第107届北美放射学会(Radiological Society of North America，RSNA)年会于2021年11月28日至12月2日在美国芝加哥举行。受新冠疫情影响，大会采用线上线下结合模式，本次大会主题是“Redefining Radiology (重新定义放射学)”。现对第107届RSNA年会中枢神经系统方面的研究亮点及热点进行简要综述。

1 脑肿瘤

1.1 脑肿瘤影像在诊断分类中的进展

       世界卫生组织(World Health Organization，WHO)于2021年6月发布了中枢神经系统肿瘤分类第五版(the fifth edition of the WHO classification of tumors of the central nervous system，WHO CNS 5)。荷兰鹿特丹大学医学院的Marion Smits教授在RSNA 2021年会上对WHO CNS 5的更新要点作出了简要概括，她总结提出WHO CNS 5在结合组织学和免疫组织化学的基础上，重点推进了基因分子诊断在中枢神经系统肿瘤分类中的作用，肿瘤分类一直是日新月异的热点。

       WHO CNS 5更新内容主要有：(1)新增并修订命名多种肿瘤类型，强调组织/分子特征整合，如新增了原发性颅内肉瘤，DICER1突变型等等，根据已确定的分子遗传差异将胶质瘤分为儿童型和成人型，将原儿童脑肿瘤中“胶质母细胞瘤”修订为“儿童型弥漫性高级别胶质瘤”等等；(2)规范肿瘤分级用语，分级使用阿拉伯数字“1，2，3，4”替代罗马数字的“Ⅰ，Ⅱ，Ⅲ，Ⅳ”，确立基因和蛋白命名规则，明确后缀使用，更加简单和容易辨认；(3)融合新型诊断技术，即光学显微镜、电子显微镜、免疫组化和分子遗传多种方法相互结合；(4)体现分层报告诊断特点，影像诊断应尽可能提供肿瘤的WHO CNS 5分类、组织病理学分类和相关分子信息^[1]。笔者认为，WHO CNS 5更加突出了基因遗传、分子蛋白通路在肿瘤进展中的关键作用，在今后将推动靶向治疗或免疫治疗的迅猛发展。

1.2 脑肿瘤影像在基因预测中的进展

       人工智能(artificial intelligence，AI)方兴未艾，特别是深度学习的成熟和广泛应用，本次RSNA年会神经影像的热点主题为“AI在神经成像中的应用：我们身处何境？”。深度学习是机器学习研究中的一个新领域，基于神经网络模拟人脑进行分析学习，模仿人脑的机制来解释数据，如图像、声音、文本等。印第安纳大学医学院的Jason Glenn Parker团队将深度学习的前馈神经网络模型融入脑胶质瘤立体定向手术，用于预测基因外显子单核苷酸点突变。该研究纳入8名脑胶质瘤患者的术前MRI图像信息以及术中病理标本全外显子组基因处理数据，设计了一个4层前馈神经网络，预测分析肿瘤基因(包括PTEN、IDH1、TP53、EGFR、PIK3R1、PIK3CA、NF1和RB1)单核苷酸点突变情况，模型预测准确度为0.540～0.997，提示该模型具有较好的研究潜力，后续优化模型参数和扩增样本量有助于提高预测模型的准确度。美国加利福尼亚大学Evan DC Calabrese等利用400例胶质母细胞瘤患者的术前多模态MRI数据构建深度卷积神经网络模型，并提取肿瘤影像组学特征，结合两种方法预测患者CDKN2A/B基因缺失情况，该组合模型的敏感度和特异度分别为0.70和0.88，因此将深度学习和影像组学有机结合可以无创性地预测患者肿瘤基因突变位点，有助于提升放射科医师的临床决策权，辅助改进临床决策机制，造福更多患者。

1.3 脑肿瘤影像在随访评估中的进展

       同样采用深度学习，美国麻省总医院Jay Biren Patel团队纳入两家机构共215名脑转移瘤患者治疗后的颅脑MRI T1WI高分辨率结构像信息，基于神经肿瘤学界通用的神经肿瘤反应评价(response assessment in neuro-oncology，RANO)标准对所有脑转移瘤病灶边界进行人工分割，同时构建3D U-Net卷积神经网络模型进行病灶边界自动化分割，比较两种分割方法的一致性，组内相关系数(intraclass correlation coefficient，ICC)为0.88，研究表明深度学习方法可高效准确地量化评估脑转移瘤患者的治疗反应，对于评估和优化患者治疗方案具有重要价值。

       磁共振三维伪连续式动脉自旋标记成像(3D-pulsed continuous arterial spin labeling，3D-pCASL)通过设定多个标记后延迟时间量化前向血流和侧支循环血流，利用三维角度定向且定量评估全脑或ROI灌注情况。伦敦大学学院国民保健署信托基金医院Meghavi Mashar等将此改良技术应用于脑转移瘤患者放疗后分层评估，收集45例脑转移患者放疗后多次定期随访的MRI 3D-pCASL信息，分别评价ROI灌注情况(包括病变区域、病变周围区域及对侧大脑半球灰质区域)，对比患者立体定性放疗后及6个月后随访的治疗反应，结果表明3D-pCASL可对脑转移灌注作出准确评估，患者放疗后进行3D-pCASL扫描可预测未来6个月内的疗效。影像大数据与AI相结合能化“未知”为“已知”，精准评估肿瘤患者的疗效，有助于及时调整临床方案并改善病情预后，为患者争取更大的生存空间。

2 脑卒中

2.1 颅内脑血管成像技术在脑卒中的应用

       MRI血管壁成像(vessel wall imaging，VWI)通过抑制血管内血液流动信号从而清晰显示血管壁本身情况及斑块的病理特征。VWI是目前唯一可在人体中进行高分辨率血管成像的无创性检查，具有高空间分辨率和高信噪比等优势，对评估颅内血管性病变至关重要^[2]。RSNA 2021年会针对脑血管成像进展开设了讨论主题，意大利卡利亚里大学Luca Saba团队指出血管壁斑块的MRI特征与脑卒中预后密切相关，此外，他们认为颅内动脉斑块MRI评估要点为斑块负荷及强化特点，而颅外血管斑块如颈动脉斑块的MRI评估则更应注重斑块内出血情况。钝性脑血管损伤(blunt cerebrovascular injury，BCVI)是指颈动脉和椎动脉的非穿透性损伤^[3]，改良Denver分级系统可根据CT血管造影表现将BCVI严重程度分为五个等级，提示不同的卒中发生率^[4]，Luca Saba团队提出，随着BCVI的Denver评价等级升高，脑卒中的发生率及死亡率也随之增高，因此应大力推广VWI在BCVI患者中的临床应用。美国犹他大学Hediyeh Baradaran团队则概括了颅内VWI的临床应用范畴，包括鉴别血管狭窄的成因、区别腔隙性梗死灶和脑卒中区域、评估动脉粥样硬化斑块及血管炎的活动性、识别动脉瘤破裂部位以及划定中枢神经血管炎的活检靶区；另外，他们指出提升VWI图像质量需要：(1)有效抑制脑脊液及血管内血液流动；(2)高空间分辨率(推荐3 T或者7 T磁共振)；(3)多平面2D或者3D采集；(4)多对比加权采集(时间飞跃MRA，T2WI和增强扫描前后的T1WI)。

       笔者认为，由于颅内血管较颈动脉纤细且迂曲，在颅内应用VWI技术仍具一定挑战性，目前临床影像急需解决的问题包括快速准确鉴别斑块出血或血栓，以及挖掘血栓持续强化或强化减弱的病理生理意义，相信颅内VWI在未来仍有广阔的研究空间。

2.2 AI在脑卒中的应用

       为提高脑卒中的急诊CT诊断效能，基于深度学习的颅内出血影像智能检测软件已开始临床应用。美国阿勒格尼健康联盟医院Warren Chang团队回顾验证了1388名颅内出血的急诊和住院患者颅脑CT的AI检测报告，以神经放射领域专家的诊断意见作为标准，得出AI检测颅内出血的总体敏感度与特异度分别是0.79和0.95。韩国建国大学医院Jin Wook Choi等同样关注着AI提升颅内出血的CT诊断效能，该团队安排9名测试医师(包括3名非放射科的医生，3名放射科擅长神经影像诊断的医生以及3名放射科擅长其他系统影像诊断的医生)对146名颅内出血患者和150名正常对照组进行颅脑CT诊断，记录他们在AI辅助前和辅助后的诊断结果并验证分析，结果显示AI均可提升诊断医师对CT颅内出血的诊断准确率，其中对非放射科医生的诊断辅助效果最为显著。

       美国辛辛那提大学医疗中心的Achala Vagal教授在年会中概括了目前AI在急性缺血性脑卒中(acute ischemic stroke，AIS)的应用与挑战，展示了一系列利用手机AI软件观测患者AIS的日常应用图片，对AI在缺血性脑卒中病灶快速准确识别的应用价值中给予了充分的肯定，同时也指出AI影像诊断依然存在漏诊误诊情况，AI永远不会取代放射科医生。Alberta卒中计划早期CT评分(Alberta stroke program early CT score，ASPECTS)是一种基于CT平扫技术半定量评估急性缺血性脑卒中病变区域的评分系统^[5]，德国弗里德里希-亚历山大大学的Philip Hoelter团队研究表明，目前三种全自动ASPECTS评估AIS软件(Syngo.via Frontier ASPECT Score Prototype V2，Brainomix e-ASPECTS®和RAPID ASPECTS)与专家评估之间的评分结果存在较高一致性，AUC分别为0.752、0.759和0.734，提示这三种全自动影像评估软件可辅助提高AIS影像诊断准确率，具有良好的评估性能^[6]。

       脑卒中的治疗争分夺秒，快速且准确诊断是临床诊疗的关键。笔者认为，使用AI辅助算法不仅可以提升放射科医师的诊断准确性，而且可以有效缩短诊断时间，减少患者急诊周转耗时，争取早期干预以改善患者临床预后。

3 脑发育及认知功能障碍

3.1 脑结构成像进展

       认知障碍是记忆力进行性衰退的漫长过程，轻度认知障碍(mild cognitive impairment，MCI)患者存在三分之一的风险进展为阿尔茨海默病(Alzheimer′s disease，AD)^[7]，严重影响患者生活质量，对患者家庭和社会带来沉重负担。基于体素的形态学测量等等的MRI微结构分析技术已在认知障碍相关疾病中取得显著成就^[8]，有助于寻找认知障碍相关的神经影像学生物标志物。美国伊利诺伊理工大学Wu Yingjuan等在社区招募了400名非痴呆症老年人，收集所有受试者的MRI高分辨率T1WI及弥散张量成像(diffusion tensor imaging，DTI)图像信息，构造了0.5 mm级别的高质量磁共振多模态老年人脑模板，完善了伊利诺伊理工学院与拉什大学老龄化图谱，有助于更精准探索老年人认知相关脑结构改变的病理机制。

       此外，脑结构分析结合AI可进一步实现从宏观成像到虚拟细微组织的突破，是近年来的磁共振研究热点，对研究人脑发育和认知变化起着重要作用。美国辛辛那提图像研究中心Li Zhiyuan等的研究利用足月儿颅脑MRI体素及皮层形态学特征进行建模，用于早期预测辛辛那提儿童医院197名早产儿在两岁时的认知障碍情况，最终预测模型的准确度、敏感度和特异度分别为0.680、0.702和0.673，表现出该预测模型的高度临床实用性和可靠性。常规用于结构分析的磁共振成像序列耗时较长，不利于临床实际应用，美国第三方影像中心——RadNet公司的Suzie Bash等多中心前瞻性研究纳入40名受试者进行深度学习重建处理后的fast-MRI增强扫描，扫描时间缩短了60%，该研究还对AI处理后的快速扫描图像进行脑结构体积定量分析，用于受试者认知障碍程度分级，结果与临床护理分级完全一致。韩国国立首尔大学医院Eun Kyoung Hong团队先前开发的MRI AI深度学习模型可用于预测AD发病的可能性，该团队将此预测模型回顾性应用于284名MCI患者(包括144例早期MCI和140例晚期MCI)的MRI 3D T1WI图像中进行脑结构分析，近20%的患者在确诊MCI后3年内转变为AD，结果显示该预测模型总体准确率高达0.83，AUC为0.77。综上，笔者认为MRI结构定量分析结合深度学习模型可极大缩短扫描时间，严格保证图像质量及定量分析的精准度，并具有较高的预测评估性能。

3.2 脑功能成像结合AI的应用

       磁共振脑功能成像蓬勃发展，越来越多神经影像研究者将任务态或静息态功能成像应用于脑发育研究当中。比利时布鲁塞尔圣卢克大学Valeria Onofri等纳入88名健康新生儿进行静息态功能磁共振扫描，并利用多变量数据驱动模型(即机器学习模型)评估受试婴儿重要脑网络功能连接情况，表明分析腹侧和背侧注意网络、默认模式网络连接性可用于准确推断婴儿出生时胎龄，该研究还发现了婴儿早期大脑腹侧和背侧注意网络存在相互影响的作用，有利于揭示新生儿注意力系统的早期发展规律。

       脑发育及认知科学与AI的交叉融合，可有助于突破现有理论与方法的局限性，利用大量既往样本训练出科学的计算模型，解决新的临床问题以及预测未来脑发育认知模式，从而提升人类智能上阈。

4 脑成像技术优化

       良好的影像图像质量是放射科诊断质量和医疗安全保证的关键所在。美国麻省总医院Bernardo Canedo Bizzo团队自主研发了一款基于机器学习的颅脑MRI运动伪影检测软件，开发模型过程包括识别1530次颅脑MRI检查中的运动伪影、基于人工神经网络构建集成模型，多中心测试集验证以及最后放射科医师进行图像质量评估，该软件可准确检测并量化颅脑MRI中的运动伪影，及时提示扫描技术人员并自动触发重新扫描程序，从而优化MRI图像质量。韩国国立首尔大学医院Woojin Jung等在MRI高分辨率3D-MPRAGE序列基础上结合图像去噪(Noise2Noise)深度学习算法，在不增加序列扫描时间的前提下，有效抑制了欠采样磁共振图像的噪声，5 min内在3 T磁共振机器上获得了类7 T的高分辨率T1WI图像，有助于检测脑部精细结构病变。

       如何在保证影像诊断效果的同时降低对比剂用量，从而减少对比剂带来的不良反应，也是放射科一直关注的人文关怀要点。美国AI医学影像公司(深透医疗公司) Srivathsa Pasumarthi Venkata等研究利用脑肿瘤MRI平扫和钆对比剂低剂量(10%)增强图像数据作为训练集，构建深度学习模型，可以重建出常规全剂量(100%)增强图像，结果表明深度学习合成增强图像与实际全剂量增强图像具有良好一致性，肿瘤分类一致性达98%(49/50)，即深度学习算法可以降低MRI增强扫描中的钆对比剂剂量，同时保证图像诊断的等效性和图像质量。

       影像学成像技术的优化需要技术创新，融合深度学习算法不仅可以减少图像伪影，提高图像的分辨率，而且可减少患者对比剂使用剂量，真正做到科学与人文相结合。

5 超高场MRI

       超高场MRI一直是每年RSNA年会的热门话题，是中枢神经系统影像研究最强有力的武器。早在2001年，法国CEA原子能委员会NeuroSpin研究中心的Denis Le Bihan教授就提出了大于10 T超高场MRI设备的构想，2006年代号为“Iseult计划”的11.7 T磁共振项目由德国和法国共同设立。2017年首台11.7 T全身MRI开始安装，由法国原子能委员会CEA和德国西门子医疗公司联合研制，主磁体重达132吨，总重量超过150吨，历经两年安装调试后于2019年7月18日成功完成励磁，巨大磁体内填充超过7000升海量液氦，升场中进行了超过1300个工序的复杂调试。2021年第107届RSNA年会开幕前，11.7 T人体全身MRI贡献了第一张超高分辨率的图像——具有400 μm分辨率的南瓜图，预示着超高场MRI将造福于影像基础研究和大脑病理机制探索。据法国CEA原子能委员会透露，未来的14 T MRI研究计划将在美国(波士顿和斯坦福大学)、中国(北京和深圳)、荷兰(奈梅亨)以及德国(海德堡)进行。

       超高场MRI将为中枢神经系统研究打开新的领域：(1)具备“活体显微镜”功能，重新定义人脑解剖，空间分辨率可达亚毫米级别；(2)开辟新研究领域，如超高场MRI分子成像，神经或精神疾病的全新生物学标记研究，新型对比剂研制，脑代谢与功能的研究等。

6 新型冠状病毒肺炎

       关于新型冠状病毒肺炎(corona virus disease 2019，COVID-19)与神经系统损害方面，中南大学湘雅二医院刘军教授团队点明了影像学检查的优势，指出在COVID-19急性期，T2-FLAIR及DWI等常规序列对新冠肺炎患者并发AIS或脑炎等症状进行辅助诊断具有重要意义，而3D-T1WI、DTI和fMRI序列更有助于对患者大脑结构和功能进行长期随访观察^[9]。德国慕尼黑大学Sophia Stöcklein团队的MRI研究纳入33例感染COVID-19的妊娠期患者(平均怀孕28周左右)，平均在怀孕18周以上开始出现临床症状，最常见为嗅觉和味觉丧失或减弱、干咳、发烧和呼吸急促，而胎儿颅脑MRI未见显著异常阳性征象，表明妊娠期COVID-19感染对胎儿的中枢发育没有影响。笔者认为，随着全球COVID-19病例数量持续增加，影像学检查依然在COVID-19并发神经系统急性损伤和长期后遗症的发现与随访中扮演着重要角色，但未来仍需要更多的基础研究来探索此类合并症的发病机制。

       第107届RSNA年会主题是重新定义放射学，“重新定义”意指摒弃数量和利益至上的观念，坚持以价值、专业服务和人文关怀作为导向，实现放射学的全面提升。在COVID-19席卷全球的大背景下，我们应更加注重放射科医师的环境适应性、同理心和人文关怀，以及提升放射科医师在临床中的医疗决策权。随着以人为本、智慧医疗时代的开启，脑肿瘤影像诊断更加精确和具有可预测性，脑卒中影像检查更加便捷高效，脑发育及认知科学更加接近人类智慧的奥秘，加上AI、高新影像设备和其他创新影像技术源源不断地赋能，相信中枢神经影像将大有作为，真正做到以人为本，为放射发展和健康世界的实现贡献坚实力量。