人工智能在急性缺血性卒中中的应用:从儿童到老年人
本文综述人工智能在急性缺血性卒中中的应用进展。内容涵盖卒中分型、儿童围产期卒中、ASPECTS自动评分、大血管闭塞检测、梗死核心与缺血半暗带分割、组织结局与临床结局预测及并发症预测,并汇总现有软件及其比较。
要点
- ASPECTS自动评分软件与资深神经放射科医生共识读片一致性高(κ≈0.9),使用e-ASPECTS辅助后平均评分时间缩短34%。
- CNN模型在NCCT上检测大脑中动脉「高密度血管征」特异度达96%,Viz.ai对近端颅内大血管闭塞性能很好。
- 预测90天功能独立时,回归树模型AUC 0.952、敏感度89.36%、特异度89.66%,优于NIHSS与ASPECTS。
核心结论
- 多种AI软件已用于辅助诊断急性缺血性卒中、评估ASPECTS、检测大血管闭塞、分割核心与半暗带及预测结局与并发症。
- Brainomix的e-ASPECTS性能优于或等同于人类阅片者,RAPID可自动评估患者是否适合取栓。
- 儿童围产期与儿童卒中使用此类AI软件目前似乎属于超说明书使用。
研究设计与样本
- 本文为综述,总结近年人工智能在急性缺血性卒中中的发展并展望未来。
- 文中纳入多项关于ML与DL(含CNN)在卒中评估与预测中应用的研究,并汇总现有主要AI软件及其应用。
- 文中提及的研究涉及NCCT、CTA、CTP、DWI/ADC、FLAIR/T2、MRA、pCASL、DTI、fMRI及梯度回波MRI等影像方法。
关键影像表现/征象
- NCCT可检出脑出血并评估实质缺血征象如白灰质分界减低,ASPECTS用于量化缺血损伤并判断治疗候选资格。
- CTA可检测大血管闭塞并评估侧支血管,CTP可得出CBV、CBF、TTP等参数以评估半暗带与坏死核心的错配。
- DWI与ADC是检出脑缺血敏感性最高的影像方法,发病3 h内敏感度73–92%,6 h内敏感度95–100%。
- FLAIR/T2加权成像在发病时间不明(如醒后卒中)时可提供闭塞时间等关键信息。
- MRA检测血管闭塞的敏感度87%、特异度98%,CTA的最高敏感度与特异度均为98%。
诊断标准与关键数值
- ASPECTS在大脑中动脉闭塞时评估AIS严重程度,每累及一个MCA供血区从10分中扣1分,对溶栓治疗的功能结局与脑出血均有高敏感度和特异度。
- Chung等CNN模型在223例队列中检测NCCT大脑中动脉「高密度血管征」特异度达96%。
- You等结合结构化临床数据与CT影像特征的三层评估模型在测试组准确率、敏感度和AUC均大于0.80。
- Alawieh等回归树模型预测取栓后90天功能独立AUC 0.952、敏感度89.36%、特异度89.66%。
- Hofmeister等9个影像组学特征预测血栓抽吸首次再通成功AUC=0.88,其中4/9与首次再通正相关(P < 0.05),另5个负相关(P < 0.05)。
临床应用与阅片要点
- ASPECTS正确评分对判断取栓资格至关重要,软件分析与资深医生共识读片一致性高(κ≈0.9),而医生间共识一致性仅为中等(κ≈0.56)。
- e-ASPECTS辅助使平均评分时间缩短34%,各经验组医生对早期缺血改变的敏感度提高两倍,对经验较少者更明显。
- Hoelter等发现Brainomix与RAPID的中位ASPECTS高度相关:r = 0.835(0.512, 0.923),P < 0.001。
- Viz.ai在近端颅内大血管闭塞检测中性能很好,并具备自动运动校正与自动启动卒中团队等功能。
- 儿童围产期与儿童卒中应用AI软件目前似乎属于超说明书使用,原文认为应开展研究推进其诊疗管理。
局限性
- 原文指出儿童卒中缺乏数据和大规模随机临床试验。
- 原文指出针对新生儿动脉缺血性卒中的抗凝研究很少。
- 原文指出据作者所知,很少有作者研究ML在儿童卒中中的应用。
- 原文指出儿童卒中存在显著的诊断延迟。
- 原文指出儿童卒中的治疗仍有争议且多数为超说明书使用。
全文中译14 节 · 点击展开
引言
卒中是全球范围内发病和死亡的常见原因。1990年至2019年间,其负担(以病例总数衡量)显著增加(新发卒中增加70.0%,卒中死亡增加43.0%)。25岁以上人群中每四人中就有一人一生中会经历卒中,全球每年新发卒中病例超过1220万例。最常见的卒中亚型为缺血性卒中(AIS),占全球所有发生病例的62%以上[1]。怀疑卒中时首先进行的诊断检查是平扫CT(NCCT),可检测脑出血(ICH)并评估脑实质缺血征象,如灰白质分界模糊[2]。阿尔伯塔卒中项目早期CT评分(ASPECTS)可用于量化缺血损伤并判断患者是否适合治疗[3]。CT血管成像(CTA)可检测大血管闭塞(LVO)并评估侧支血管。通过测量对比剂到达后密度随时间的变化,我们可在灌注CT中为每个体素生成时间-密度曲线。从这些曲线中可得出脑血容量(CBV)、脑血流量(CBF)和达峰时间(TTP)等参数。利用这些参数可评估缺血半暗带与坏死核心之间的不匹配[2]。MRI上的弥散加权成像(DWI)和表观弥散系数(ADC)是检测脑缺血敏感性最高的影像学方法,前者在发病前3小时内的敏感性为73–92%,后者在发病前6小时内的敏感性为95–100%。在卒中发病时间未知的情况下(如醒后卒中),FLAIR/T2加权成像还可提供关键信息,如闭塞时间。与CTA类似,MR血管成像(MRA)可检测血管闭塞的存在;MRA的敏感性为87%、特异性为98%,而CTA的最高敏感性和特异性均为98%[4]。
人工智能(AI)描述了能够执行通常需要人类智能才能完成的任务的计算机系统的创建。在机器学习(ML)这一人工智能分支中,计算机系统会随时间推移变得更加智能。ML算法可分为三类:强化学习、无监督学习以及两者兼有。一种称为神经网络(NN)的机器学习(ML)亚型通过具有由节点组成的层来模仿神经元。神经网络中的第一层是输入层,其后是数量可变的隐藏层和一个输出层。人工神经网络(ANN)使用一组称为权重的参数来表示神经元之间的连接,以确定连接的强度[5]。反向传播是一种用于训练的技术,涉及调整权重以减小输出与预测输出之间的差异[6]。在反向传播过程中,权重被校准以最小化代价函数,该函数将输出与“真实标签”进行比较,以确定模型的偏差程度。在人工神经网络(ANN)中,其可构建为卷积神经网络(CNN)或循环神经网络模式(RNN),深度学习(DL)由众多隐藏层组成。由于让每个神经元之间都建立权重连接的计算成本很高,CNN在图像的每个位置应用一个小的权重“核”或“滤波器”,在图像中滑动以确定下一层神经元的值。
每一层可以使用不同的核,从而在每一层中产生多个“通道”,并帮助模型检测我们数据集中的边缘和纹理等特征。在输出层之前,CNN层可以连接到“全连接”神经元,并且可以使用反向传播来调整各种核和权重[7]。
多年来,最大似然估计和贝叶斯方法已成为应用于机器学习进行输出验证的流行统计工具。这两种统计方法的渐近性质是近年来使其受欢迎程度增加的主要原因之一。这两种方法之间的区别在于,最大似然估计的参数是固定但未知的,而贝叶斯方法的参数则作为具有已知先验分布的随机变量。在机器学习中,贝叶斯方法通常比最大似然估计表现更好[8]。
与人类专家的视觉检查相比,这些模型可能提供多种优势,包括速度、大规模部署、客观和定量评估,以及在体素水平上发现细微模式的能力。在将这些方法用于成像时,特征选择、分类器类型和深度学习(DL)等考量因素至关重要。
卒中分类
一个主要关注点是确定卒中的亚型。尽管急性缺血性卒中(AIS)是最常见的亚型,但识别颅内出血(ICH)至关重要。多项研究强调了ICH的识别[9, 10],但我们希望将本文的关注点引向AIS。与出血性卒中相比,区分AIS的亚型尤为具有挑战性。Garg等人分析了一组病例,利用电子健康记录(EHRs)和用于自然语言处理的机器学习(ML)算法,采用急性卒中治疗Org 10,172试验(TOAST)分类系统在入院时建立了卒中亚型分类。该分类将缺血性卒中分为五种不同的亚型:大动脉粥样硬化型、心源性栓塞型、小血管闭塞型、其他明确病因型卒中以及不明病因型卒中[11]。心源性栓塞亚型的kappa一致性指数最高,而隐源性亚型的kappa一致性指数最低[6, 12, 13]。
围产期和小儿卒中
围产期卒中包括一组特定的脑血管疾病,发生于胎龄20周至出生后28天之间[14]。估计发病率在活产婴儿中为1:1600至1:3000[15]。卒中的病因常难以明确。通过识别特定的产前卒中疾病状态,神经影像学的发展促进了临床诊疗和研究的进展。新生儿脑室周围静脉梗死(PVI)、新生儿动脉缺血、新生儿脑静脉窦血栓形成、新生儿出血性卒中、推测为围产期动脉性卒中以及推测为围产期出血性卒中,是根据临床体征和神经影像学可区分的六种不同的新生儿卒中疾病。偏瘫性脑瘫,也称为脑室周围静脉梗死,主要以运动障碍为特征。大面积病灶以及运动和 Non-运动性并发症常由近期动脉缺血性卒中引起[16]。已发表的病例中约90%为动脉缺血型[17]。弥散MRI是诊断的金标准[18]。治疗仍存在争议,大多数情况下为超说明书用药。抗凝治疗在儿科患者中被认为是安全的[19],但针对新生儿动脉缺血性卒中的抗凝治疗研究匮乏。类固醇的使用仍存在争议,但当有动脉病证据时应予以考虑。急性期治疗侧重于神经保护。紧急再通策略不被采用,因为确切的时间窗永远无法确定,梗死通常已明确形成,且受累动脉往往是开放的[20]。在抗癫痫药物治疗的同时提供支持性护理[21]。卒中也影响婴儿(如前所述)和儿童。儿童卒中的发病率在文献中差异很大。儿童卒中的发病率约为每年2.5至13:100000[22]。卒中的发病率和死亡率很高,即使在儿童中也是如此。由于其发生于幼年且残疾持续时间更长,甚至可持续终生。此外,儿童中存在显著的诊断延迟[23]。儿童卒与多种疾病相关[24]。儿童卒中最重要的危险因素是凝血病、感染、血管疾病和心源性病因。头部外伤、自身免疫性疾病、代谢问题、儿童虐待、肾脏疾病和血液系统疾病是其他危险因素[25]。儿童急性卒中的治疗具有时间敏感性。对儿童立即进行机械取栓或静脉组织型纤溶酶原激活剂(tPA)治疗可带来更好的功能和死亡率结局。治疗开始越早,维持缺血半暗带、恢复脑血流、甚至可能治愈症状的机会就越大,从而减轻残疾。由于治疗时间窗窄,早期识别对于改善患者护理至关重要。它可改善院内护理并降低康复前卒中复发的风险。尽管缺乏数据和大量随机临床试验,机械取栓和静脉tPA均已在儿科中成功使用[26–28]。
据我们所知,很少有作者探讨过机器学习在儿童卒中背景下的应用;然而,Carlson等人[29]的有趣工作值得提及,该研究使用随机森林(RF)模型来识别哪些因素可能对49名有围产期卒中病史(动脉性缺血性卒中(AIS)和围产期静脉梗死(PVI))患者的运动结局更具预测价值。他们的模型纳入了人口学信息以及使用常规MRI序列的神经影像学变量,还包括白质纤维束追踪和功能MRI等前沿研究。运动功能评估采用了经过验证的双手测试——辅助手评估(AHA)以及被称为盒子与积木测试(BBT)的双手测试,后者分为两个评分:一个针对卒中患手(BBTA),另一个针对对侧手(BBTU)。对照组由27名与比较组年龄大致相同的志愿者组成。使用RRELIEFF算法对特征进行排序,然后应用RF模型对每个运动结局评分进行回归建模。
他们的研究表明,许多特征——包括双侧初级运动区、感觉区和辅助区之间的连接性,深部核团内的半球间连接性,以及病灶侧皮质脊髓束内的连接性——在有AIS病史的儿童中表现出较低的功能和结构连接性。研究发现,在病灶侧皮质脊髓束(CST)和基底节区半球间连接的差异方面,有PVI病史的儿童更接近于对照组。未来,增进我们对卒中事件后神经可塑性和脑重塑的了解可能令人着迷,以便制定效果更好的康复方案。
在儿童卒中管理中,使用人工智能(AI)软件将有助于优化围产期和儿童卒中的管理。即使在今天,使用此类软件似乎仍属于超说明书使用。此外,鉴于病理变异的存在,最好支持那些推进围产期和儿童卒中适当诊断-治疗管理认知的研究。为此,启动机器学习流程以获取与我们下文所述相似的成人卒中结局将是合适的。
早期诊断
ASPECTS、大血管闭塞(LVO)检测、坏死核心和缺血半暗带的分割以及诊断时机在AIS中均发挥重要作用。已开发出众多AI程序来辅助诊断,许多研究探讨了其对ASPECTS评分的影响。在大脑中动脉(MCA)闭塞的情况下,ASPECTS是评估AIS严重程度的快速方法。在溶栓治疗中,ASPECTS对功能结局和脑出血均具有高灵敏度和特异度,每累及一个MCA供血区从10分中扣除1分[3]。在确定取栓资格时,正确的评分至关重要。Maegerlein等人使用RAPID软件评估了两位经验丰富的神经放射科医师ASPECTS评分之间的一致性。共识判读基于基线和6周后随访CT扫描的影像数据确定。软件分析显示出最佳一致性(κ ≈ 0.9),而神经放射科医师的共识一致性仅为中等(κ ≈ 0.56);在发病后4小时时间段之后,神经放射科医师的共识一致性变得与软件相当[30]。
Sundaram等人对基于CTP的同步CBV ASPECTS进行了比较分析,并将Brainomix评估的ASPECTS与神经放射科医师的评估进行了对比。当按症状发作时间(>6小时或6小时)分组时,自动化评分与共识阅片及CTP-CBV ASPECTS具有可比性;自动化评分与共识阅片及CTP-CBV ASPECTS一致(κ ≈ 0.84)[31]。Albers等人将四位专家阅片者的ASPECTS和RAPID评分与基线CT后获得的弥散加权成像(DWI)结果进行了比较;RAPID在识别后续DWI所确认的早期脑缺血征象方面优于医师[32]。
Seker等人研究了brainomix e-Aspects与两位住院医师和两位顾问医师所评ASPECTS的一致性。与软件相比,住院医师表现出显著差异和较低的内部一致性。然而,顾问医师与软件的评分具有可比性[33]。
在214例接受EVT的患者中,Olive-Gadea等人研究了放射科医师与e-ASPECTS评分和梗死核心CBV及梗死终末潮气量以及长期功能结局之间的关系。ASPECTS评分由放射科医师在急性卒中评估期间确定(Rx-ASPECTS),并由Brainomix软件确定(e-Aspects),同时图像被发送至RAPID软件以量化缺血核心。根据其研究,ASPECTS评分的分布相似。发现ASPECTS与e-ASPECTS和CBV之间存在轻度且时间依赖性相关性,最佳相关性出现在症状发作后180分钟。仅Rx-ASPECTS和e-ASPECTS是良好功能结局的预测因素,但CBV和e-ASPECTS以相似方式预测血栓切除术后的梗死体积[34]。
Chriashkova等人研究了e-ASPECTS在多大程度上改善了与ASPECTS参考标准的一致性,并加快了评估CT扫描所需的时间。二十六名具有不同经验水平的临床医师参与了该研究。使用e-Aspects时,平均评分时间减少了34%。所有使用e-ASPECTS辅助的临床医师组对早期缺血性改变的敏感性均增加了两倍,且对经验较少的临床医师效果更为明显[35]。LVO的检测一直是其他研究的主题。在223例患者的队列中,Chung等人用于检测NCCT上大脑中动脉“高密度血管征”(通常与LVO相关)的CNN模型达到了96%的特异性[6, 36]。
在伴有和不伴有LVO的成人AIS患者队列中,Barreira等人将熟练神经放射科医师使用CTA扫描的发现与Viz.ai软件的结果进行了比较。Viz.ai对近端颅内LVO的性能非常好[37]。为了在急性环境中检测LVO,You等人将结构化临床数据与非结构化CT影像数据相结合;其研究中的评估系统包含三个分层模型。建模的前两个层次使用结构化人口学和临床数据,第三层次使用DL模型的额外CT影像特征。结合临床和影像特征的第三层次评估在测试组上产生了最佳的模型性能;准确率、敏感性和曲线下面积(AUC)均大于0.80[38]。
组织结局
为了决定哪些患者能从溶栓治疗或部分再通时的再次尝试中获益,预测最终梗死体积至关重要。为了直接从原始CTP图像以及时间参数和治疗等元数据预测最终梗死体积,Robben等人使用了深度神经网络。他们预测了每个受试者在早期完全再通(60分钟时mTICI 3级)和无再通情景下的假设最终梗死体积。结果令人满意,平均体积误差为2.8 ml,平均绝对体积误差为36.7 ml [39]。
通过使用伪连续动脉自旋标记(pCASL),Wang等人创建并评估了一种基于深度学习的算法,以帮助识别能从血管内治疗中获益的急性缺血性卒中(AIS)患者。结果显示,该算法的准确率为92%,AUC为0.94 [40]。
为了预测组织转归,Nielsen等人训练了一个深度卷积神经网络(CNNdeep),其表现优于竞争方法,并且与T2-FLAIR测量确定的最终结果高度一致。他们还开发了CNNdeep,rtpa,用于评估接受静脉rtPA治疗的患者。使用CNNdeep,rtPA评估接受静脉rtPA治疗患者的AUC为0.85 ± 0.15 [41]。
在不知道再灌注状态的情况下,Yu等人使用了一个用急性和随访图像集合训练的深度学习模型来预测基线后3至7天梗死病灶的大小和位置。在基线后3至7天,他们的模型能够准确预测梗死病灶。该模型在有再灌注和无再灌注的患者中表现出 comparable 的性能 [42]。
临床结局
多项研究探讨了使用人工智能预测卒中患者结局。Xie等人使用极端梯度提升和梯度提升机这两种基于决策树的算法来预测90天改良Rankin量表(mRS)> 2,AUC大于0.745;当考虑24小时美国国立卫生研究院卒中量表(NIHSS)和再通结果时,性能有所提高 [43, 44]。
Bacchi等人研究了使用深度学习算法预测接受r-TPA治疗患者的结局;阳性结局定义为90天时mRS 0–1(对比≥ 2)(“mRS90”),或24小时NIHSS改善≥ 4分(NIHSS24)。使用CNN + ANN预测mRS90的AUC为0.75,预测NIHSS24的AUC为0.70 [45]。
为了识别能从取栓术中获益的患者并预测即时和长期临床/功能结局,Tang等人构建了机器学习逻辑回归模型。mRS分别用于评估7天和90天的临床结局。他们将早期临床数据与初始术前弥散和灌注加权MRI数据集相结合,创建了一个联合模型。该模型与另外两个仅使用临床数据以及临床数据加半暗带(不匹配)数据的模型进行了对比。他们的联合模型在预测短期和长期临床结局方面最为准确,AUC为0.863 [6, 46]。
为了预测结局指标(90天时mRS ≤ 2)和良好再灌注(mTICI ≥ 2b),Hilbert等人使用了在CTA数据上训练的深度学习(DL)技术。为此,评估了多种人工智能技术。研究结果显示,使用数据高效DL方法的自动放射学图像分析在预测良好卒中结局方面优于多种放射学图像生物标志物的组合。对于功能结局和再灌注,DL模型优于使用传统放射学图像生物标志物的模型[47]。
Siegel等人测试了一种基于功能成像的算法预测多个领域功能缺损的准确性,包括注意力、视觉记忆、言语记忆、语言、运动和视觉。在预测言语和视觉记忆缺损方面,病灶位置的预测效果优于功能连接;而在预测视觉和运动缺损方面,功能连接的预测效果优于病灶位置[48, 49]。
Alawieh等人创建了一个回归树模型,用于预测接受血管内治疗(ET)患者90天后的mRS评分。该模型以0.952的AUC成功预测了90天时的功能独立率,灵敏度为89.36%,特异度为89.66%。其结果远远优于NIHSS和ASPECTS[50]。
Hofmeister等人证明,一小部分9个放射组学特征可预测血栓抽吸首次再通的成功(AUC = 0.88);9个放射组学特征中有4个与血栓抽吸后首次再通呈正相关(P < 0.05),包括大面积低灰度强调、灰度方差、大依赖强调和短游程强调;其余5个呈负相关(P < 0.05):熵、最大值、游程百分比、粗糙度和归一化灰度非均匀性;此外,他们的研究还证明,较高的HU值、纹理随机性、粗糙度和血栓异质性等特征与快速再通呈负相关[51]。一些研究探讨了弥散张量成像(DTI)预测临床结局的有效性。功能结局在3个月时评估,分为两类:良好结局(mRS ≤ 2)和不良结局(mRS > 2)。Moulton等人回顾性评估了在卒中发作4.5小时内接受溶栓治疗、并在卒中后24小时接受DTI序列检查的急性缺血性卒中(AIS)患者。上纵束(SLF)第二和第三分支、胼胝体、皮质脊髓束、弓状束(AF)的长段、前段和后段以及额斜束是对功能结局影响最大的区域[52, 53]。
在其他研究中,评估了功能磁共振成像(fMRI)预测卒中患者4–6个月临床结局的预后价值;86%的患者结局被其模型正确预测[53, 54]。
卒中并发症
预测并发症的能力可产生重大的临床影响。为预测脑水肿,利用了脑脊液(CSF)动力学的变化。通过随机森林模型检查了155例卒中患者经系列CT成像测定的CSF体积。他们提出,CSF体积随时间的变化可能作为水肿发展的定量指标。此外,还发现梗死体积与基线和最终CT之间CSF体积减少之间存在相关性(R = 0.715)[55]。
出血性转化也应作为并发症加以考虑或预测。Yu等使用了多种DL和ML模型,以24小时随访梯度回波MRI与弥散加权和灌注加权MRI相比较作为出血的金标准。最准确的模型(84%)是他们的核谱回归模型[56]。借助表面神经网络,Wang等能够预测接受溶栓治疗的AIS患者的颅内出血(ICH),AUC为0.82。年龄、性别、基线NIHSS数据、入院血压和血糖、既往病史及吸烟状况均被纳入考虑;约50%的患者被归类为低风险,且在前瞻性队列中无一发生ICH [57, 58]。
软件之间的比较
研究表明,Brainomix的e-ASPECTS性能优于或等同于人类(图1)。Rapid同样对ASPECTS进行评分,识别LVO,并通过检查对比血管的不对称性来评估侧支循环。e-CTA软件提供LVO的快速评估并进行侧支循环估计。此外,RAPID自动化评估卒中患者是否适合取栓术(图2)。每个程序都能生成数据,包括CT和MR灌注图[59]。
Hoelter等发现Brainomix与RAPID的中位ASPECTS之间高度相关:r = 0.835(0.512, 0.923),P < 0.001。虽然存在一些差异,如自动运动校正功能和卒中团队的自动激活,Viz.ai与上述软件共享一些特征(图3)[59, 60]。
潜力与局限
人工智能已在中风领域展现出积极作用,使ASPECTS等评估组成部分变得即时且不受个体间差异影响。临床实践中一个引人关注的方面是,通过进行初步图像分析来帮助神经放射科医生,其总体影响与住院医师为签署医生所做的医疗工作相同——缩短诊断与治疗之间的时间。假阳性等局限性表明了神经放射科医生评估对准确诊断的重要性。其他缺点可能包括:机器学习算法在中风且具有异常脑部特征的患者中表现不佳,如Gueberina等人所展示的[61, 62]。
开发能够在血栓被标注后自动检测和/或分割血栓的软件时,必须考虑到在临床实践中该程序随后所应用于的患者队列可能与研究组存在某些差异特征。例如,开发者在考虑将该程序用于商业环境之前,必须考虑到钙化、可移动血栓及其他因素的存在[63]。
伦理与法律问题
在医学领域,尤其是在放射学领域使用人工智能时,有一些无法忽视的医疗法律问题。在美国和欧洲,决定批准哪些人工智能算法或医疗器械使用存在诸多问题,尤其是那些可能不需要人工干预的器械。该领域的大多数进展侧重于开发能够支持而非替代医生的工具[64]。在人工智能软件导致医疗错误的情况下,责任归属仍有争议。目前,确保算法输出符合诊断标准是医生的责任[53]。
经济影响
由于造成的严重损害,中风对医疗系统产生了重大的经济影响。根据多血管内卒中试验中评估的高效再灌注(HERMES)研究[65],取栓每延迟一分钟,大约导致4天无残疾生存期的损失。
取栓延迟的平均成本约为每分钟1059美元;如果在美国平均能避免10分钟的延迟,每年将节省2.49亿美元[66]。现有软件的巨大优势在于确保在患者管理上花费最少的时间。Hassan等人比较了在实施Viz.ai系统前后,所有从外周中心(PSC)转运至其枢纽中心(HC)的大血管闭塞(LVO)患者的转运时间。从PSC到HC的中位转运时间缩短了一半,减少了22.5分钟;从PSC的CTA到HC的穿刺时间缩短了一半,减少了89分钟[67]。缩短从诊断到治疗的时间对每年节省的费用有深远影响。
人工智能软件在急性缺血性卒中(AIS)中的现状与未来方向
如前所述,目前的商业软件侧重于AIS的检测以及急诊阶段必须了解的关键特征的评估,如侧支循环、ASPECT和灌注参数[30–35]。
然而,未来的科学研究正朝着一个包含更多元素研究的方向发展,这些元素可能很快将应用于临床实践,例如,利用影像组学和先进成像参数与患者长期神经功能缺损进行相关性研究;这一前景为在个性化医疗背景下应用治疗路径开辟了新的可能性[51]。
结论
如前所述,当前的商业软件侧重于急性缺血性卒中(AIS)的检测以及急诊阶段必须了解的关键特征的评估,如侧支循环、ASPECT和灌注参数。然而,未来的科学研究正朝着一个包含更多元素研究的方向发展,这些元素可能很快将应用于临床实践,例如,利用影像组学和先进成像参数与患者长期神经功能缺损进行相关性研究;这一前景为在个性化医疗背景下应用治疗路径开辟了新的可能性。人工智能无疑将在研究和医院中占据越来越大的空间。
引用
- Pacchiano F, Tortora M, Criscuolo S, et al. Artificial intelligence applied in acute ischemic stroke: from child to elderly. Radiol Med. 2023. PMID: 37878222. doi:10.1007/s11547-023-01735-1
- 全文:PMC10808481(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10808481/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。