人工智能是「脑卒中诊疗」的新未来，那医生是否要淘汰了？|163

脑血管病第二课：人工智能开启脑卒中科技诊疗的新未来。

唐洲平教授为华中科技大学同济医学院附属同济医院光谷院区副院长，国家卫健委脑防委出血性卒中神经内科专委会副主任委员。唐教授已经在医学界神经频道开设脑血管病专栏，若你对脑血管病感兴趣、想学到更多脑血管病知识，请来到唐教授的专栏，相信会让你满载而归。

中风是中国成人死亡和残疾的首要死因，中国每年约有250万人新发脑卒中患者，160万患者死于卒中，给经济、社会和家庭带来沉重负担[1] ，而且在过去的三十年，脑卒中的负担还在不断增长。因此，寻求有效的卒中防治策略具有重大意义。

近年来，人工智能技术的发展给健康卫生领域带来了新希望，随着临床数据的累积和增长，临床医生与信息科学之间的合作产生很多积极的成果，人工智能在皮肤、肿瘤等领域取得成功，在脑卒中领域也开展了许多研究。

一

人工智能在脑卒中诊疗中的应用

人工智能在医疗领域的应用中最先获得突破且进展较快的应该是影像学，2018年《Radiology》杂志编辑的一篇评论指出，人工智能在影像学在近几年取得巨大发展：近三年快速增长，现在人工智能主题的出版物占了杂志的约10％[2]。

而在脑卒中领域里，人工智能通过分析影像学数据也可以在诊疗的各个环节中提供辅助。Feng等人[4]，Jiang等人[5]和Vieira等人[6]的综述中总结了很多研究，包括早期发现和诊断、结局预测和预后评估、辅助治疗及康复等方面。

本篇文章在之前的总结及最新的研究的基础上，分四个小节，将介绍下近几年人工智能在脑卒中诊疗环节中的应用及进展。

诊断

在利用机器深入学习脑卒中影像学的自动分割病灶方面，已经有不少工具和研究，影像图片的自动分割算法也是人工智能的研究热点之一。

2015年有一场缺血性卒中病变分割算法比赛（ISLES）[7]，共有14个团队参与了亚急性卒中病变分割（Sub-Acute Stroke Lesion Segmentation, SISS），值得关注的是第一名的3D-卷积神经网络模型[8]，在多模式脑MRI中首次提出了一种基于11层深度，多尺度，3D-卷积神经网络的全自动分割病灶方法，其模型在比赛中正确地分割了36个测试MRI中的34个病变体积。

除此之外，Pustina等人[9]采用邻域数据分析病变识别（Lesion Identification with Neighborhood Data Analysis, LINDA）和Chen等人[12]采用的两层卷积神经网络进行病灶自动分割等与手动分割差别都不大。

Scherer等人[10]用随机森林法训练的一个图像自动分割模型也可以准确的分割脑出血CT的血肿体积。

同样，Prevedello等人[11]运用深度学习技术开发了一种人工智能算法可以用来识别CT的脑出血、质量效应、脑积水(hemorrhage, mass effect, or hydrocephalus,HMH)等，准确性很高（敏感性：90%，特异性：85%，受试者特征曲线下面积为0.91）。

Chen等人[12]开发了一种基于机器学习的算法甚至可以自动分割中风患者连续CT中的脑脊液并量化，从而预测脑水肿的进展。人工智能与医学影像学的结合为影像图片提供了更加准确、快速、高质量的解读。

脑卒中发病率高、致残率高，而且干预窗口时间紧，在初次就诊时医生及时准确的诊断脑卒中显得尤其重要。Abedi等人[13]的研究通过开发一种人工神经网络模型，分析卒中样症状出现4.5小时内的患者的临床表现、病史、影像学等数据信息，快速鉴别诊断急性脑缺血（acute cerebral ischemia, ACI）和其他与中风相似疾病。

该研究一共纳入了260名患者，进行了10轮的模型学习和模型测试，结果很乐观，ANN诊断ACI的敏感性和特异性分别为80.0％和86.2％，精确度的中位值为92％。尽管其不能区分前循环缺血或后循环缺血等亚型，但仍可以看到人工神经网络应用在辅助诊断缺血性脑卒中上的潜力。

更多关于诊断方面的研究总结在表1中。

年份

研究对象

研究内容

数据来源

结果

2017

卒中样症状发作4.5h内

诊断急性缺血性卒中

临床资料

敏感性：80.0%；

特异性：86.2％

2017

急性缺血性卒中

分类中风时间

（＜4.5或者≥4.5h）

MRI

与现有临床方法相比有改善

2017

亚急性缺血性卒中

病灶自动分割

MRI

14组参赛者中最佳

2017

急性缺血性卒中

病灶自动分割

DWI

与手动分割一致

2017

出血性卒中

检测脑出血等

敏感性：90%；

特异性：85%

2017

轻度上肢无力的脑卒中患者

量化上肢无力

旋前肌漂移试验

量化远端肢体功能

2016

慢性缺血性卒中（＞6个月）

病灶自动分割

MRI

与手动分割一致

2016

慢性缺血性卒中

病灶自动分割

MRI

与手动分割一致

2016

出血性卒中

病灶自动分割

与手动分割一致

2016

急性缺血性卒中

自动分割脑脊液

比传统方法好

2016

Huntington's病患者+中风患者

不同病理步态分类

步态

90.5％的正确率

2015

早期缺血性卒中

病理步态识别分类

步态

警报非正常活动

2015

亚急性缺血性卒中（症状＜8天）

手部运动障碍内表型分类

fMRI

准确率为82.6-87.6％

2014

急性缺血性卒中（<24小时）

大脑中动脉点征自动标记

灵敏度97.5％

表1：人工智能技术在脑卒中诊断中的应用

预测及辅助决策

最近《Stroke》上发表了一篇通过深度学习建模预测脑卒中患者最终梗死面积的研究，共纳入222名患者，其中187名接受了rtPA的治疗，Nielsen等人[14]通过开发并训练深度卷积神经网络，结果发现深度卷积神经网络相比较浅度卷积神经网络预测准确，并且能区分是否接受rtPA治疗导致的最终梗塞面积差异。

人工智能也在和大数据结合起来，能够在预测生存率或死亡率等结局指标上提高预测准确性。

Chen等人在第39届IEEE医学与生物学会工程国际会议（EMBC）上报告其利用大约800,000名患者的大型人群电子病历数据库，将深度神经网络与其他三种机器学习方法进行比较，以预测5年中风发生率，结果显示深度神经网络的预测精确度高，需要的患者数据相比较少。

在今年的2月13日，美国食品和药物管理局（FDA）批准销售Viz.AI Contact软件，该软件是通过CT判断患者可能中风的一种临床决策支持软件，该软件通过分析CT图像，在发现大血管阻塞时，会向神经科医生发送短信。

根据FDA报道，该软件应用于一个包含300份CT图像的回顾性临床研究，由2名专业神经放射科医生检测实际大脑血管阻塞情况，评估了Viz.AI Contact应用程序的图像分析算法和通知功能的性能，以证明该应用可以在怀疑血管有堵塞的情况下更早通知神经科医生，从而避免更多的脑组织损伤[2]。

另一方面，预后的评估也可以通过人工智能实现，磁共振的功能像和结构像的研究结果也被用作机器学习的输入特征，以预测卒中后的功能预后，如运动功能障碍[15]和多个行为领域的损伤[16]。

机器学习在脑卒中领域的预测方面已经有一些小范围的应用及研究（表2），接下来应当在大范围内验证这些模型并改善，在未来可以设计在线系统并支持输入临床资料得到预测结局，在人工智能辅助医疗道路上走的更远。

年份

研究对象

研究内容

数据来源

结果

2018

急性缺血性卒中

预测最终梗塞面积

MRI

能区分不同结果

（P = 0.048）。

2017

中风患者

预测5年中风发生率

临床资料

DNN精确度高

2016

动静脉畸形

血管内治疗后长期死亡率

临床资料

预测结果的准确率为97.5％

2016

亚急性缺血性卒中（2周内）

多个行为领域的损害

MRI，fMRI

启用预后预测

2016

慢性缺血性卒中（≥3个月）

预测运动损伤

MRI，fMRI

启用预后预测

2015

大脑后动脉梗死

预测视野缺损的改善情况

临床资料

改进了预后预测

2014

急性缺血性脑卒中

分前循环/后循环

接受血管内治疗后预后

临床资料

准确率70%

2013

急性缺血性卒中（＜48h）

预测3个月后结局

临床资料

平均精确率90%

2010

自发性脑出血（SICH）

预测30天死亡率

临床资料

准确率为78.5％。灵敏度为79.0％

表2：人工智能技术在脑卒中预测中的应用

辅助治疗

在脑卒中的治疗方面，目前人工智能的方向主要是辅助决策和监督患者提高依从性方面，还有待于进一步的发展。

Labovitz等人[17]在2017年发表了一篇研究，评估了在移动设备上使用人工智能平台能否帮助中风患者提高抗凝药物治疗的依从性。

智能软件算法可以通过摄像头识别患者，确认服药剂量，提供药物服药提醒和用药说明。如果未服药或者服药剂量错误，系统会发短信或邮件给医生。结果也很乐观，使用此移动设备上的人工智能平台的患者药物依从性比未使用的患者显著提高，而且研究前后的调查问卷显示患者使用体验感很好，包括一些不常使用新技术的老年人群。

本项研究作为首个应用人工智能软应用程序在患者药物依从性方面的研究取得了成功，显示出人工智能在辅助医生进行患者治疗管理中的巨大潜力。

在治疗决策方面，Bentley等人[18]利用SVM开发的一种分析CT图像的模型，可以帮助我们预测缺血性脑卒中患者进行溶栓治疗（tPA）后是否会发生脑出血，从而对于患者溶栓治疗的选择起到辅助决策的作用。

辅助康复

脑血管疾病仍是全球致残的首要原因，康复治疗基于运动训练促进神经网络可塑性的机制，旨在促进肢体的功能恢复，提高中风后患者的生活质量[19]。

近些年，随着智能可穿戴设备、人工智能、虚拟现实技术等新的方法的发展，结合已经运用到康复治疗中的功能康复与辅助机器人，会给康复领域带来更多的希望。在这里主要介绍康复与深度学习相关的最新进展。

上肢麻痹是中风后最常见的损伤，大约有75%的中风患者都受到影响，难以控制精细运动，给他们日常活动（activities of daily living, ADL）增加不便[20]。腕带式运动传感器已经应用在家庭环境的康复训练中，然而目前该设备无法区分目标导向运动和非目标导向运动，相对于合适的锻炼质量现有系统更多是记录锻炼的数量和强度。

最近，Lee等人[21]提出一种辅助中风后功能康复的系统，该设备可以帮助患者检测目标导向的上肢运动并及时反馈，同时也能评估运动过程中的运动质量。值得一提的是其区分是否是目标导向运动的准确率达到87%，在评估运动是否正确的准确率达到84.3%，不过该系统还需要在更大的样本上得到验证，以及检测更多的锻炼类型，才能真正运用在临床上。

同样结合机器学习和可穿戴设备的还有Yang等人[22]的研究，通过机器学习算法识别手势并在五指机械手上反映出来，帮助患者实时反馈肌肉活动。

O'Brien等人[23]开发的随机森林模型，可以在智能手机收集的运动数据的基础上识别出健康人步态与卒中患者受损步态。

总之，人工智能与康复领域的结合有很多地方可以挖掘，但是目前这些新技术的效果和长期可行性还有待验证，让我们期待人工智能在康复领域大放异彩。

二

人工智能可以完全代替医生吗？

由于卒中的诊断主要是通过影像确诊，使用人工智能对大量的影像数据进行收集、处理和比对分析，具有快速准确、费用低廉、易于推广、可远程协助诊断等优点。

但是目前也存在一些困难：

首先由于各家医院的资料的保密性及隐私性，需要大量数据训练的人工智能在数据来源方面会存在一些困难；
其次要确保诊断的准确性，必须保证有大量明确诊断的影像数据，将病历数据实现导出及后续整理工作也将比较浩大。

未来需要大范围的研究以及进一步对多种影像图片的识别和信息综合，做出更准确的预测用来指导临床工作。

同样，在临床决策方面，目前只能解决较单一的问题，并不能对于复杂的情况做出有效的判断，但是实际工作中患者的情况可能是结合了多种疾病呈现出的较为复杂的情况，需要多种角度全面考虑。

因此，决策辅助系统如何能尽量贴近真实世界模拟决策是十分关键的问题，需要诊疗水平高的大医院与软件开发公司共同协作才能完成，并且能根据目前研究进展而随时更新。需要继续发展专家系统及深度学习，实现理想化的智能辅助诊疗软件。

如果这些困难克服之后，人工智能的诊疗水平已经可以模拟真实世界决策，那人工智能可以完全代替医生吗？

当然不能，人工智能仍不能完全代替医生，很多时候医生需要安抚患者的情绪并给予关怀，医风医德才是保持良好医患关系的纽带。

三

康复领域在人工智能前景大

在康复领域，人工智能其实有着非常广阔的前景，不只是中风后活动不便的患者，还包括各种原因导致的肢体功能障碍，而且很多本身就和机器结合的康复训练使得人工智能的搭载更加方便。

但是，精准的诊断与训练模式非常重要，而且针对中风后患者肢体不同部位及瘫痪不同程度的康复训练都是不同的，要实现人工智能检测和训练的个体化需要各学科共同参与，针对不同的运动障碍进行有效训练提高神经功能。

写在最后：当前的人工智能技术在脑卒中领域的应用还尚未成熟，仍有大量工作需要研究，但是通过这些新技术展现出了强大的学习能力和泛化能力，未来仍可以期待这些技术的进一步发展与应用，达到我们理想的与人类智能相媲美的人工智能。

可以预见，成熟的诊疗决策人工智能一旦实现，将为患者提供极大便利，获得更加廉价优质的医疗服务，也可明显改善基层医院医疗水平，实现区域医疗同质化。

国家在2017年12月发布了人工智能的三年发展计划（2018年-2020年）提出我国人工智能产业的行动目标，期待人工智能各种技术的突破及应用为医疗健康领域注入新的科技力量，带领我们走进智能医疗新时代。

上滑下方文字

简单了解什么是人工智能？

▼

人工智能产生于20世纪五十年代，是计算机科学的一个重要分支，由J.McCarthy在1955年提出。计算科学之父Alan Turing将人工智能系统定义为“可以像人类一样聪明地运作”的机器。

人工智能是一门综合性高技术学科，这几年它迎来了高速发展，目前机器学习和自然语言处理（natural language processing, NLP）在开发算法和计算系统方面取得了很大进展，将可以支持从电子健康记录（electronic health record, HER）中进行智能数据检索和整合，这些技术在医疗卫生领域有着不可忽视的巨大前景。

计算科学领域有很多不同的分支，而AI包含广泛的学习及推理的符号和统计方法，与很多分支也互相有重叠。Miller等人的文章中给我们展示的图（图1），清晰的显示了人工智能领域的范围。

机器学习是实现人工智能的一个重要分支，机器学习的目的是使用计算机模拟人类的学习活动。它能使用算法识别并分析数据，从中学习做出推断及预测。常用算法包括决策树算法、随机森林算法（Random forest, RF）、人工神经网络、支持向量机法（Support Vector Machine, SVM）和贝叶斯（Bayes）学习算法等。

这些学习算法是由人工标记过程来训练数据集，可以加快数据的分类或回归过程，然而通常花费较长时间。人工神经网络是机器学习的一个重要算法，它的灵感源自生物神经网络，由输入层，隐藏层和输出层组成，输入层负责接收数据/信号，隐藏层负责对数据的分解与处理，最后的结果（值/类）被整合到输出层。

人工神经网络在处理各种数据类型方面很灵活，曾一度成为机器学习领域非常热门的方向，然而，传统的人工神经网络容易受到数据过拟合的影响，且参数训练速度慢，相比较生物神经网络而言，还是属于浅层人工神经网络。

2006年《科学》杂志发表了Hinton和他的学生Salakhutdinov提出了多隐层的深度神经网络的概念，此后，深度学习领域开始迅速发展。深度学习用多隐层，模拟大脑的分层结构，通过对信息一层一层进行由低级到高级的特征提取，最终建立起从低级特征到高级语义的复杂映射关系。

深度学习作为机器学习的一个分支，也分为监督学习和无监督学习。在语音识别和图像识别领域，深度学习是应用最广的人工智能技术。

注：唐教授本篇文章已经发表在《脑出血》杂志。

参考文献

[1] Wu X, Zhu B, Fu L, et al. Prevalence, incidence, and mortality of stroke in the chinese island populations: a systematic review[J]. PLoS One, 2013,8(11):e78629. [2] Bluemke D A. Radiology in 2018: Are You Working with AI or Being Replaced by AI?[J]. Radiology, 2018,287(2):365-366. [3] Shen W, Zhou M, Yang F, et al. Multi-scale Convolutional Neural Networks for Lung Nodule Classification[J]. Inf Process Med Imaging, 2015,24:588-599. [4] Feng R, Badgeley M, Mocco J, et al. Deep learning guided stroke management: a review of clinical applications[J]. J Neurointerv Surg, 2018,10(4):358-362. [5] Jiang F, Jiang Y, Zhi H, et al. Artificial intelligence in healthcare: past, present and future[J]. Stroke Vasc Neurol, 2017,2(4):230-243. [6] Vieira S, Pinaya W H, Mechelli A. Using deep learning to investigate the neuroimaging correlates of psychiatric and neurological disorders: Methods and applications[J]. Neurosci Biobehav Rev, 2017,74(Pt A):58-75. [7] Maier O, Menze B H, von der Gablentz J, et al. ISLES 2015 - A public evaluation benchmark for ischemic stroke lesion segmentation from multispectral MRI[J]. Med Image Anal, 2017,35:250-269. [8] Kamnitsas K, Ledig C, Newcombe V, et al. Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation[J]. Med Image Anal, 2017,36:61-78. [9] Pustina D, Coslett H B, Turkeltaub P E, et al. Automated segmentation of chronic stroke lesions using LINDA: Lesion identification with neighborhood data analysis[J]. Hum Brain Mapp, 2016,37(4):1405-1421. [10] Scherer M, Cordes J, Younsi A, et al. Development and Validation of an Automatic Segmentation Algorithm for Quantification of Intracerebral Hemorrhage[J]. Stroke, 2016,47(11):2776-278. [11]Prevedello L M, Erdal B S, Ryu J L, et al. Automated Critical Test Findings Identification and Online Notification System Using Artificial Intelligence in Imaging[J]. Radiology, 2017,285(3):923-931. [12] Chen L, Bentley P, Rueckert D. Fully automatic acute ischemic lesion segmentation in DWI using convolutional neural networks[J]. Neuroimage Clin, 2017,15:633-643. [13] Abedi V, Goyal N, Tsivgoulis G, et al. Novel Screening Tool for Stroke Using Artificial Neural Network[J]. Stroke, 2017,48(6):1678-1681. [14] Chen Y, Dhar R, Heitsch L, et al. Automated quantification of cerebral edema following hemispheric infarction: Application of a machine-learning algorithm to evaluate CSF shifts on serial head CTs[J]. Neuroimage Clin, 2016,12:673-680. [16] Nielsen A, Hansen M B, Tietze A, et al. Prediction of Tissue Outcome and Assessment of Treatment Effect in Acute Ischemic Stroke Using Deep Learning[J]. Stroke, 2018,49(6):1394-1401. [17] Labovitz D L, Shafner L, Reyes G M, et al. Using Artificial Intelligence to Reduce the Risk of Nonadherence in Patients on Anticoagulation Therapy[J]. Stroke, 2017,48(5):1416-1419. [18] Bentley P, Ganesalingam J, Carlton J A, et al. Prediction of stroke thrombolysis outcome using CT brain machine learning[J]. Neuroimage Clin, 2014,4:635-640. [19] Mazzoleni S, Duret C, Grosmaire A G, et al. Combining Upper Limb Robotic Rehabilitation with Other Therapeutic Approaches after Stroke: Current Status, Rationale, and Challenges[J]. Biomed Res Int, 2017,2017:8905637. [20] Veerbeek J M, Kwakkel G, van Wegen E E, et al. Early prediction of outcome of activities of daily living after stroke: a systematic review[J]. Stroke, 2011,42(5):1482-1488. [21] Leuenberger K, Gonzenbach R, Wachter S, et al. A method to qualitatively assess arm use in stroke survivors in the home environment[J]. 2017. [22] Lee S I, Adans-Dester C P, Grimaldi M, et al. Enabling Stroke Rehabilitation in Home and Community Settings: A Wearable Sensor-Based Approach for Upper-Limb Motor Training[J]. IEEE J Transl Eng Health Med, 2018,6:2100411. [23] Yang G, Deng J, Pang G, et al. An IoT-Enabled Stroke Rehabilitation System Based on Smart Wearable Armband and Machine Learning[J]. IEEE J Transl Eng Health Med, 2018,6:2100510. [24] O'Brien M K, Shawen N, Mummidisetty C K, et al. Activity Recognition for Persons With Stroke Using Mobile Phone Technology: Toward Improved Performance in a Home Setting[J]. J Med Internet Res, 2017,19(5):e184.

专家简介

唐洲平教授

教授，主任医师，博士生导师。华中科技大学国际医学中心副指挥长、华中科技大学同济医学院附属同济医院光谷院区副院长、华中科技大学同济医学院附属同济医院神经科教研室副主任
学术任职：国家卫健委脑防委出血性卒中神经内科专委会副主任委员、中国医师协会神经修复专委会副主任委员、中国医师协会急诊分会神经急诊专委会副主任委员、中国卒中学会脑血管病高危人群管理分会副主任委员、武汉医学会神经内科分会副主任委员。学术贡献：主持国自然面上项目、湖北省卫生厅基金共 14 项，其中脑出血微创治疗相关 5 项；发表相关科研论文 200 余篇，被引频次近 1800 次，其中在NEUROLOGY、 MOL NEUROBIOL 等国际权威期刊发表SCI论文 50 篇，总影响因子达120；创办《脑出血》杂志并任主编，任《 Brain Hemorrhages》执行主编；作为负责人或成员先后获教育部科技进步二等奖、贵州医学科技一等奖、上海市科技三等奖、同济医院新技术新业务奖项 3次；项目 “脑出血精准微创治疗体系的创立与推广应用”获得2 019 年湖北省科技进步一等奖（排名第一）。