I. Introducción
La hemorragia intracraneal (HIC) es una enfermedad hemorrágica intracraneal causada por diversas razones, incluido el sangrado espontáneo y el sangrado secundario causado por un trauma. El diagnóstico y tratamiento involucran neurocirugía, neurología, medicina de cuidados intensivos, rehabilitación, etc. Múltiples disciplinas son un desafío importante. para los médicos. Cómo encontrar patrones en las complejas manifestaciones clínicas, signos y exámenes auxiliares de las enfermedades, y luego comprenderlas, es una preocupación de los médicos. En los últimos años, el avance de la tecnología de inteligencia artificial (IA) representada por el aprendizaje profundo nos ha proporcionado nuevas formas de comprender las enfermedades. Este artículo clasifica brevemente la terminología de la inteligencia artificial y revisa investigaciones anteriores relacionadas, con la esperanza de ayudar a los médicos a obtener una comprensión más profunda del papel de la inteligencia artificial en el diagnóstico y tratamiento de la hemorragia intracraneal. El concepto de "inteligencia artificial" fue propuesto en la década de 1950 y se refiere a la inteligencia realizada mediante métodos artificiales basados en la comprensión de la inteligencia (como el aprendizaje, el razonamiento, el pensamiento, la planificación, etc.) [1]. La inteligencia artificial clásica utiliza principalmente varios algoritmos para aprender patrones en los datos, especialmente patrones de clasificación, y el método principal es el aprendizaje automático (ML). Los algoritmos clásicos a menudo no realizan transformación de características, o solo realizan transformación o selección de características una vez, es decir, métodos de aprendizaje superficial, incluido el análisis discriminante lineal (LDA), el árbol de decisión (DT), la máquina de vectores de soporte (SVM) y el Bayan ingenuo para clasificación. Yessian (NB), así como K vecino más cercano (KNN), análisis de regresión logística, etc. Cada algoritmo tiene sus propias limitaciones. Para superar las deficiencias de los algoritmos clásicos, los informáticos han propuesto métodos de aprendizaje profundo basados en múltiples transformaciones de características, que se han convertido en un tema candente en el aprendizaje automático en los últimos años. La base del aprendizaje profundo es la red neuronal artificial (ANN, en lo sucesivo denominada red neuronal). A través de la red neuronal multicapa y el algoritmo de retropropagación (BP), se establecen diferentes estructuras de red, incluido el codificador automático y la máquina de Boltzmann restringida (RBM). , red neuronal convolucional (CNN), red neuronal recurrente (RNN), etc. [2]. Los médicos han esperado durante mucho tiempo utilizar la tecnología de inteligencia artificial para mejorar el diagnóstico y el tratamiento de la hemorragia intracraneal. Ya en la década de 1980, cuando la TC aún no se había vuelto popular en las universidades, Panzer y otros [3] de la Facultad de Medicina de la Universidad de Rochester (Estados Unidos) informaron sobre un sistema de toma de decisiones asistido por computadora para ayudar en el diagnóstico de enfermedades cerebrales. hemorragia basada en los síntomas y signos clínicos del paciente.El análisis discriminante y la teoría ingenua de Bayes utilizan la tomografía computarizada simple de la cabeza como el "estándar de oro" para diagnosticar la hemorragia cerebral, y su diagnóstico es preciso.
La tasa es sólo del 5% al 67%. En 1995, Phillips y otros [4] desarrollaron un algoritmo para segmentar automáticamente la hemorragia intratumoral en el glioblastoma cerebral. Basándose en la imagen de resonancia magnética de la cabeza de un paciente con glioma cerebral, utilizaron agrupaciones de medias C difusas (FCM) no supervisadas. utiliza imágenes y patología como "estándar de oro" para lograr la segmentación automática del hematoma. En 1998, Zernikow y otros [5] informaron de un modelo que utilizaba información clínica para predecir la hemorragia intraventricular en bebés prematuros. Con la ayuda de un algoritmo de red neuronal, el modelo finalmente alcanzó el área bajo la curva característica operativa del receptor (ROC) ( AUC) en el conjunto de validación es 0,94, que es mejor que el modelo construido con análisis de regresión logística (valor AUC 0,88). Al año siguiente, Edwards y otros [6] discutieron la aplicación de algoritmos de redes neuronales en el pronóstico de la hemorragia intracraneal. Este estudio incluyó un total de 81 pacientes con hemorragia supratentorial. Dado que no se establecieron conjuntos de validación ni de pruebas, solo se establecieron sus resultados. En el conjunto de entrenamiento se informaron. La precisión de la predicción de muerte es del 100%, que es mejor que el 79% del análisis de regresión logística. Aunque los métodos de investigación mencionados anteriormente tienen varios problemas y los resultados no son satisfactorios según los estándares actuales, ya a finales del siglo XX, los investigadores han demostrado varias direcciones importantes para la aplicación de la inteligencia artificial en la hemorragia intracraneal, a saber, el apoyo a las decisiones clínicas. (diagnóstico, tratamiento, pronóstico) y análisis de neuroimagen, demostrando al mismo tiempo el potencial de los algoritmos de redes neuronales.
2. Aplicación de la inteligencia artificial en el diagnóstico de hemorragia intracraneal
Hasta la fecha, muchos estudios han utilizado métodos de aprendizaje automático para identificar automáticamente la hemorragia intracraneal en varios tipos de neuroimagen. En 2018, Chilamkurthy et al [7] publicaron un nuevo algoritmo en Lancet y lograron resultados relativamente precisos. Este algoritmo puede determinar 5 tipos diferentes de hemorragia intracraneal, al mismo tiempo que identifica fracturas de cráneo y desplazamientos de la línea media. Se incluyeron 20 centros médicos 313 318 De la Imágenes de TC de cabeza de pacientes con hemorragia intracraneal, se seleccionaron aleatoriamente 23.263 casos como conjunto de verificación y los 290.055 casos restantes se utilizaron como conjunto de entrenamiento.Al mismo tiempo, se recogieron 491 imágenes de TC de cabeza de pacientes con hemorragia intracraneal como prueba. colocar. El modelo utiliza un método de aprendizaje profundo y utiliza el criterio independiente de tres radiólogos como estándar de diagnóstico. Finalmente, el algoritmo diagnostica hemorragia intracraneal, hemorragia cerebral, rotura intraventricular, hemorragia subdural, hemorragia epidural y hemorragia subaracnoidea en el conjunto de validación. de la curva ROC para hemorragia intracavitaria son 0,92, 0,90, 0,96, 0,92, 0,93 y 0,90 respectivamente, y los valores de AUC en el conjunto de prueba son 0,94, 0,95, 0,93, 0,95, 0,97 y 0,96 respectivamente; este algoritmo diagnostica fracturas de cráneo y cambios de la línea media Y el efecto del efecto de marcador de posición también es bueno, sus valores de AUC en el conjunto de validación son 0,92, 0,93 y 0,86 respectivamente, y en el conjunto de prueba los valores de AUC son 0,96, 0,97 y 0,92 respectivamente [ 7]. Desde entonces, los académicos han seguido intentando mejorar la eficiencia del entrenamiento mejorando los algoritmos. En 2019, Ye y otros [8] probaron una nueva arquitectura de aprendizaje profundo, utilizando la estructura de una red neuronal convolucional tridimensional y una serie de redes neuronales recurrentes para obtener datos de menos imágenes de tomografía computarizada de cabeza simple (1836 casos de cerebro). (hemorragia y 1000 casos de controles normales). Se obtuvieron resultados similares con Chilamkurthy et al. [7]. El valor AUC de la curva ROC para diagnosticar hemorragia cerebral en el conjunto de validación de este algoritmo fue ≥ 0,98, y el valor AUC para juzgar 5 subtipos de hemorragia cerebral fue > 0,80 y se confirmó que el algoritmo es mejor que los entrenados Diagnóstico manual por radiólogos junior. Ese mismo año, Ker y otros [9] intentaron mejorar la eficiencia del entrenamiento del algoritmo de red neuronal convolucional realizando un preprocesamiento de conversión de umbral (umbral) en imágenes de TC y estaban a punto de determinar la causa de la hemorragia intracraneal solo a través de la cabeza. Imágenes de tomografía computarizada de 399 pacientes. La puntuación F1 aumentó de 0,71 ~ 0,90 a 0,93 ~ 0. 95. Además, algunos académicos continúan explorando algoritmos que se acercan más al mundo real. En 2017, Prevedello et al [10] demostraron un algoritmo para juzgar la hemorragia intracraneal en el contexto de diversas lesiones intracraneales, incluidos 100 casos de lesiones intracraneales que incluyen hemorragia cerebral, lesiones intracraneales que ocupan espacio e hidrocefalia, 22 casos de accidente cerebrovascular isquémico agudo y 124 controles normales, basados en imágenes de tomografía computarizada simple de la cabeza, con la ayuda de un algoritmo de red neuronal convolucional, entrenados respectivamente con ventana de tejido cerebral y ventana de accidente cerebrovascular. Finalmente, el algoritmo diagnosticó lesiones intracraneales en el conjunto de prueba. El valor AUC de la ventana de tejido ROC La curva fue de 0,91 y el valor AUC de la ventana de accidente cerebrovascular fue de 0,81. En 2016, Qi et al. [11] construyeron un modelo de reconocimiento automático de microhemorragias cerebrales (CBM). Se tomaron un total de 320 imágenes de resonancia magnética de la cabeza de pacientes con microhemorragias cerebrales. concatenado con la ayuda de series El algoritmo de red neuronal convolucional tridimensional tiene una sensibilidad de diagnóstico final del 93%.
3. Aplicación de inteligencia artificial en la segmentación de hematomas intracraneales.
El volumen de sangrado, el lugar de sangrado y el tiempo de sangrado de la hemorragia intracraneal son factores importantes que afectan las decisiones de tratamiento y el pronóstico. Si el hematoma se puede segmentar con precisión en las imágenes es el primer paso para utilizar la tecnología de inteligencia artificial para un análisis más profundo. Actualmente hay muchos estudios que exploran varios métodos de segmentación automática, pero aún no se han logrado grandes avances. Dichos estudios utilizan principalmente la segmentación manual de hematomas realizada por expertos en imágenes como el "estándar de oro" para evaluar la segmentación algorítmica. En 2018, Chang y otros [15] informaron sobre un algoritmo que puede identificar aproximadamente el sitio de sangrado en imágenes de TC de cabeza, utilizando el método de regresión de cuadros delimitadores para utilizar una plantilla mixta tridimensional y/o bidimensional basada en la región de interés (ROI). Evalúe el hematoma y luego use el algoritmo de red neuronal convolucional para realizar un aprendizaje profundo. Las imágenes de tomografía computarizada de la cabeza de 10,159 pacientes con hemorragia intracraneal se usaron como conjunto de entrenamiento. Finalmente, el valor AUC de la curva ROC del algoritmo para El diagnóstico de hemorragia intracraneal en el conjunto de pruebas fue de 0,98 y los valores de reconocimiento de hemorragia cerebral, hemorragia subdural y/o hemorragia epidural y hemorragia subaracnoidea son 0,93, 0,86 y 0,77 respectivamente, pero el algoritmo no puede marcar automáticamente el hematoma. límite y calcular el volumen del hematoma. En 2016, Scherer et al [16] del Hospital Universitario de Heidelberg en Alemania publicaron en Stroke un algoritmo que puede segmentar directamente los hematomas en imágenes de tomografía computarizada de la cabeza. Los 58 pacientes con hemorragia cerebral incluidos incluyeron 28 en el conjunto de entrenamiento y 30 en el de validación. Por ejemplo, utilizando el método de bosque aleatorio basado en vóxeles, dos investigadores segmentaron manualmente de forma independiente el hematoma, el tejido cerebral y la hemorragia subaracnoidea. En el conjunto de validación final, el coeficiente de correlación de consistencia (CCC) entre el algoritmo y la segmentación manual fue de 0,99. El coeficiente de correlación de consistencia con la fórmula de Tada es 0. 82. Aunque el volumen del hematoma calculado mediante la fórmula de Tada es significativamente mayor que el de la segmentación manual, la diferencia entre los tres no es estadísticamente significativa. En 2019, Cho y otros [17] utilizaron un nuevo marco de aprendizaje profundo para informar un algoritmo que puede identificar y segmentar automáticamente los hematomas con mayor precisión. Con la ayuda de redes neuronales convolucionales y redes totalmente convolucionales (FCN), 135 974 pacientes con hemorragia intracraneal Se analizaron. La ventana de tejido cerebral y la ventana de trazo de la imagen de tomografía computarizada simple de la cabeza se segmentan automáticamente. Finalmente, el efecto de segmentación se puede mejorar conectando dos redes neuronales convolucionales y una red completamente convolucional en serie, haciendo que la precisión de la segmentación alcance el 80%. y la tasa de regresión alcanza el 82%. Algunos estudiosos también intentaron mejorar la precisión de la segmentación mediante imágenes de resonancia magnética de la cabeza. Morrison et al. [18] describieron un algoritmo de segmentación semiautomática para microhemorragias cerebrales. Segmentaron automáticamente los hematomas y los corrigieron manualmente. Finalmente, en el conjunto de pruebas, el El algoritmo fue el mismo que el de la segmentación manual. El coeficiente de correlación de consistencia alcanza 0,97.
4. Aplicación de la inteligencia artificial en la predicción de la progresión de la hemorragia intracraneal
La expansión del hematoma y el accidente cerebrovascular isquémico secundario después de una hemorragia intracraneal también son temas que preocupan a los médicos y actualmente existen pocos estudios relevantes. Tan et al [19] exploraron un algoritmo para predecir automáticamente la progresión del hematoma basándose en el "signo del punto". Este estudio incluyó a 42 pacientes con hemorragia cerebral, basándose en imágenes mejoradas por TC de doble fuente, utilizando la teoría ingenua de Bayes para el aprendizaje automático. e identifique automáticamente características como la extravasación de agente de contraste y, finalmente, descubra dos características de imagen (contenido de yodo total en el hematoma y contenido de yodo local en la parte más brillante del hematoma) y establezca un nuevo sistema de puntuación. La sensibilidad y especificidad de este algoritmo en el conjunto de prueba son superiores a la identificación manual. Tanioka et al [20] informaron un modelo para predecir el accidente cerebrovascular isquémico retardado después de una hemorragia intracraneal, analizando 12 variables clínicas y cambios de expresión de las proteínas séricas de la matriz celular (MCP) en 95 pacientes con hemorragia subaracnoidea aneurismática (aSAH), utilizando el método del bosque aleatorio. Para construir un modelo de predicción, la precisión de la predicción final alcanzó el 95%. Los factores que influyen importantes en este algoritmo son los niveles de expresión de tres proteínas de la matriz celular y la ubicación de los aneurismas intracraneales. Ramos et al [21] combinaron variables clínicas e imágenes de tomografía computarizada de la cabeza para construir un modelo para predecir el accidente cerebrovascular isquémico. Utilizaron correlación máxima de redundancia mínima (mRMR), máquina de vectores de soporte y regresión parcial de mínimos cuadrados para el aprendizaje automático y encontraron que 317 Para un En un paciente con hemorragia subaracnoidea por aneurisma, el valor de AUC de la curva ROC del modelo que incluía información de imágenes de tomografía computarizada fue de 0,74, que fue mayor que el del modelo construido únicamente con información clínica (el valor de AUC fue de 0,68). Park et al [22] utilizaron un algoritmo similar a Ramos et al [21] y combinaron información clínica con signos vitales y otros indicadores, finalmente el valor AUC de la curva ROC del algoritmo en el conjunto de validación fue de 0,77. Los métodos de aprendizaje automático también se utilizan para predecir el riesgo de rotura de los microaneurismas. Kim y otros [23] utilizaron angiografía por sustracción digital tridimensional (3D-DSA) para identificar automáticamente los aneurismas y construir un modelo de predicción. Un total de 368 pacientes Con la ayuda del algoritmo de red neuronal convolucional, el modelo finalmente predijo la rotura de pequeños aneurismas con una precisión del 77% en el conjunto de prueba.
5. Aplicación de la inteligencia artificial en la predicción del pronóstico de la hemorragia intracraneal
Predecir el resultado de una hemorragia intracraneal siempre ha sido una preocupación para los médicos. Se han utilizado métodos de análisis tradicionales para construir algunas puntuaciones y escalas que pueden predecir el pronóstico. Con el desarrollo de la tecnología de inteligencia artificial, es posible procesar una gran cantidad de datos clínicos. y construir modelos más precisos son posibles. Gupta et al [24] construyeron un modelo de resultado de hemorragia intracerebral (ICHOP) para predecir las puntuaciones de la Escala de Rankin modificada (mRS) 3 y 12 meses después del alta, recopilaron más de 200 variables de 575 pacientes con hemorragia cerebral y examinaron factores relacionados basándose en la Método de bosque aleatorio. Se construyó un modelo de predicción mediante regresión lineal. Los valores AUC de la curva ROC para predecir las puntuaciones mRS 3 y 12 meses después del alta fueron 0,89 y 0,87 respectivamente, que fueron mejores que la puntuación tradicional de hemorragia cerebral (valores AUC 0,84 y 0,81). Zafar et al [25] demostraron su modelo de clasificación de pronóstico de Glasgow (GOS) para predecir pacientes con hemorragia subaracnoidea por aneurisma, incluido un total de 153 pacientes con 473 variables, incluidas características clínicas, parámetros fisiológicos, etc., utilizando análisis de regresión logística y análisis multivariado. análisis Se utilizó el método horizontal para construir un modelo de predicción, y los valores AUC de la curva ROC del modelo para predecir la muerte y la vida independiente fueron 0,92 y 0,95, respectivamente. Rohaut y otros [26] publicaron un modelo para predecir la recuperación de la conciencia a corto plazo en pacientes con hemorragia cerebral. Entre los 158 pacientes con hemorragia cerebral, 105 tenían buena conciencia y 53 la habían perdido. Las imágenes de resonancia magnética de la cabeza de todos los sujetos Se recogieron y analizaron a través de una red elástica. Se utilizó un análisis de regresión logística para construir un modelo de predicción. El valor AUC de la curva ROC para predecir el estado de conciencia al salir de la unidad de cuidados intensivos fue 0,74, y el valor AUC para juzgar el estado de La conciencia al someterse a una resonancia magnética a través de imágenes de resonancia magnética también fue de 0,74.
6. Algunas referencias
[1] Wang RZ, Feng M, Liu XH. La aplicación de tecnología de inteligencia artificial promueve el desarrollo de la neurocirugía［J］. Zhongguo
[2] Wei Qin Xi Shen Jing Wai Ke Za Zhi, 2018, 23:241⁃243［. Wang Renzhi , Feng Ming, Liu Xiaohai. Uso de tecnología de inteligencia artificial para promover el desarrollo de la neurocirugía [J]. Revista china de neurocirugía microinvasiva, 2018, 23:241⁃243.] [3] Hu Y, Luo DY, Hua K, Lu HM
, Zhang XG. Visión general sobre el aprendizaje profundo［J］. Zhi Neng Xi Tong Xue Bao, 2019, 14:1⁃19［. Hu Yue, Luo Dongyang, Hua Kui, Lu Haiming, Zhang Xuegong. Visión general y debate sobre el aprendizaje profundo［ J]. Journal of Intelligent Systems, 2019, 14:1⁃19.]
[4] Panzer RJ, Feibel JH, Barker WH, Griner PF. Predicción de la probabilidad de hemorragia en pacientes con accidente cerebrovascular［J］. Arch Intern Med, 1985 , 145 :1800⁃1803.
[5] Phillips WE 2.º, Velthuizen RP, Phuphanich S, Hall LO, Clarke LP, Silbiger ML. Aplicación de la técnica de segmentación difusa C ⁃ para la diferenciación de tejidos en imágenes de resonancia magnética de un glioblastoma multiforme hemorrágico ［J］. Imágenes de Magn Reson, 1995, 13:277⁃290.
[6] Zernikow B, Holtmannspoetter K, Michel E, Theilhaber M, Pielemeier W, Hennecke KH. Red neuronal artificial para predecir hemorragia intracraneal en recién nacidos prematuros ［J］. Acta Paediatr, 1998, 87:969⁃975.
[7] Edwards DF, Hollingsworth H, Zazulia AR, Diringer MN. Las redes neuronales artificiales mejoran la predicción de la mortalidad en hemorragia intracerebral［J］. Neurología, 1999, 53:351⁃357.