首都醫科大學宣武醫院副院長盧潔教授：AI在腦脫髓鞘病MRI中，有哪些應用？｜CMAI 2022

近日，2022年醫學人工智能大會（CMAI 2022）暨第二屆“中國醫學學術期刊發展”高端論壇召開。

本次高峰論壇邀請了多位頂尖醫院的放射科主任及人工智能技術的權威專家，共同探討人工智能技術在醫學影像中的臨床應用與科研進展，分享研究心得。

雷峰網(公眾號：雷峰網)《醫健AI掘金志》作為本次大會的支持單位，全程參與嘉賓的演講內容與深度報道。

首都醫科大學宣武醫院副院長盧潔教授作為本次大會的嘉賓，以《腦脫髓鞘病MRI成像的人工智能應用研究》為題發表了演講。

以下是盧潔教授的演講內容，雷峰網《醫健AI掘金志》進行了不改變原意的整理。

大家好，今天向大家匯報的主題是腦脫髓鞘病磁共振成像的人工智能應用。

腦脫髓鞘病是以神經髓鞘脫失為主要或始發病變，隨后出現軸索、胞體和神經膠質受損的神經免疫疾病，主要包括多發性硬化（MS）和視神經脊髓炎（NMO）。

全球約有280萬多發性硬化患者，中國約有4.2萬例，這也是中青年人群致殘的神經系統常見疾病。

其病理性的特征改變是腦白質多發性脫髓鞘斑塊伴反應性膠質增生和軸索損傷。疾病早期主要表現為髓鞘崩解與脫失和小膠質細胞激活，軸索相對完好。病變晚期則表現為軸突崩解、神經細胞減少并形成神經膠質的硬化斑。

這是2017版的多發性硬化診斷標準，可以看到在診斷中我們既需要客觀的臨床證據，也需要一些額外的證據。其中，磁共振成像是協助多發性硬化診斷的最重要的評估方法。

臨床中應用的常規磁共振成像可以為多發性硬化提供多維度的信息，包括病灶數量、位置、體積，以及強化的特點和病灶進程。而且，常規磁共振診斷多發性硬化的靈敏度較高，可達到約95%。

多發性硬化病灶的常見位置為側腦室周圍、皮層下、u型纖維、腦干和小腦，形態呈橢圓形或手指狀。急性期病灶有膨脹感，呈現“煎蛋征”、“開環狀”、“C型”強化，強化持續時間在90天以內。在慢性期T1呈現低信號病灶，呈“黑洞”狀。

這是多發性硬化病灶在腦內的典型分布位置，側腦室旁、幕下以及胼胝體。

典型表現為u形纖維病灶、Dawson手指征以及卵圓形的病灶形態。

不同時期的病灶特點也不相同，在時間上呈現多相性。如果對病人進行臨床隨訪，可能會發現患者出現新發病灶，且病灶往往在一個以上，同時存在強化病灶與不強化病灶，也就是說既有急性期病灶也有慢性期病灶。

視神經脊髓炎也是中樞神經系統常見的炎性脫髓鞘疾病，發病率僅次于多發性硬化，在亞洲更加多見，尤其以女性多發，男女比例大約是1:4。該病主要累及視神經、脊髓、腦，血清特異性自身抗體為AQP4抗體陽性。85%-90%患者會復發，預后比多發性硬化更差。

視神經脊髓炎的診斷標準多年來經歷了數次演變，1894年首次提出NMO的概念；1999年出現第一個NMO診斷標準；2004年AQP4-lgG發現后，NMO被認為是不同于MS的獨立疾病；2007年提出了NMOSD（視神經脊髓炎譜系疾病）的新概念；2015年出現了最新的NMOSD診斷共識。

視神經脊髓炎譜系疾病可以根據AQP4抗體陰性與AQP4抗體陽性來進行診斷，磁共振評估是診斷中的重要環節。

NMOSD的腦內病灶并不少見，43%-70%的患者首次發病即可出現腦內病灶，主要包括圍繞腦室系統的室管膜周圍病灶、側腦室周圍及胼胝體病灶、皮質脊髓束病灶、半球白質病灶以及非特異性病灶。

這是NMOSD間腦和大腦損害的MRI改變，通常為丘腦及下丘腦損傷，廣泛的皮質下白質損害及強化；E是沿胼胝體長軸的線樣損害，F是沿大腦腳、橋腦皮質脊髓束縱向損害，以及急性室管膜周大腦白質損害及強化的改變。

此外我們還可以看到NMOSD延髓背側、極后區及腦干受損的磁共振表現，表現為延髓背側病灶、極后區病灶、四腦室周圍及橋腦腹側損害、中腦背側損害以及四腦室周圍損害。

NMOSD的特征性病灶為室管膜周圍病灶以及皮質脊髓束病灶。

這是NMO的側腦室周圍及胼胝體病灶，側腦室旁病變緊貼著側腦室壁，沿管膜內襯分布，常見于側腦室前后腳周圍，不常累及側腦室體周圍。當累及胼胝體全層時，病灶呈現“拱橋樣”改變，而胼胝體-透明隔交界處（CSI）的腦部病灶則更常見于MS。

半球白質病灶可表現為腫瘤樣脫髓鞘病變、多發性硬化樣病變以及急性播散性腦脊髓炎樣病變。

MS與NMOSD的鑒別診斷十分具有挑戰性，根據既往文獻的報道，大約30%的MS患者在疾病早期會被誤診為NMOSD。這兩種疾病的臨床癥候比較相似，實驗室檢查結果也有部分重疊，因此確診周期較長，大約12%的患者需要至少6年時間才能確診。對基層醫院的醫生與低年資醫生來說，這兩種疾病的診斷更具有挑戰性。

人工智能是不是能幫助我們來做一些工作呢？人工智能是利用計算機技術模擬人類的思維和學習過程，使之勝任人類智能才可完成的復雜工作。它的發展從1950年，計算機和人類智能的交互開始，再到1980年機器學習的算法改進，使我們能夠進行大數據處理，再到2010年深度學習中的智能神經網絡解碼更深層次的影像信息。

影像組學是在大數據和人工智能的背景下產生的精準影像分析技術，能挖掘肉眼無法識別的高維定量特征。運用高級數學模型算法轉化為具有高分辨率可重復、低冗余可挖掘的高維數據，對特征進行量化分析，從而深入探討圖像中包含的潛在信息。

這是具體的影像組學工作流程圖，從圖像采集與分割，到深度特征、語義特征、形態特征及紋理特征的提取，再到進行特征篩選與模型構建。特征篩選和建模均有很多方法可供選擇。

我們來看一下組學列線圖，它是建立在多因素回歸分析的基礎上，將多個預測指標進行整合，然后采用帶有刻度的線段，按照一定比例繪制在同一平面上，從而用來表達預測模型中各個變量之間的相互關系。

在腦脫髓鞘病MRI成像人工智能應用研究中，我們收集到150例患者，其中73例為多發性硬化，77例為視神經脊髓炎。我們以68例患者作為訓練集，62例作為驗證集，手動勾畫病灶，基于組學列線圖在T2WI圖像的病灶中提取了273個定量組學特征。

最終篩選出11個組學特征和4個臨床特征，可以看到訓練集AUC和測試集AUC是比較接近的。

另外一個課題對189例的患者進行了研究，其中95例是多發性硬化，94例是視神經脊髓炎，其中以135例患者作為訓練集，54例作為驗證集，手動勾畫病灶之后，同樣基于組學列線圖，在頸髓T2WI圖像顯示的病灶中提取了485定量組學特征。

最終篩選出9個組學特征與5個臨床特征納入模型，其鑒別效能較高。

人工智能輔助鑒別診斷同樣具有挑戰性，主要在于基于單一的臨床數據庫、基于單一序列、基于單一磁共振儀，組學列線圖仍缺乏可解釋性，且缺乏人工智能模型和臨床醫生判讀的對比。

宣武醫院收集了116例腦脫髓鞘病患者，其中78例為MS，38例為NMO，包含兩個數據集，既有1.5T又有3T。我們收集了T1-MPRAGE和T2WI兩個序列的影像數據，以及患者的殘疾程度評分、病程等臨床信息。

我們從T2病灶中提取了1118個定量的組學特征，基于多參數影像表征，構建了隨機森林分類模型，將篩選出的9個組學特征和4個臨床特征篩選出來納入模型。

并且對比了神經影像醫生閱片診斷和影像組學模型診斷的正確率。醫生的鑒別結果準確率為0.709，敏感性為0.615，特異性為0.750。機器學習模型鑒別結果的準確率、敏感性、特異性都有明顯提高，優于醫生肉眼鑒別的結果。

機器學習模型由高維的組學特征組成，所以其解釋性相對來說比較差，不容易理解。SHAP是目前比較流行的一種模型解釋方法，通過計算在合作中每個個體的貢獻來確定個體的重要程度。本模型具有可解釋性，對于case A，隨機森林模型判斷有89%可能性是MS，其中最主要的貢獻來自H-MPR-Log_95這個特征，我們可以把每一個特征的貢獻值計算出來。

拓撲就是把實體抽象成與其大小、形狀無關的“點”，而把連接實體的線路抽象成“線”，進而以圖的形式來表示這些點與線之間關系的方法，目的在于研究這些點、線之間的相連關系。拓撲結構圖就是表示點和線之間關系的圖，拓撲可以應用在分子結構、地理圖、DNA結構和繩結等。

我們也可以將拓撲在腦脫髓鞘疾病的診斷中進行應用。由于MS和NMO兩種疾病的發病機制不同，其腦內病灶的空間分布不同，形態、大小也不相同，所以這兩種疾病的腦內病灶的拓撲性質并不相同，我們希望能夠找到潛在的鑒別診斷突破點。

我們對97例脫髓鞘病例的T2WI數據進行了分析，其中66例MS，31例NMO。這部分數據的結果我們目前還沒有發表。具體通過軟件勾畫病灶，提取MS多發病灶的空間模式。整個DTA的框架是由三個模塊組成的，動態層次網絡構建、動態拓撲量化以及拓撲模式分析。

我們看到鑒別診斷的拓撲研究結果，與MS患者腦內病灶比較，NMO患者的病灶連接更加緊密，而且病灶的體積更大。拓撲研究具有很多優點，模型和結果可視化、病灶網絡連接可視化、病灶體積可視化。

和以往的鑒別診斷模型比較，拓撲模型具有更高的AUC，達到0.875，準確性和特異性也很高。

以前的文獻報道中，MS磁共振預測研究的準確率大約為58%~70%，其臨床表現和影像學的征象通常不匹配，磁共振的病灶缺乏特異性，T2WI和T1WI上病灶的病理特征也缺乏特異性。

所以我們是不是可以通過基于拓撲的人工智能模型來幫助預測預后。

通過磁共振縱向隨訪研究發現，慢性病灶具有融合的趨勢，而且臨床的殘疾程度會逐漸增加。所以我們提出假設隨著疾病的進展，病灶的拓撲性質發生改變；反之，病灶拓撲結構變化也具有潛在的預測作用。

這部分研究共收集了90例進展的MS和54例非進展MS，如果殘疾量表增高1.5分以上就定義為進展，小于1.5分定義為非進展，用T2WI數據進行訓練。通過對病灶進行勾畫提取多發病灶的空間模式。

結果顯示，和非進展的患者相比，進展的MS患者具有更密集的病灶連接，而且病灶的病變體積更大。同時也實現了模型及結果可視化、病灶3D可視化、病灶網絡連接可視化和病灶體積可視化。

和既往的研究報道相比，磁共振預測模型同樣顯示了更高的AUC，達到了0.752，準確性、特異性也較高。

總結一下：

多發性硬化、視神經脊髓炎是常見的腦脫髓鞘病，但是二者的鑒別診斷困難；而人工智能可以幫助挖掘影像圖像中肉眼無法識別的高維定量特征；基于拓撲的人工智能模型在預測腦脫髓鞘病預后中具有重要的價值，未來我們也希望在這方面進行更深入的探索。

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。