近日，《Nature 》子刊《Nature Communication》在線刊發(fā)了題為《Rapid vessel segmentation and reconstruction of head and neck CTA using 3D convolutional neural network》的科研論文（IF＝12．121）。該論文由首都醫(yī)科大學宣武醫(yī)院盧潔教授團隊與數(shù)坤（北京）網(wǎng)絡(luò)科技有限公司共同研究發(fā)布。論文第一作者為傅璠博士、通訊作者為盧潔教授。

該研究首次利用3D卷積神經(jīng)網(wǎng)絡(luò)設(shè)計了一個可實現(xiàn)頭頸CTA血管分割的后處理系統(tǒng)，能夠自動除去骨影像，自動完成頭頸CTA血管重建。通過這樣的途徑，該模型一定程度上重塑了頭頸CTA臨床路徑。

通常而言，頭頸CTA檢查需要患者進行兩次CT掃描，但在該模型的輔助之下，只需一次增強掃描，患者便能獲得可用于重建的影像結(jié)果。同時，在長達兩年的研究周期中，AI重建的精度與準確度也隨著訓練的推進而不斷趨近于完美，逐漸能與資深醫(yī)師相當。

作為發(fā)病率高、死亡率高、復發(fā)率高、醫(yī)療負擔高的全球性疾病，卒中等腦血管病患者達萬億級別。 對頭頸CTA臨床路徑進行創(chuàng)新性突破，及其背后的臨床價值是該研究成果被《Nature》子刊收錄的重要原因之一。

此外，該論文的研究過程也重現(xiàn)了人工智能成長——練就一個有效的模型并非一蹴而就，這是一個循序漸進的過程。

全球億級患者量的臨床需求

最新全球疾病負擔研究（Global Burden of Disease Study，GBD）顯示，我國總體卒中終生發(fā)病風險為39．9％ ，位居全球首位，這意味著中國人一生中每５個人約有２個人會罹患卒中。此外，卒中也是我國疾病所致壽命損失年的第一位病因�！�2019中國衛(wèi)生健康統(tǒng)計提要》數(shù)據(jù)顯示，2018年我國居民因腦血管病致死比例超過20％，這意味著每５位死亡者中至少有１人死于卒中。

全球而言，2019年3月11日，《Lancet Neurology》雜志發(fā)布的相關(guān)數(shù)據(jù)，2016年，僅卒中患病人數(shù)就為8010萬，是全球第二大死亡原因。

缺血性卒中以及多種腦血管疾病診療中，頭頸CTA檢查是常規(guī)檢查手段。然而，日益增加的檢查量與有限CTA醫(yī)師之間的矛盾，使得醫(yī)院對于患者的需求應(yīng)接不暇�？剖夜ぷ鲏毫χ饾u增大，患者也許等待較長時間才能完成CTA檢查預約及報告獲取。

基于卷積神經(jīng)網(wǎng)絡(luò)的深度學習算法或能解決這一矛盾，自人工智能的洪流席卷醫(yī)療領(lǐng)域以來，許多醫(yī)療科技企業(yè)、醫(yī)院學者紛紛嘗試用AI的方式重塑CTA檢查流程。提高CTA 檢查效率、提高診斷準確率，其可能帶來億萬患者的獲益——這正是盧潔教授團隊選擇頭頸CTA作為研究對象的重要因素之一，亦是全球醫(yī)療發(fā)展向善的趨勢。

量變到質(zhì)變，AI優(yōu)化臨床路徑

經(jīng)過多年發(fā)展，人工智能介入冠脈CTA的能力已經(jīng)在實踐之中得到驗證，大量三甲醫(yī)院心內(nèi)科已經(jīng)上線了數(shù)坤科技等AI企業(yè)研發(fā)的“AI＋CTA”產(chǎn)品。但相比于冠脈CTA，頭頸CTA的重建過程顯得更為復雜，其中的難度提升來源于CT影像之中骨顯像帶來的干擾。

“由于拍攝頭頸CT時無法忽略顱骨部分，而顱骨密度高，在CT圖像上會以與造影劑類似的高亮方式呈現(xiàn)，掃描的數(shù)值也非常接近。因此，醫(yī)生必須使用一些特殊的方法將血管與顱骨區(qū)分出來�！睌�(shù)坤科技臨床研究院負責人郭寧解釋到。

具體而言，為消除顱骨顯像對于重建的影響，醫(yī)生往往會要求患者進行兩次CT掃描，第一次不注射造影劑，第二次注射造影劑。在第一次CT掃描之中，能夠顯像的只有擁有高密度的顱骨部分，而第二次顯像則能同時包含顱骨與血管。在進行兩次掃描之后，對其結(jié)果進行一個減法，減去兩次影像中均為高亮顯示的顱骨部分，剩下的便是重建需要的血管影像。

實際之中，這樣的操作常常會遇到很多問題。首先，這種方式對于患者的配合度要求非常高，患者兩次掃描的位置必須匹配，也不能移動，否則減影效果會有所欠缺。其次，兩次CT檢查無疑會給予患者更多的輻射攝入，雖然劑量仍然在安全范圍之內(nèi)，但容易引起患者的擔憂。

AI介入后，頭頸CTA的檢查流程由此發(fā)生了較大的改變。將減少一次CT掃描，為患者帶來更好的就醫(yī)體驗，而重建影像耗費的時間也將由此大幅降低。

超十億次血管勾畫驗證，AI實現(xiàn)顱內(nèi)細小血管精準分割

回到論文，整個實驗大致可分為模型訓練與模型驗證兩個部分。18259例頭頸CTA數(shù)據(jù)集均采集于2017年6月至2018年11月間，由5家國內(nèi)頂尖三甲醫(yī)院協(xié)作提供。按照每個病例600幅影像，每張影像10根血管進行計算，整個實驗過程已對超過10億根血管進行了AI勾畫與分割。

為保證樣本數(shù)據(jù)的有效性，研究人員手動檢查排除了507項圖像質(zhì)量較差的樣本數(shù)據(jù)，剩下9370例男性數(shù)據(jù)與8889例女性數(shù)據(jù)，所有參與者年齡均位于63±12歲這一區(qū)間。

研究設(shè)計

完成樣本構(gòu)建后，研究人員使用數(shù)坤科技開發(fā)的CerebralDoc AI模型對影像進行后處理重建。

一般的深度神經(jīng)網(wǎng)絡(luò)，在精度要求非常高的醫(yī)療圖像中完成高標準的分割，難度比較大。比如，血管這種一張片子中只占幾十甚至幾個像素，在數(shù)坤之前，國內(nèi)外都沒有更好的網(wǎng)絡(luò)能夠大規(guī)模應(yīng)用于臨床。

數(shù)坤的CerebralDoc模型充分考慮了CT影像的三維特性和人體的組織器官特征，將待學習的組織目標（比如血管）的各類特征進行放大，在訓練時能夠充分將所需的特點進行學習提取。數(shù)坤專門設(shè)計的訓練過程，能做到訓練時從整體和局部分別觀察血管，不斷增強網(wǎng)絡(luò)的魯棒性，這是很獨特的。

相比較數(shù)坤自己研發(fā)的前幾代網(wǎng)絡(luò)，新的神經(jīng)網(wǎng)絡(luò)在對顱內(nèi)細小血管的追蹤以及排除骨、靜脈等干擾上又有突破。

數(shù)坤科技研究院負責人郭寧告訴動脈網(wǎng)：“這個實驗進行至今已經(jīng)超過2年。模型最初建立的時候，像一個剛剛出生的孩子，隨著網(wǎng)絡(luò)的快速成長，影像重建的準確率、效率，逐漸提升，到了論文發(fā)布時，AI的重建準確率已經(jīng)趨近于1�！�

效率質(zhì)量不斷提升，醫(yī)生＋AI 優(yōu)勢互補

論文發(fā)布時，該AI的算法評價指標戴斯相關(guān)系數(shù)、血管加權(quán)分數(shù)和召回率均達到90％以上。

具體而言，AI 在獨立測試集重建準確率達到了93．1％。而與152例手動重建數(shù)據(jù)進行對比，AI重建的合格率達到92．1％，此外，AI 重建VR圖像的血管邊界比手動重建更光滑、最大密度投影重建（MIP）圖像的去骨效果更佳。

a右腦中動脈閉塞，沒有建立側(cè)支循環(huán)； b基底動脈瘤伴血栓和鈣化，可在CerebralDoc重建的MIP中觀察到； c寰枕手術(shù)后，AI中的金屬偽影得到了更好的抑制；     d直接由主動脈引起的右頸總動脈和左椎動脈的分叉嚴重狹窄

AI重建和手動重建圖像質(zhì)量的比較。第一列可見AI 重建圖像血管管壁更加光滑，分支顯示更遠；第二列可見手動去骨受掃描的影響較大

在效率提升上，AI同樣發(fā)揮出優(yōu)異的表現(xiàn)。該系統(tǒng)應(yīng)用于宣武醫(yī)院后，該院影像平均后處理時間由14．22±3．64min減至4．94±0．36min，時間縮短到原來的1／3。同時，技師的點擊操作次數(shù)也因為AI的介入而飛速下降，由115．87±25．9下減至4下。

此外，使用5個月之后，宣武醫(yī)院進行CTA后處理技師已經(jīng)從3人縮減至1人。郭寧表示：“技師人數(shù)的變化反應(yīng)了AI能力的成長，在實驗之初，AI處理的結(jié)果仍需要醫(yī)生進行修補確認，但隨著模型逐漸成熟，醫(yī)生已經(jīng)能夠?qū)⒋蟛糠止ぷ鹘唤oAI進行，轉(zhuǎn)而投身更有意義的分析與研究工作之中。這個時候，AI技術(shù)已經(jīng)與醫(yī)生的工作深入的融合在了一起�！�

無遠弗屆

長期以來，我們一直無法通過定量的方式衡量AI為醫(yī)生帶來的價值，而本篇論文的研究方法無疑提供了一條合理的路徑。

實驗已經(jīng)有效驗證了AI在頭頸CTA影像后處理中的優(yōu)效性，研究團隊仍在持續(xù)尋求提升空間。

郭寧告訴動脈網(wǎng)：“ 本次實驗排除了一些存在偽影，或者存在先天血管畸變的病例，這將是我們下一階段研究的重點目標�！�

這放在整個人工智能領(lǐng)域同樣適用。AI 經(jīng)過了多年的發(fā)展，應(yīng)用范圍和應(yīng)用深度上需醫(yī)生和科學家團隊不斷向深度探索，接下來，我們還需要更多這樣產(chǎn)學結(jié)合的成果，用實際結(jié)果證實AI的優(yōu)效性。

作者：趙泓維