腦卒中作為高發病率、高死亡率、高復發率以及高致殘率的一類疾病，目前已成為我國最嚴重的疾病負擔之一。腦卒中疾病的快速診斷和治療能有效改善患者結局，減輕患者家庭和社會的心理及經濟負擔。近年來，隨著人工智能技術的快速發展，該技術能有效提高日常診療效率。該文著眼于人工智能技術應用于腦卒中診斷、治療及結局預測的過程，旨在為進一步指導精準醫療提供思路。
引用本文： 葉珍麗, 蔣家鑫, 屈云. 基于人工智能的腦卒中診斷與預測系統的研究進展. 華西醫學, 2022, 37(12): 1887-1890. doi: 10.7507/1002-0179.202012292 復制
腦卒中是目前導致居民長期殘疾的主要疾病之一，雖然其臨床預后與早期及時干預直接相關[1]，但并非所有患者都能從快速干預中受益。如何制訂有效的康復治療方案、高效利用目前有限的醫療資源顯得尤為重要。近年來，人工智能技術快速發展，隨著計算機算法的不斷優化，人工智能在醫學領域已有效應用于智能診斷和疾病治療等方面。基于人工智能的疾病診斷和預測可以指導腦卒中的早期干預，有針對性的治療可以在一定程度上大大降低腦卒中患者的失能程度，甚至可以減少失能的發生，改善緊張的社會醫療資源的浪費。本文將綜述人工智能技術在腦卒中診斷、治療及結局預測過程中的應用情況，并提出人工智能的不足之處，旨在為進一步指導人工智能相關腦卒中精準醫療提供思路。
1 人工智能
人工智能是在計算機科學、控制論、信息論、神經心理學、哲學、語言學等多種學科基礎之上發展起來的一門綜合性交叉學科[2-3]。機器學習作為人工智能中目前應用最廣泛的技術之一，可以在數據沒有被明確編程的情況下，基于樣本數據建立數學模型作出預測和決策，其利用計算機算法和統計模型在大數據處理方面表現出了良好的優勢[4]。機器學習主要有 3 種學習方法，即監督學習、無監督學習和強化學習[5]。監督學習是將具有分類標簽的數據作為學習目標，通過已打好標簽的數據進行模擬訓練，最終將新數據與訓練好的模型相關聯；無監督學習則處理分類標簽的數據，通過計算機算法尋求數據間的內在聯系和規律，從而發現數據間潛在的結構特征；強化學習是通過不斷的試錯，從中形成在特定問題空間中的行動策略[6]。因此，基于機器學習在數據處理方面的優勢，人工智能可通過計算機系統對數據進行學習，對疾病作出預測和決策。
2 人工智能在腦卒中醫學診斷與決策中的應用
2.1 人工智能在腦卒中醫學診斷中的應用
腦卒中是我國三大死亡原因之一，也是我國傷殘調整生命年的首位原因[7]。腦卒中患者早期及時有效的治療對于患者結局影響較大，因此，腦卒中的早期診斷顯得尤為重要。由于科技的進步，目前人工智能在神經系統疾病診斷和評估方面取得了顯著進步，如頭顱 CT 診斷腦卒中急性期患者[8-9]、腦電監測技術在顱腦損傷急性期患者中的應用[10]等。Titano 等[9]的一項隨機、雙盲、前瞻性試驗將三維卷軸神經網絡應用于篩查頭顱 CT 圖像是否存在急性神經系統事件，結果顯示通過機器學習算法判讀顱腦 CT 影像僅需 1.2 s，比放射科醫生快約 150 倍。人工智能在影像學中應用不僅能有效診斷腦卒中，且其計算方法較其他算法誤差小。王雯雯等[11]將深度學習應用于自發性腦出血患者 CT 影像分割算法中，以精準計算病灶體積，結果顯示該算法預測的病灶體積較多田公式計算結果誤差更小。陸言巧等[12]提出將人工智能應用于腦卒中的輔助診療過程中，以優化傳統風險評估模型，預測病情演變，為臨床工作的開展帶來更多便利。人工智能在腦卒中診斷中的應用不僅能緩解醫生的工作壓力，提高工作效率，還有助于對檢查信息進行進一步的挖掘，探索其發病的原因和發病的機制，對制定診療方案及改善患者預后也有一定的指導作用。
2.2 人工智能在腦卒中診療決策中的應用
人工智能應用于腦卒中醫療領域有助于減輕我國不斷加劇的疾病負擔。臨床決策支持系統（clinical decision support system，CDSS）是將人工智能和醫療大數據進行有效結合而開發出的臨床決策支持工具，其主要將臨床信息與知識庫相匹配，提供基于循證證據的優化診療方案[13]。Weir 等[14]將 CDSS 用于評估腦卒中診療處方實踐的影響，該系統可針對每種潛在的抗血栓形成療法，提供患者特定的預期缺血性和出血性血管事件發生率的估計值。而丁玲玲等[13]將 CDSS 用于輔助高危人群識別、急性期再灌注治療決策支持、實現自動化病因分型以及二級預防策略的制定等，結果顯示 CDSS 是能在提高腦血管病醫療質量、改善患者結局方面發揮重要作用一種臨床診療工具。我國作為人口大國，醫療資源仍存在相對不足，且城市與農村、城市與城市之間醫療資源分布不均衡，CDSS 的應用在解決我國醫療資源欠缺區域疾病負擔并提升醫務人員診療能力等方面可以發揮巨大的推進作用，能在一定程度上減緩我國醫療資源分布不均衡的情況。
3 人工智能在腦卒中預測中的應用
腦卒中的病因和發病機制復雜，影響因素較多，現有治療方案也多樣，但目前研究缺乏系統性，絕大多數治療方案僅切中其中的一個環節，同時還有部分研究未切中臨床的需求，因此醫生在規劃腦卒中診療方案時很難作出全面、快速、精準的判斷[15]。隨著人工智能技術的發展，其算法有了巨大的突破，這一突破更好地解決了目前所面臨的繁瑣、復雜的臨床情況。
3.1 人工智能在腦卒中并發癥預測中的應用
腦卒中發生后常易出現卒中相關性肺炎、卒中后抑郁、靜脈血栓形成、壓瘡等并發癥，這些并發癥往往導致病情加重甚至死亡等。目前已有相關研究將人工智能應用于上述并發癥的預測中，以便盡早采取干預措施，減輕病情。Li等[16]收集 3160 例急性缺血性腦卒中患者的數據，開發了 5 種機器學習模型，即帶規則的邏輯回歸、支持向量、隨機森林、極限梯度提升和完全連接的深度神經網絡，結果發現極限梯度模型較其他評分系統預測中國急性缺血性腦卒中患者的卒中相關性肺炎更具優勢，靈敏度為 81.0%，特異度為 73.3%。卒中后抑郁對腦卒中患者的治療、生存和恢復社交均有一定的消極影響，且其發生率為 20%～65%[17-18]，因此，早期篩查出卒中后抑郁高風險患者對指導預防和治療具有重要意義。Liu等[19]對 562 例腦卒中患者進行卒中后抑郁預測，將患者的人口統計資料（姓名、性別、年齡、受教育程度、體質量指數）、病史和血管因素、腦卒中后的功能狀態作為評估指標，同時還將社會心理因素和認知功能納入研究，結果顯示決策樹模型預測的準確性為 0.86，高于回歸模型。綜上所述，相比傳統疾病預測，人工智能對腦卒中并發癥預測準確性更高，使用起來也更便捷。
3.2 人工智能在腦卒中預后預測中的應用
深度神經網絡作為人工智能技術中的一種算法，由于有數百萬個可學習的連接權重，其具有強大的非線性函數逼近器的功能[20]。這種算法的優勢隨著可學習連接數量的增加，有向更深的體系結構發展的趨勢[21]。Heo 等[22]將深度神經網絡模型應用于急性缺血性卒中患者的預測中，在腦卒中發病后 3 個月對改良 Rankin 量表評分進行統計分析，結果顯示改良 Rankin 量表評分的受試者操作特征曲線下面積（0.888 vs. 0.839，P<0.001）顯著高于傳統急性卒中登記分析評分。另外，Hilbert等[23]選取 1301 例腦卒中患者的圖像數據應用深度學習進行自動圖像分析，結果提示深度學習在預測卒中預后方面優于放射圖像生物標志物，并且具有改善治療選擇的潛力。Cheon等[24]采用深度學習系統對腦卒中發生情況進行預測，將患者的性別、年齡、保險類型、入院方式、所需的腦外科手術、損傷區域、住院時間、醫院位置、醫院床位數量、卒中類型以及 Charlson 合并癥指數共 11 項指標作為研究變量對腦卒中進行預測，預測結果與腦卒中實際發生進行對比，發現該方法的靈敏度、特異度和受試者操作特征曲線下面積分別為 64.32%、85.56%和 83.48%，該研究的作者指出該方法不僅可以應用于腦卒中的預測，還可以對其他疾病進行預測。Heo等[22]選取 2604 例患者進行研究，目的是調查機器學習技術在預測缺血性腦卒中患者長期預后方面的適用性，結果顯示機器學習算法特別是深度神經網絡，可以改善缺血性腦卒中患者療效的預測。Lin 等[25]將人工智能應用于腦卒中后功能障礙的康復方法中，以預測卒中后的日常生活情況，證明了基于人工智能的預測方法不僅可以準確預測日常生活能力狀態，而且可以預測出院時日常生活能力評分。同時，人工智能中的深度神經網絡可以有助于腦卒中患者療效的預測。Nielsen等[26]將深度學習系統應用于腦卒中靜脈溶栓治療后對損傷腦組織進行結局預測和急性腦卒中治療后評估。人工智能不僅在腦卒中影響因素方面有較好的預測價值，在疾病療效評估方面亦有較高的應用價值。
4 展望
人工智能作為新興技術，在醫療領域中的運用可以大大降低成本并極大地提高工作效率，且隨著人工智能算法的突破，尤其是機器學習算法的改進，人工智能在臨床上的應用更具優勢。未來根據相關臨床問題不斷優化后，強大的人工智能技術或將可以解鎖隱藏在海量數據中的臨床相關信息，最終有助于臨床決策[27]，為進一步實現精準醫療作出重要貢獻。
然而，人工智能在某些方面仍存在不足：首先，為求準確的預測結果需要對大量的數據信息進行分析，然而臨床數據整合時間較長、工作量較大；其次，在人工智能應用過程中容易出現過擬合的情況，導致預測結果與實際情況有差異；再次，人工智能應用的數據質量較高，而臨床數據或多或少存在數據缺失等，而且腦卒中量表評估存在主觀影響，可能造成評估誤差，導致數據差異較大；最后，隨著信息技術的迅猛發展，應該避免人工智能在臨床應用過程中可能出現的泄露患者個人隱私等問題，注意保護患者信息安全。因此，在有效應用人工智能解決臨床問題的同時，還應關注其不足之處所帶來的信息偏差和信息泄露等。
利益沖突：所有作者聲明不存在利益沖突。
腦卒中是目前導致居民長期殘疾的主要疾病之一，雖然其臨床預后與早期及時干預直接相關[1]，但并非所有患者都能從快速干預中受益。如何制訂有效的康復治療方案、高效利用目前有限的醫療資源顯得尤為重要。近年來，人工智能技術快速發展，隨著計算機算法的不斷優化，人工智能在醫學領域已有效應用于智能診斷和疾病治療等方面。基于人工智能的疾病診斷和預測可以指導腦卒中的早期干預，有針對性的治療可以在一定程度上大大降低腦卒中患者的失能程度，甚至可以減少失能的發生，改善緊張的社會醫療資源的浪費。本文將綜述人工智能技術在腦卒中診斷、治療及結局預測過程中的應用情況，并提出人工智能的不足之處，旨在為進一步指導人工智能相關腦卒中精準醫療提供思路。
1 人工智能
人工智能是在計算機科學、控制論、信息論、神經心理學、哲學、語言學等多種學科基礎之上發展起來的一門綜合性交叉學科[2-3]。機器學習作為人工智能中目前應用最廣泛的技術之一，可以在數據沒有被明確編程的情況下，基于樣本數據建立數學模型作出預測和決策，其利用計算機算法和統計模型在大數據處理方面表現出了良好的優勢[4]。機器學習主要有 3 種學習方法，即監督學習、無監督學習和強化學習[5]。監督學習是將具有分類標簽的數據作為學習目標，通過已打好標簽的數據進行模擬訓練，最終將新數據與訓練好的模型相關聯；無監督學習則處理分類標簽的數據，通過計算機算法尋求數據間的內在聯系和規律，從而發現數據間潛在的結構特征；強化學習是通過不斷的試錯，從中形成在特定問題空間中的行動策略[6]。因此，基于機器學習在數據處理方面的優勢，人工智能可通過計算機系統對數據進行學習，對疾病作出預測和決策。
2 人工智能在腦卒中醫學診斷與決策中的應用
2.1 人工智能在腦卒中醫學診斷中的應用
腦卒中是我國三大死亡原因之一，也是我國傷殘調整生命年的首位原因[7]。腦卒中患者早期及時有效的治療對于患者結局影響較大，因此，腦卒中的早期診斷顯得尤為重要。由于科技的進步，目前人工智能在神經系統疾病診斷和評估方面取得了顯著進步，如頭顱 CT 診斷腦卒中急性期患者[8-9]、腦電監測技術在顱腦損傷急性期患者中的應用[10]等。Titano 等[9]的一項隨機、雙盲、前瞻性試驗將三維卷軸神經網絡應用于篩查頭顱 CT 圖像是否存在急性神經系統事件，結果顯示通過機器學習算法判讀顱腦 CT 影像僅需 1.2 s，比放射科醫生快約 150 倍。人工智能在影像學中應用不僅能有效診斷腦卒中，且其計算方法較其他算法誤差小。王雯雯等[11]將深度學習應用于自發性腦出血患者 CT 影像分割算法中，以精準計算病灶體積，結果顯示該算法預測的病灶體積較多田公式計算結果誤差更小。陸言巧等[12]提出將人工智能應用于腦卒中的輔助診療過程中，以優化傳統風險評估模型，預測病情演變，為臨床工作的開展帶來更多便利。人工智能在腦卒中診斷中的應用不僅能緩解醫生的工作壓力，提高工作效率，還有助于對檢查信息進行進一步的挖掘，探索其發病的原因和發病的機制，對制定診療方案及改善患者預后也有一定的指導作用。
2.2 人工智能在腦卒中診療決策中的應用
人工智能應用于腦卒中醫療領域有助于減輕我國不斷加劇的疾病負擔。臨床決策支持系統（clinical decision support system，CDSS）是將人工智能和醫療大數據進行有效結合而開發出的臨床決策支持工具，其主要將臨床信息與知識庫相匹配，提供基于循證證據的優化診療方案[13]。Weir 等[14]將 CDSS 用于評估腦卒中診療處方實踐的影響，該系統可針對每種潛在的抗血栓形成療法，提供患者特定的預期缺血性和出血性血管事件發生率的估計值。而丁玲玲等[13]將 CDSS 用于輔助高危人群識別、急性期再灌注治療決策支持、實現自動化病因分型以及二級預防策略的制定等，結果顯示 CDSS 是能在提高腦血管病醫療質量、改善患者結局方面發揮重要作用一種臨床診療工具。我國作為人口大國，醫療資源仍存在相對不足，且城市與農村、城市與城市之間醫療資源分布不均衡，CDSS 的應用在解決我國醫療資源欠缺區域疾病負擔并提升醫務人員診療能力等方面可以發揮巨大的推進作用，能在一定程度上減緩我國醫療資源分布不均衡的情況。
3 人工智能在腦卒中預測中的應用
腦卒中的病因和發病機制復雜，影響因素較多，現有治療方案也多樣，但目前研究缺乏系統性，絕大多數治療方案僅切中其中的一個環節，同時還有部分研究未切中臨床的需求，因此醫生在規劃腦卒中診療方案時很難作出全面、快速、精準的判斷[15]。隨著人工智能技術的發展，其算法有了巨大的突破，這一突破更好地解決了目前所面臨的繁瑣、復雜的臨床情況。
3.1 人工智能在腦卒中并發癥預測中的應用
腦卒中發生后常易出現卒中相關性肺炎、卒中后抑郁、靜脈血栓形成、壓瘡等并發癥，這些并發癥往往導致病情加重甚至死亡等。目前已有相關研究將人工智能應用于上述并發癥的預測中，以便盡早采取干預措施，減輕病情。Li等[16]收集 3160 例急性缺血性腦卒中患者的數據，開發了 5 種機器學習模型，即帶規則的邏輯回歸、支持向量、隨機森林、極限梯度提升和完全連接的深度神經網絡，結果發現極限梯度模型較其他評分系統預測中國急性缺血性腦卒中患者的卒中相關性肺炎更具優勢，靈敏度為 81.0%，特異度為 73.3%。卒中后抑郁對腦卒中患者的治療、生存和恢復社交均有一定的消極影響，且其發生率為 20%～65%[17-18]，因此，早期篩查出卒中后抑郁高風險患者對指導預防和治療具有重要意義。Liu等[19]對 562 例腦卒中患者進行卒中后抑郁預測，將患者的人口統計資料（姓名、性別、年齡、受教育程度、體質量指數）、病史和血管因素、腦卒中后的功能狀態作為評估指標，同時還將社會心理因素和認知功能納入研究，結果顯示決策樹模型預測的準確性為 0.86，高于回歸模型。綜上所述，相比傳統疾病預測，人工智能對腦卒中并發癥預測準確性更高，使用起來也更便捷。
3.2 人工智能在腦卒中預后預測中的應用
深度神經網絡作為人工智能技術中的一種算法，由于有數百萬個可學習的連接權重，其具有強大的非線性函數逼近器的功能[20]。這種算法的優勢隨著可學習連接數量的增加，有向更深的體系結構發展的趨勢[21]。Heo 等[22]將深度神經網絡模型應用于急性缺血性卒中患者的預測中，在腦卒中發病后 3 個月對改良 Rankin 量表評分進行統計分析，結果顯示改良 Rankin 量表評分的受試者操作特征曲線下面積（0.888 vs. 0.839，P<0.001）顯著高于傳統急性卒中登記分析評分。另外，Hilbert等[23]選取 1301 例腦卒中患者的圖像數據應用深度學習進行自動圖像分析，結果提示深度學習在預測卒中預后方面優于放射圖像生物標志物，并且具有改善治療選擇的潛力。Cheon等[24]采用深度學習系統對腦卒中發生情況進行預測，將患者的性別、年齡、保險類型、入院方式、所需的腦外科手術、損傷區域、住院時間、醫院位置、醫院床位數量、卒中類型以及 Charlson 合并癥指數共 11 項指標作為研究變量對腦卒中進行預測，預測結果與腦卒中實際發生進行對比，發現該方法的靈敏度、特異度和受試者操作特征曲線下面積分別為 64.32%、85.56%和 83.48%，該研究的作者指出該方法不僅可以應用于腦卒中的預測，還可以對其他疾病進行預測。Heo等[22]選取 2604 例患者進行研究，目的是調查機器學習技術在預測缺血性腦卒中患者長期預后方面的適用性，結果顯示機器學習算法特別是深度神經網絡，可以改善缺血性腦卒中患者療效的預測。Lin 等[25]將人工智能應用于腦卒中后功能障礙的康復方法中，以預測卒中后的日常生活情況，證明了基于人工智能的預測方法不僅可以準確預測日常生活能力狀態，而且可以預測出院時日常生活能力評分。同時，人工智能中的深度神經網絡可以有助于腦卒中患者療效的預測。Nielsen等[26]將深度學習系統應用于腦卒中靜脈溶栓治療后對損傷腦組織進行結局預測和急性腦卒中治療后評估。人工智能不僅在腦卒中影響因素方面有較好的預測價值，在疾病療效評估方面亦有較高的應用價值。
4 展望
人工智能作為新興技術，在醫療領域中的運用可以大大降低成本并極大地提高工作效率，且隨著人工智能算法的突破，尤其是機器學習算法的改進，人工智能在臨床上的應用更具優勢。未來根據相關臨床問題不斷優化后，強大的人工智能技術或將可以解鎖隱藏在海量數據中的臨床相關信息，最終有助于臨床決策[27]，為進一步實現精準醫療作出重要貢獻。
然而，人工智能在某些方面仍存在不足：首先，為求準確的預測結果需要對大量的數據信息進行分析，然而臨床數據整合時間較長、工作量較大；其次，在人工智能應用過程中容易出現過擬合的情況，導致預測結果與實際情況有差異；再次，人工智能應用的數據質量較高，而臨床數據或多或少存在數據缺失等，而且腦卒中量表評估存在主觀影響，可能造成評估誤差，導致數據差異較大；最后，隨著信息技術的迅猛發展，應該避免人工智能在臨床應用過程中可能出現的泄露患者個人隱私等問題，注意保護患者信息安全。因此，在有效應用人工智能解決臨床問題的同時，還應關注其不足之處所帶來的信息偏差和信息泄露等。
利益沖突：所有作者聲明不存在利益沖突。