首都医科大学宣武医院副院长卢洁教授：AI在脑脱(2)

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。

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。

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。

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。

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。

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。

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。

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。

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。

总结一下：

NMOSD的特征性病灶为室管膜周围病灶以及皮质脊髓束病灶。

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。

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。

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。

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。

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。

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。

文章来源：《中国医院院长》 网址: http://www.zgyyyc.cn/zonghexinwen/2022/1026/361.html