化康復護理并預測其重新獲得獨立行動能力。ZARIFFA等[14]通過對頸部SCI進行力量、敏感性及抓力分級評估(GRASSP)來測量損傷程度并運用ML來進行預測分析。該研究分析了138個經GRASSP評估的數據集,并訓練了ML分類器來預測各指標的分數。研究發現,該模型預測分數與實際分數的Spearman系數的P值為0.84,表明其具有較高的預測能力。

除此之外,退行性疾病的預后也是AI研究的熱點之一,JIN等[15]使用DTI數據來預測頸椎退行性疾病患者的預后。從DTI導出包括各向異性分數、平均擴散率、軸向擴散率和徑向擴散率在內的參數,并構建了邏輯回歸(Logistic Regression,LR),K近鄰(K-Nearest Neighbor,KNN)和基于徑向基函數的支持向量機(Radial Basis Function-Support Vector Machines,RBF-SVM)模型,其中RBF-SVM模型結果對頸椎退行性疾病預后的靈敏度和特異度最高,分別為85.0%和92.4%。WANG等[16]基于ML,根據DTI參數構建了多種分類器來自動識別脊髓型頸椎病的患者,其中采用支持張量機模型的準確性最高,為93.62%,并且也有較高的靈敏度和特異度。

3 總結及展望

盡管AI模型已經顯示出非常有希望的結果,但必須嚴格考慮實際和道德問題。首先,模型不能取代人類的決策能力,它們可以提供的是改善診斷治療過程的補充信息。其次,AI模型需要在其應用程序中進行人工集成,從而有可能使治療診斷過程人性化。此外,AI模型結果的轉換需要人類邏輯,因為AI模型是在研究環境中創建的,無法保證臨床環境中的性能。最后,使用有完整數據的患者可能會引入選擇偏倚,因為這些患者不一定代表整體患者群體。在批準臨床使用之前,應進行外部驗證研究,以確認AI模型的臨床安全性和有效性。