近日，《Nature 》子刊《Nature Communication》在线刊发了题为《Rapid vessel segmentation and reconstruction of head and neck CTA using 3D convolutional neural network》的科研论文（IF＝12．121）。该论文由首都医科大学宣武医院卢洁教授团队与数坤（北京）网络科技有限公司共同研究发布。论文第一作者为傅璠博士、通讯作者为卢洁教授。

该研究首次利用3D卷积神经网络设计了一个可实现头颈CTA血管分割的后处理系统，能够自动除去骨影像，自动完成头颈CTA血管重建。通过这样的途径，该模型一定程度上重塑了头颈CTA临床路径。

通常而言，头颈CTA检查需要患者进行两次CT扫描，但在该模型的辅助之下，只需一次增强扫描，患者便能获得可用于重建的影像结果。同时，在长达两年的研究周期中，AI重建的精度与准确度也随着训练的推进而不断趋近于完美，逐渐能与资深医师相当。

作为发病率高、死亡率高、复发率高、医疗负担高的全球性疾病，卒中等脑血管病患者达万亿级别。 对头颈CTA临床路径进行创新性突破，及其背后的临床价值是该研究成果被《Nature》子刊收录的重要原因之一。

此外，该论文的研究过程也重现了人工智能成长——练就一个有效的模型并非一蹴而就，这是一个循序渐进的过程。

全球亿级患者量的临床需求

最新全球疾病负担研究（Global Burden of Disease Study，GBD）显示，我国总体卒中终生发病风险为39．9％ ，位居全球首位，这意味着中国人一生中每５个人约有２个人会罹患卒中。此外，卒中也是我国疾病所致寿命损失年的第一位病因。《2019中国卫生健康统计提要》数据显示，2018年我国居民因脑血管病致死比例超过20％，这意味着每５位死亡者中至少有１人死于卒中。

全球而言，2019年3月11日，《Lancet Neurology》杂志发布的相关数据，2016年，仅卒中患病人数就为8010万，是全球第二大死亡原因。

缺血性卒中以及多种脑血管疾病诊疗中，头颈CTA检查是常规检查手段。然而，日益增加的检查量与有限CTA医师之间的矛盾，使得医院对于患者的需求应接不暇。科室工作压力逐渐增大，患者也许等待较长时间才能完成CTA检查预约及报告获取。

基于卷积神经网络的深度学习算法或能解决这一矛盾，自人工智能的洪流席卷医疗领域以来，许多医疗科技企业、医院学者纷纷尝试用AI的方式重塑CTA检查流程。提高CTA 检查效率、提高诊断准确率，其可能带来亿万患者的获益——这正是卢洁教授团队选择头颈CTA作为研究对象的重要因素之一，亦是全球医疗发展向善的趋势。

量变到质变，AI优化临床路径

经过多年发展，人工智能介入冠脉CTA的能力已经在实践之中得到验证，大量三甲医院心内科已经上线了数坤科技等AI企业研发的“AI＋CTA”产品。但相比于冠脉CTA，头颈CTA的重建过程显得更为复杂，其中的难度提升来源于CT影像之中骨显像带来的干扰。

“由于拍摄头颈CT时无法忽略颅骨部分，而颅骨密度高，在CT图像上会以与造影剂类似的高亮方式呈现，扫描的数值也非常接近。因此，医生必须使用一些特殊的方法将血管与颅骨区分出来。”数坤科技临床研究院负责人郭宁解释到。

具体而言，为消除颅骨显像对于重建的影响，医生往往会要求患者进行两次CT扫描，第一次不注射造影剂，第二次注射造影剂。在第一次CT扫描之中，能够显像的只有拥有高密度的颅骨部分，而第二次显像则能同时包含颅骨与血管。在进行两次扫描之后，对其结果进行一个减法，减去两次影像中均为高亮显示的颅骨部分，剩下的便是重建需要的血管影像。

实际之中，这样的操作常常会遇到很多问题。首先，这种方式对于患者的配合度要求非常高，患者两次扫描的位置必须匹配，也不能移动，否则减影效果会有所欠缺。其次，两次CT检查无疑会给予患者更多的辐射摄入，虽然剂量仍然在安全范围之内，但容易引起患者的担忧。

AI介入后，头颈CTA的检查流程由此发生了较大的改变。将减少一次CT扫描，为患者带来更好的就医体验，而重建影像耗费的时间也将由此大幅降低。

超十亿次血管勾画验证，AI实现颅内细小血管精准分割

回到论文，整个实验大致可分为模型训练与模型验证两个部分。18259例头颈CTA数据集均采集于2017年6月至2018年11月间，由5家国内顶尖三甲医院协作提供。按照每个病例600幅影像，每张影像10根血管进行计算，整个实验过程已对超过10亿根血管进行了AI勾画与分割。

为保证样本数据的有效性，研究人员手动检查排除了507项图像质量较差的样本数据，剩下9370例男性数据与8889例女性数据，所有参与者年龄均位于63±12岁这一区间。

研究设计

完成样本构建后，研究人员使用数坤科技开发的CerebralDoc AI模型对影像进行后处理重建。

一般的深度神经网络，在精度要求非常高的医疗图像中完成高标准的分割，难度比较大。比如，血管这种一张片子中只占几十甚至几个像素，在数坤之前，国内外都没有更好的网络能够大规模应用于临床。

数坤的CerebralDoc模型充分考虑了CT影像的三维特性和人体的组织器官特征，将待学习的组织目标（比如血管）的各类特征进行放大，在训练时能够充分将所需的特点进行学习提取。数坤专门设计的训练过程，能做到训练时从整体和局部分别观察血管，不断增强网络的鲁棒性，这是很独特的。

相比较数坤自己研发的前几代网络，新的神经网络在对颅内细小血管的追踪以及排除骨、静脉等干扰上又有突破。

数坤科技研究院负责人郭宁告诉动脉网：“这个实验进行至今已经超过2年。模型最初建立的时候，像一个刚刚出生的孩子，随着网络的快速成长，影像重建的准确率、效率，逐渐提升，到了论文发布时，AI的重建准确率已经趋近于1。”

效率质量不断提升，医生＋AI 优势互补

论文发布时，该AI的算法评价指标戴斯相关系数、血管加权分数和召回率均达到90％以上。

具体而言，AI 在独立测试集重建准确率达到了93．1％。而与152例手动重建数据进行对比，AI重建的合格率达到92．1％，此外，AI 重建VR图像的血管边界比手动重建更光滑、最大密度投影重建（MIP）图像的去骨效果更佳。

a右脑中动脉闭塞，没有建立侧支循环； b基底动脉瘤伴血栓和钙化，可在CerebralDoc重建的MIP中观察到； c寰枕手术后，AI中的金属伪影得到了更好的抑制；     d直接由主动脉引起的右颈总动脉和左椎动脉的分叉严重狭窄

AI重建和手动重建图像质量的比较。第一列可见AI 重建图像血管管壁更加光滑，分支显示更远；第二列可见手动去骨受扫描的影响较大

在效率提升上，AI同样发挥出优异的表现。该系统应用于宣武医院后，该院影像平均后处理时间由14．22±3．64min减至4．94±0．36min，时间缩短到原来的1／3。同时，技师的点击操作次数也因为AI的介入而飞速下降，由115．87±25．9下减至4下。

此外，使用5个月之后，宣武医院进行CTA后处理技师已经从3人缩减至1人。郭宁表示：“技师人数的变化反应了AI能力的成长，在实验之初，AI处理的结果仍需要医生进行修补确认，但随着模型逐渐成熟，医生已经能够将大部分工作交给AI进行，转而投身更有意义的分析与研究工作之中。这个时候，AI技术已经与医生的工作深入的融合在了一起。”

无远弗届

长期以来，我们一直无法通过定量的方式衡量AI为医生带来的价值，而本篇论文的研究方法无疑提供了一条合理的路径。

实验已经有效验证了AI在头颈CTA影像后处理中的优效性，研究团队仍在持续寻求提升空间。

郭宁告诉动脉网：“ 本次实验排除了一些存在伪影，或者存在先天血管畸变的病例，这将是我们下一阶段研究的重点目标。”

这放在整个人工智能领域同样适用。AI 经过了多年的发展，应用范围和应用深度上需医生和科学家团队不断向深度探索，接下来，我们还需要更多这样产学结合的成果，用实际结果证实AI的优效性。

作者：赵泓维