I.はじめに
頭蓋内出血（ICH）は、自然出血や外傷による二次出血など、さまざまな原因で起こる頭蓋内出血疾患であり、その診断と治療には脳外科、神経内科、救命救急医療、リハビリテーション科などが関与し、複数の分野が取り組むことが重要な課題です。臨床医向け。病気の複雑な臨床症状、兆候、補助検査のパターンをどのように見つけて、病気を理解するかは、臨床医の関心事です。近年、ディープラーニングに代表される人工知能（AI）技術の進歩により、病気に対する新たな理解の方法が私たちに提供されています。この記事では、臨床医が頭蓋内出血の診断と治療における人工知能の役割をより深く理解できるようにするために、人工知能の用語を簡単に整理し、これまでの関連研究をレビューします。「人工知能」という概念は 1950 年代に提唱され、知能の理解（学習、推論、思考、計画など）に基づいて人工的な手法によって実現される知能を指します [1]。従来の人工知能は主にさまざまなアルゴリズムを使用してデータのパターン、特に分類パターンを学習します。主な手法は機械学習 (ML) です。従来のアルゴリズムは、特徴変換を実行しないか、特徴変換または選択を 1 回のみ実行することがよくあります。つまり、線形判別分析 (LDA)、決定木 (DT)、サポート ベクター マシン (SVM)、分類用の単純な Bayan などの浅い学習手法です。イエスシアン (NB)、K 最近傍法 (KNN)、ロジスティック回帰分析など。各アルゴリズムには独自の制限があります。古典的なアルゴリズムの欠点を克服するために、コンピューター科学者は、特徴の複数の変換に基づく深層学習手法を提案してきました。これは、近年の機械学習で注目を集めています。深層学習の基礎は人工ニューラル ネットワーク (ANN、以下ニューラル ネットワークと呼びます) であり、多層ニューラル ネットワークと逆伝播 (BP) アルゴリズムを通じて、オートエンコーダーや制限付きボルツマン マシンなどのさまざまなネットワーク構造が確立されます (RBM)。 、畳み込みニューラル ネットワーク (CNN)、リカレント ニューラル ネットワーク (RNN) など [2]。臨床医は長年、人工知能技術を利用して頭蓋内出血の診断と治療を改善したいと望んでいた。大学で CT がまだ普及していなかった 1980 年代に、米国ロチェスター大学医学部の Panzer ら [3] は、脳疾患の診断を支援するコンピュータ支援意思決定システムを報告しました。判別分析と単純ベイズ理論では、脳出血を診断するための「ゴールドスタンダード」として単純頭部 CT スキャンが使用されており、その診断は正確です。
その割合はわずか5%～67%です。1995 年に、Phillips ら [4] は、脳神経膠芽腫の腫瘍内出血を自動的にセグメント化するアルゴリズムを開発しました。脳神経膠腫患者の頭部 MRI 画像に基づいて、教師なしファジー C 平均法 (FCM) クラスタリングを使用しました。画像診断と病理学を「ゴールドスタンダード」として使用して、血腫の自動セグメンテーションを実現します。1998 年に Zernikow ら [5] は、臨床情報を使用して未熟児の脳室内出血を予測するモデルを報告しました。ニューラル ネットワーク アルゴリズムの助けを借りて、このモデルは最終的に受信者動作特性曲線 (ROC) 曲線下面積を達成しました (検証セットの AUC) は 0.94 で、ロジスティック回帰分析で構築されたモデル (AUC 値 0.88) よりも優れています。翌年、Edwards ら [6] は、頭蓋内出血の予後におけるニューラル ネットワーク アルゴリズムの適用について議論しました。この研究には、合計 81 人のテント上出血患者が含まれていました。検証セットとテスト セットが設定されていなかったため、その結果のみが記載されました。死亡予測精度は 100% であり、ロジスティック回帰分析の 79% よりも優れています。上記の研究方法にはさまざまな問題があり、現在の基準からすると結果は満足のいくものではありませんが、20 世紀末には、研究者らは頭蓋内出血における人工知能の応用に関するいくつかの重要な方向性、すなわち臨床意思決定の支援を実証しました。システム (診断、治療、予後) および神経画像解析を行うと同時に、ニューラル ネットワーク アルゴリズムの可能性も実証します。
2. 頭蓋内出血の診断における人工知能の応用
これまで、多くの研究が機械学習手法を使用して、さまざまな種類の神経画像診断で頭蓋内出血を自動的に識別してきました。2018 年に Chilamkurthy ら [7] は新しいアルゴリズムを Lancet に発表し、比較的正確な結果を達成しました. このアルゴリズムは、頭蓋骨骨折と正中線のずれを識別しながら、5 つの異なるタイプの頭蓋内出血を判定できます. 20 の医療センターが含まれていました 313 318頭蓋内出血患者の頭部 CT 画像 23,263 例を検証セットとして無作為に選択し、残りの 290,055 例を訓練セットとして使用し、同時にテストとして頭蓋内出血患者の頭部 CT 画像 491 枚を収集しました。セット。このモデルは深層学習手法を使用し、診断基準として 3 人の放射線科医の独立した判断を使用し、最終的に、アルゴリズムは検証セット内の頭蓋内出血、脳出血、脳室内破裂、硬膜下出血、硬膜外出血、およびくも膜下出血を診断します。腔内出血の ROC 曲線の値はそれぞれ 0.92、0.90、0.96、0.92、0.93、0.90 であり、テストセットの AUC 値はそれぞれ 0.94、0.95、0.93、0.95、0.97、0.96 であり、このアルゴリズムにより診断されます。頭蓋骨骨折と正中線のずれ そして、プレースホルダー効果の効果も良好で、検証セットのAUC値はそれぞれ0.92、0.93、0.86であり、テストセットのAUC値はそれぞれ0.96、0.97、0.92です[ 7]。それ以来、学者たちはアルゴリズムを改善することでトレーニングの効率を向上させる試みを続けてきました。2019年、Yeら[8]は、より少ない単純頭部CTスキャン画像（脳の1836例）からデータを取得するために、3次元畳み込みニューラルネットワークと一連のリカレントニューラルネットワークの構造を使用した、新しい深層学習アーキテクチャを試みた。脳出血と正常対照 1,000 例）. Chilamkurthy らでも同様の結果が得られました [7]. このアルゴリズムの検証セットにおける脳出血を診断するための ROC 曲線の AUC 値は ≥ 0.98 であり、脳出血を判定するための AUC 値は 0.98 以上でした。脳出血の 5 つのサブタイプは > 0.80 であり、アルゴリズムがトレーニングされているものより優れていることが確認されました。若手放射線科医による手動診断。同年、Kerら[9]は、CT画像に対して閾値変換（閾値処理）前処理を行うことで畳み込みニューラルネットワークアルゴリズムの学習効率を向上させ、頭部のみから頭蓋内出血の原因を特定しようとしていた。 399 人の患者の CT スキャン画像 F1 スコアは 0.71 ～ 0.90 から 0.93 ～ 0 に増加しました。95. さらに、一部の学者は現実世界により近いアルゴリズムを研究し続けています。2017年、Prevedelloら[10]は、脳出血、頭蓋内空間占有病変、水頭症を含む頭蓋内病変100例、急性虚血性脳卒中22例、急性虚血性脳卒中124例など、さまざまな頭蓋内病変の場合に頭蓋内出血を判定するアルゴリズムを実証した。畳み込みニューラル ネットワーク アルゴリズムの助けを借りて、頭部 CT 単純スキャン画像に基づく正常コントロール、脳組織ウィンドウと脳卒中ウィンドウでそれぞれトレーニング、最後にアルゴリズムはテスト セット内の頭蓋内病変を診断組織ウィンドウ ROC の AUC 値曲線は 0.91、ストローク ウィンドウの AUC 値は 0.81 でした。2016 年、Qi ら [11] は脳微小出血 (CBM) の自動認識モデルを構築しました。脳微小出血患者の合計 320 枚の頭部 MRI 画像が分析されました。 3 次元畳み込みニューラル ネットワーク アルゴリズムの最終診断感度は 93% です。
3. 頭蓋内血腫セグメンテーションにおける人工知能の応用
頭蓋内出血の出血量、出血部位、出血時間は治療の決定と予後に影響を与える重要な要素であり、画像上で血腫を正確にセグメント化できるかどうかは、人工知能技術を使用してより詳細な分析を行う第一歩となります。現在、さまざまな自動セグメンテーション方法を検討する多くの研究が行われていますが、画期的な進歩はまだありません。このような研究では主に、アルゴリズムによるセグメンテーションを評価するための「ゴールドスタンダード」として、画像専門家による手動による血腫のセグメンテーションが使用されています。2018 年に、Chang ら [15] は、頭部 CT 画像内の出血部位を大まかに特定できるアルゴリズムを報告しました。関心 (ROI). 血腫を評価し、畳み込みニューラル ネットワーク アルゴリズムを使用して深層学習を実行. 頭蓋内出血患者 10,159 人の頭部 CT スキャン画像をトレーニング セットとして使用. 最後に、アルゴリズムの ROC 曲線 AUC 値テストセットにおける頭蓋内出血の診断は0.98で、脳出血、硬膜下出血および/または硬膜外出血、およびくも膜下出血の認識ダイス値はそれぞれ0.93、0.86、0.77でしたが、アルゴリズムは血腫を自動的にマークすることはできません。境界を測定し、血腫量を計算します。2016 年、ドイツのハイデルベルク大学病院の Scherer ら [16] は、頭部 CT スキャン画像内の血腫を直接セグメント化できるアルゴリズムを Stroke で発表しました。含まれていた 58 人の脳出血患者には、トレーニング セットに 28 人、検証セットに 30 人が含まれていました。たとえば、ボクセルベースのランダム フォレスト法を使用して、2 人の研究者が血腫、脳組織、くも膜下出血を個別に手動でセグメント化しました。最終的な検証セットでは、アルゴリズムと手動セグメント化の間の一貫性相関係数 (CCC) は 0.99 でした。多田式との整合性相関係数は0です。82. 多田の式で計算された血腫量は手動セグメンテーションの血腫量よりも大幅に大きいですが、3 つの式間の差は統計的に有意ではありません。2019年に、Choら[17]は、新しい深層学習フレームワークを使用して、血腫をより正確に特定し、自動的にセグメント化できるアルゴリズムを報告しました.畳み込みニューラルネットワークと完全畳み込みネットワーク(FCN)の助けを借りて、135,974人の頭蓋内出血患者頭部CT単純スキャン画像の脳組織ウィンドウと脳卒中ウィンドウは自動的にセグメント化され、最後に2つの畳み込みニューラルネットワークと1つの完全畳み込みネットワークを直列に接続することでセグメント化効果が向上し、セグメント化精度は80%に達します回帰率は 82% に達します。一部の学者はまた、頭部 MRI 画像によるセグメンテーションの精度を向上させようと試みました. Morrison et al. [18] は、脳微小出血の半自動セグメンテーション アルゴリズムについて説明しました. 彼らは血腫を自動的にセグメント化し、それらを手動で修正しました. 最後に、テスト セットでは、アルゴリズムは手動セグメンテーションと同じであり、一貫性相関係数は 0.97 に達しました。
4. 頭蓋内出血の進行予測における人工知能の応用
頭蓋内出血後の血腫の拡大と続発性虚血性脳卒中も臨床医が懸念している問題ですが、現在、関連する研究はほとんどありません。Tan ら [19] は、「スポットサイン」に基づいて血腫の進行を自動的に予測するアルゴリズムを研究しました。この研究には 42 人の脳出血患者が含まれ、デュアルソース CT 強調画像に基づいて、機械学習のための素朴なベイズ理論を使用しました。造影剤の血管外漏出などの特徴を自動的に識別し、最終的に 2 つの画像特徴 (血腫内の総ヨウ素含有量と血腫の最も明るい部分の局所的ヨウ素含有量) を発見し、新しいスコアリング システムを確立します。テスト セットは両方とも手動識別よりも高いです。谷岡ら[20]は、ランダムフォレスト法を使用して、動脈瘤性くも膜下出血(aSAH)患者95人の12の臨床変数と血清細胞マトリックスタンパク質(MCP)の発現変化を分析し、頭蓋内出血後の遅発性虚血性脳卒中を予測するためのモデルを報告した。予測モデルを構築するため、最終的な予測精度は 95% に達しました。このアルゴリズムの重要な影響因子は、3 つの細胞マトリックスタンパク質の発現レベルと頭蓋内動脈瘤の位置です。Ramos et al [21] は、臨床変数と頭部 CT スキャン画像を組み合わせて、虚血性脳卒中を予測するためのモデルを構築しました。彼らは、機械学習に最小冗長最大相関 (mRMR)、サポート ベクター マシン、部分最小二乗回帰を使用し、次のことを発見しました。動脈瘤性くも膜下出血患者の場合、CT スキャン画像情報を含むモデルの ROC 曲線の AUC 値は 0.74 であり、臨床情報のみに基づいて構築されたモデル (AUC 値は 0.68) よりも高かった。Park et al. [22] は、Ramos et al. [21] と同様のアルゴリズムを使用し、臨床情報とバイタルサインやその他の指標を組み合わせ、最終的に、検証セットにおけるアルゴリズムの ROC 曲線の AUC 値は 0.77 でした。微小動脈瘤の破裂リスクを予測するためにも機械学習手法が使用されており、Kim et al. [23] は 3 次元デジタルサブトラクション血管造影 (3D-DSA) を使用して動脈瘤を自動的に特定し、予測モデルを構築しました。合計 368 人の患者畳み込みニューラル ネットワーク アルゴリズムの助けを借りて、このモデルは最終的に、テスト セット内で 77% の精度で小さな動脈瘤の破裂を予測しました。
5. 頭蓋内出血の予後予測における人工知能の応用
頭蓋内出血の転帰を予測することは臨床医にとって常に懸念事項であり、予後を予測できるいくつかのスコアとスケールを構築するために従来の分析手法が使用されてきました。人工知能技術の発展により、大量の臨床データを処理することが可能になりましたより正確なモデルを構築することが可能です。Gupta ら [24] は、退院後 3 か月および 12 か月後の修正ランキン スケール (mRS) スコアを予測する脳内出血アウトカム モデル (ICHOP) を構築し、575 人の脳出血患者から 200 以上の変数を収集し、それに基づいて関連因子をスクリーニングしました。線形回帰を用いて予測モデルを構築し、退院後3ヶ月および12ヶ月後のmRSスコアを予測するためのROC曲線のAUC値はそれぞれ0.89および0.87であり、従来の脳出血スコア（AUC値）よりも良好でした。 0.84と0.81）。Zafarら[25]は、ロジスティック回帰分析と多変量多変量を使用して、臨床的特徴、生理学的パラメーターなどを含む473の変数を含む合計153人の患者を含む動脈瘤性くも膜下出血患者を予測するためのグラスゴー予後分類(GOS)モデルを実証した。水平法を使用して予測モデルを構築し、死亡および自立生活を予測するためのモデルのROC曲線AUC値はそれぞれ0.92および0.95でした。Rohautら[26]は、脳出血患者の短期的な意識回復を予測するためのモデルを報告しており、脳出血患者158人のうち、105人は意識が良好で、53人は意識を失っていた。エラスティックネットワークにより収集・分析し、ロジスティック回帰分析を用いて予測モデルを構築、集中治療室退室時の意識状態を予測するROC曲線のAUC値は0.74、集中治療室退室時の意識状態を判定するAUC値は0.74であった。 MRI画像によるMRI検査時の意識も0.74でした。
6. 参考文献
[1] Wang RZ、Feng M、Liu XH. 人工知能技術の適用により脳神経外科の発展が促進される［J］. Zhongguo [2]
Wei Qin Xi Shen Jing Wai Ke Za Zhi、2018、23:241⁃243［. Wang Renzhi 、Feng Ming、Liu Xiaohai. 人工知能テクノロジーを使用して神経外科の開発を促進する [J]. Chinese Journal of Microinvasive Neurosurgery、2018、23:241⁃243.] [3] Hu Y、Luo DY、Hua K、Lu HM
, Zhang XG. ディープラーニングの概要［J］. Zhi Neng Xi Tong Xue Bao, 2019, 14:1⁃19［. Hu Yue, Luo Dongyang, Hua Kui, Lu Haiming, Zhang Xuegong. ディープラーニングの概要と考察［ J ]. Journal of Intelligent Systems, 2019, 14:1⁃19.]
[4] Panzer RJ、Feibel JH、Barker WH、Griner PF. 脳卒中患者における出血の可能性の予測［J］. Arch Intern Med、1985 、145：1800⁃1803。
[5] フィリップスWE 2位、フェルトハイゼンRP、プーファニッチS、ホールLO、クラークLP、シルビガーML。ファジィ C ⁃ の適用は、多形出血性神経膠芽腫の MR 画像における組織区別のためのセグメンテーション技術を意味します［J］。Magn Reson Imaging、1995、13:277⁃290。
[6] Zernikow B、Holtmannspoetter K、Michel E、Theilhaber M、Pielemeier W、Hennecke KH。早産児の頭蓋内出血を予測するための人工ニューラル ネットワーク［J］。Acta Paediatr、1998、87:969⁃975。
[7] エドワーズDF、ホリングスワースH、ザズーリアAR、ディリンジャーミネソタ。人工ニューラルネットワークは脳内出血における死亡率の予測を改善する［J］。神経学、1999、53:351⁃357。