近日，2022年医学人工智能大会（CMAI 2022）暨第二届“中国医学学术期刊发展”高端论坛召开。
本次高峰论坛邀请了多位顶尖医院的放射科主任及人工智能技术的权威专家，共同探讨人工智能技术在医学影像中的临床应用与科研进展，分享研究心得。
(资料图)
雷峰网(公众号：雷峰网)《医健AI掘金志》作为本次大会的支持单位，全程参与嘉宾的演讲内容与深度报道。
首都医科大学宣武医院副院长卢洁教授作为本次大会的嘉宾，以《脑脱髓鞘病MRI成像的人工智能应用研究》为题发表了演讲。
以下是卢洁教授的演讲内容，雷峰网《医健AI掘金志》进行了不改变原意的整理。
大家好，今天向大家汇报的主题是脑脱髓鞘病磁共振成像的人工智能应用。
脑脱髓鞘病是以神经髓鞘脱失为主要或始发病变，随后出现轴索、胞体和神经胶质受损的神经免疫疾病，主要包括多发性硬化（MS）和视神经脊髓炎（NMO）。
全球约有280万多发性硬化患者，中国约有4.2万例，这也是中青年人群致残的神经系统常见疾病。
其病理性的特征改变是脑白质多发性脱髓鞘斑块伴反应性胶质增生和轴索损伤。疾病早期主要表现为髓鞘崩解与脱失和小胶质细胞激活，轴索相对完好。病变晚期则表现为轴突崩解、神经细胞减少并形成神经胶质的硬化斑。
这是2017版的多发性硬化诊断标准，可以看到在诊断中我们既需要客观的临床证据，也需要一些额外的证据。其中，磁共振成像是协助多发性硬化诊断的最重要的评估方法。
临床中应用的常规磁共振成像可以为多发性硬化提供多维度的信息，包括病灶数量、位置、体积，以及强化的特点和病灶进程。而且，常规磁共振诊断多发性硬化的灵敏度较高，可达到约95%。
多发性硬化病灶的常见位置为侧脑室周围、皮层下、u型纤维、脑干和小脑，形态呈椭圆形或手指状。急性期病灶有膨胀感，呈现“煎蛋征”、“开环状”、“C型”强化，强化持续时间在90天以内。在慢性期T1呈现低信号病灶，呈“黑洞”状。
这是多发性硬化病灶在脑内的典型分布位置，侧脑室旁、幕下以及胼胝体。
典型表现为u形纤维病灶、Dawson手指征以及卵圆形的病灶形态。
不同时期的病灶特点也不相同，在时间上呈现多相性。如果对病人进行临床随访，可能会发现患者出现新发病灶，且病灶往往在一个以上，同时存在强化病灶与不强化病灶，也就是说既有急性期病灶也有慢性期病灶。
视神经脊髓炎也是中枢神经系统常见的炎性脱髓鞘疾病，发病率仅次于多发性硬化，在亚洲更加多见，尤其以女性多发，男女比例大约是1:4。该病主要累及视神经、脊髓、脑，血清特异性自身抗体为AQP4抗体阳性。85%-90%患者会复发，预后比多发性硬化更差。
视神经脊髓炎的诊断标准多年来经历了数次演变，1894年首次提出NMO的概念；1999年出现第一个NMO诊断标准；2004年AQP4-lgG发现后，NMO被认为是不同于MS的独立疾病；2007年提出了NMOSD（视神经脊髓炎谱系疾病）的新概念；2015年出现了最新的NMOSD诊断共识。
视神经脊髓炎谱系疾病可以根据AQP4抗体阴性与AQP4抗体阳性来进行诊断，磁共振评估是诊断中的重要环节。
NMOSD的脑内病灶并不少见，43%-70%的患者首次发病即可出现脑内病灶，主要包括围绕脑室系统的室管膜周围病灶、侧脑室周围及胼胝体病灶、皮质脊髓束病灶、半球白质病灶以及非特异性病灶。
这是NMOSD间脑和大脑损害的MRI改变，通常为丘脑及下丘脑损伤，广泛的皮质下白质损害及强化；E是沿胼胝体长轴的线样损害，F是沿大脑脚、桥脑皮质脊髓束纵向损害，以及急性室管膜周大脑白质损害及强化的改变。
此外我们还可以看到NMOSD延髓背侧、极后区及脑干受损的磁共振表现，表现为延髓背侧病灶、极后区病灶、四脑室周围及桥脑腹侧损害、中脑背侧损害以及四脑室周围损害。
NMOSD的特征性病灶为室管膜周围病灶以及皮质脊髓束病灶。
这是NMO的侧脑室周围及胼胝体病灶，侧脑室旁病变紧贴着侧脑室壁，沿管膜内衬分布，常见于侧脑室前后脚周围，不常累及侧脑室体周围。当累及胼胝体全层时，病灶呈现“拱桥样”改变，而胼胝体-透明隔交界处（CSI）的脑部病灶则更常见于MS。
半球白质病灶可表现为肿瘤样脱髓鞘病变、多发性硬化样病变以及急性播散性脑脊髓炎样病变。
MS与NMOSD的鉴别诊断十分具有挑战性，根据既往文献的报道，大约30%的MS患者在疾病早期会被误诊为NMOSD。这两种疾病的临床症候比较相似，实验室检查结果也有部分重叠，因此确诊周期较长，大约12%的患者需要至少6年时间才能确诊。对基层医院的医生与低年资医生来说，这两种疾病的诊断更具有挑战性。
人工智能是不是能帮助我们来做一些工作呢？人工智能是利用计算机技术模拟人类的思维和学习过程，使之胜任人类智能才可完成的复杂工作。它的发展从1950年，计算机和人类智能的交互开始，再到1980年机器学习的算法改进，使我们能够进行大数据处理，再到2010年深度学习中的智能神经网络解码更深层次的影像信息。
影像组学是在大数据和人工智能的背景下产生的精准影像分析技术，能挖掘肉眼无法识别的高维定量特征。运用高级数学模型算法转化为具有高分辨率可重复、低冗余可挖掘的高维数据，对特征进行量化分析，从而深入探讨图像中包含的潜在信息。
这是具体的影像组学工作流程图，从图像采集与分割，到深度特征、语义特征、形态特征及纹理特征的提取，再到进行特征筛选与模型构建。特征筛选和建模均有很多方法可供选择。
我们来看一下组学列线图，它是建立在多因素回归分析的基础上，将多个预测指标进行整合，然后采用带有刻度的线段，按照一定比例绘制在同一平面上，从而用来表达预测模型中各个变量之间的相互关系。
在脑脱髓鞘病MRI成像人工智能应用研究中，我们收集到150例患者，其中73例为多发性硬化，77例为视神经脊髓炎。我们以68例患者作为训练集，62例作为验证集，手动勾画病灶，基于组学列线图在T2WI图像的病灶中提取了273个定量组学特征。
最终筛选出11个组学特征和4个临床特征，可以看到训练集AUC和测试集AUC是比较接近的。
另外一个课题对189例的患者进行了研究，其中95例是多发性硬化，94例是视神经脊髓炎，其中以135例患者作为训练集，54例作为验证集，手动勾画病灶之后，同样基于组学列线图，在颈髓T2WI图像显示的病灶中提取了485定量组学特征。
最终筛选出9个组学特征与5个临床特征纳入模型，其鉴别效能较高。
人工智能辅助鉴别诊断同样具有挑战性，主要在于基于单一的临床数据库、基于单一序列、基于单一磁共振仪，组学列线图仍缺乏可解释性，且缺乏人工智能模型和临床医生判读的对比。
宣武医院收集了116例脑脱髓鞘病患者，其中78例为MS，38例为NMO，包含两个数据集，既有1.5T又有3T。我们收集了T1-MPRAGE和T2WI两个序列的影像数据，以及患者的残疾程度评分、病程等临床信息。
我们从T2病灶中提取了1118个定量的组学特征，基于多参数影像表征，构建了随机森林分类模型，将筛选出的9个组学特征和4个临床特征筛选出来纳入模型。
并且对比了神经影像医生阅片诊断和影像组学模型诊断的正确率。医生的鉴别结果准确率为0.709，敏感性为0.615，特异性为0.750。机器学习模型鉴别结果的准确率、敏感性、特异性都有明显提高，优于医生肉眼鉴别的结果。
机器学习模型由高维的组学特征组成，所以其解释性相对来说比较差，不容易理解。SHAP是目前比较流行的一种模型解释方法，通过计算在合作中每个个体的贡献来确定个体的重要程度。本模型具有可解释性，对于case A，随机森林模型判断有89%可能性是MS，其中最主要的贡献来自H-MPR-Log_95这个特征，我们可以把每一个特征的贡献值计算出来。
拓扑就是把实体抽象成与其大小、形状无关的“点”，而把连接实体的线路抽象成“线”，进而以图的形式来表示这些点与线之间关系的方法，目的在于研究这些点、线之间的相连关系。拓扑结构图就是表示点和线之间关系的图，拓扑可以应用在分子结构、地理图、DNA结构和绳结等。
我们也可以将拓扑在脑脱髓鞘疾病的诊断中进行应用。由于MS和NMO两种疾病的发病机制不同，其脑内病灶的空间分布不同，形态、大小也不相同，所以这两种疾病的脑内病灶的拓扑性质并不相同，我们希望能够找到潜在的鉴别诊断突破点。
我们对97例脱髓鞘病例的T2WI数据进行了分析，其中66例MS，31例NMO。这部分数据的结果我们目前还没有发表。具体通过软件勾画病灶，提取MS多发病灶的空间模式。整个DTA的框架是由三个模块组成的，动态层次网络构建、动态拓扑量化以及拓扑模式分析。
我们看到鉴别诊断的拓扑研究结果，与MS患者脑内病灶比较，NMO患者的病灶连接更加紧密，而且病灶的体积更大。拓扑研究具有很多优点，模型和结果可视化、病灶网络连接可视化、病灶体积可视化。
和以往的鉴别诊断模型比较，拓扑模型具有更高的AUC，达到0.875，准确性和特异性也很高。
以前的文献报道中，MS磁共振预测研究的准确率大约为58%~70%，其临床表现和影像学的征象通常不匹配，磁共振的病灶缺乏特异性，T2WI和T1WI上病灶的病理特征也缺乏特异性。
所以我们是不是可以通过基于拓扑的人工智能模型来帮助预测预后。
通过磁共振纵向随访研究发现，慢性病灶具有融合的趋势，而且临床的残疾程度会逐渐增加。所以我们提出假设随着疾病的进展，病灶的拓扑性质发生改变；反之，病灶拓扑结构变化也具有潜在的预测作用。
这部分研究共收集了90例进展的MS和54例非进展MS，如果残疾量表增高1.5分以上就定义为进展，小于1.5分定义为非进展，用T2WI数据进行训练。通过对病灶进行勾画提取多发病灶的空间模式。
结果显示，和非进展的患者相比，进展的MS患者具有更密集的病灶连接，而且病灶的病变体积更大。同时也实现了模型及结果可视化、病灶3D可视化、病灶网络连接可视化和病灶体积可视化。
和既往的研究报道相比，磁共振预测模型同样显示了更高的AUC，达到了0.752，准确性、特异性也较高。
总结一下：
多发性硬化、视神经脊髓炎是常见的脑脱髓鞘病，但是二者的鉴别诊断困难；而人工智能可以帮助挖掘影像图像中肉眼无法识别的高维定量特征；基于拓扑的人工智能模型在预测脑脱髓鞘病预后中具有重要的价值，未来我们也希望在这方面进行更深入的探索。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
关键词： 首都医科大学宣武医院 cmai2022 最新消息 科技资讯挖掘
营业执照公示信息