7月，首都醫(yī)科大學(xué)宣武醫(yī)院盧潔教授團隊與東南大學(xué)陳陽教授團隊合作，在人工智能醫(yī)學(xué)影像領(lǐng)域頂級期刊《IEEE Transactions on Medical Imaging》(5年影響因子為11.299分，中科院1區(qū)Top)上在線發(fā)表題為“Pathological Asymmetry-Guided Progressive Learning for Acute Ischemic Stroke Infarct Segmentation”的論文。東南大學(xué)博士研究生孫佳瑞與首都醫(yī)科大學(xué)宣武醫(yī)院放射與核醫(yī)學(xué)科碩士研究生李秋璇為本文共同第一作者，陳陽教授與盧潔教授為共同通訊作者。

《中國腦卒中防治報告(2023)》顯示，我國40歲及以上人群腦卒中現(xiàn)患人數(shù)已達1242萬，其中缺血性卒中患者約占80%。缺血性卒中還具有高復(fù)發(fā)率、高致殘率、高死亡率等特點，對國家與國民造成了沉重負擔(dān)。因此，缺血性卒中的早期篩查、精準診斷、療效評估與預(yù)后預(yù)測顯得尤為重要。人工智能通過學(xué)習(xí)影像數(shù)據(jù)、自動提取信息，能夠減少主觀因素帶來的偏倚和誤差，提供更為準確和客觀的患者狀態(tài)評估。近年來，人工智能在腦卒中影像診斷領(lǐng)域得到了快速發(fā)展，顯著提升了臨床診療水平。CT是急性缺血性卒中的首選影像學(xué)檢查，CT平掃和CT灌注均可用于評估缺血灶。CT平掃具有快速、無創(chuàng)的特點，傳統(tǒng)上常使用定性方法評估缺血程度。盡管CT灌注可以提供更詳細的信息，但由于其有創(chuàng)特性和閾值法可能高估缺血灶體積，目前仍存在爭議。因此，使用CT平掃進行無創(chuàng)、快速的缺血灶評估是最優(yōu)的診療方式。然而，CT平掃數(shù)據(jù)的精度較低，早期缺血灶的細微變化是目前人工智能模型構(gòu)建中的挑戰(zhàn)。

近年來，深度學(xué)習(xí)模型在急性缺血性卒中分割中展現(xiàn)出了巨大的潛力。這些模型大多利用人腦的對稱性，整合相關(guān)特征以彌補患側(cè)腦組織影像信息的缺失。然而，急性缺血性卒中患者腦組織對稱性會發(fā)生一定改變，這會潛在影響分割結(jié)果的準確性。該研究采用了公共數(shù)據(jù)集AISD和宣武醫(yī)院數(shù)據(jù)集中的平掃CT與DWI數(shù)據(jù)，通過智能學(xué)習(xí)影像診斷步驟，建立了基于病理不對稱引導(dǎo)的漸進學(xué)習(xí)模型(PAPL)。該模型在缺血腦組織的病理層面上全面而充分地捕捉信息，從而實現(xiàn)了對早期缺血灶的準確分割。

圖1：PAPL模型構(gòu)建思路圖。(a)早期急性缺血性卒中患者腦組織缺血區(qū)域改變不明顯;(b)目前現(xiàn)有人工智能方法的不足：常忽略了病理狀態(tài)下腦組織對稱性改變對分割效能的影響(c)在表征層面區(qū)分不對稱以達到準確分割

PAPL模型包含三個漸進式學(xué)習(xí)階段：知識儲備階段、正式學(xué)習(xí)階段和最終改進階段。在知識儲備階段，模型通過積累分割任務(wù)的影像特征，并構(gòu)建對比學(xué)習(xí)任務(wù)，提升對病理不對稱的辨別能力。在正式學(xué)習(xí)階段，模型利用學(xué)習(xí)到的影像特征，進行高效的端到端訓(xùn)練，其中設(shè)計的特征補償模塊利用影像數(shù)據(jù)中相鄰層的解剖相似性，幫助匯總豐富的解剖背景信息。最終改進階段對前一階段的缺血灶預(yù)測結(jié)果進行改進，提出了感知改進策略，通過雙邊差異比較和自適應(yīng)區(qū)域收縮來糾正錯誤的梗死區(qū)域分割。

圖2：PAPL模型的三個漸進式學(xué)習(xí)階段。(1)知識儲備階段;(2)正式學(xué)習(xí)階段;(3)最終改進階段

PAPL模型與U-Net、U-Net++、TransU-Net、ISP-Net、X-Net、CLCI-Net等模型進一步比較，結(jié)果顯示PAPL模型效能明顯優(yōu)于這些模型。AISD數(shù)據(jù)集的戴斯相似系數(shù)、Jaccard相似系數(shù)、平均對稱表面距離、精確度、敏感度分別為0.5468、0.4080、4.7404、0.6985、0.5154。宣武醫(yī)院數(shù)據(jù)集的戴斯相似系數(shù)、Jaccard相似系數(shù)、平均對稱表面距離、精確度、敏感度分別為0.4899、0.3541、4.6173、0.6204、0.4923。在分割體積小于70ml的缺血灶時，PAPL模型相較于U-Net、CENet、U-Net++ 、TransU-Net模型表現(xiàn)良好，戴斯相似系數(shù)、Jaccard相似系數(shù)、平均對稱表面距離、精確度分別為0.5081、0.3700、5.4625、0.6819。PAPL模型能夠在缺血腦組織的病理層面上全面、充分捕捉信息，最終達到早期缺血灶的準確分割。

圖3：AISD數(shù)據(jù)集中可視化比較多模型間的分割效能。PAPL模型對缺血區(qū)域的勾勒最為精準

表1：PAPL模型在AISD和宣武醫(yī)院數(shù)據(jù)集中與其他模型的性能比較

PAPL模型通過漸進式學(xué)習(xí)模式，克服了以往卷積神經(jīng)網(wǎng)絡(luò)的潛在局限，能夠?qū)崿F(xiàn)對缺血灶的精確、敏感和定量評估，從而進一步提升臨床診療的效果。