脑动脉瘤破裂风险影像评估的人工智能研究

郭艺帆，许茂盛

（浙江中医药大学附属第一医院影像科，浙江 杭州 310006）

脑动脉瘤是脑动脉病理性扩张造成的动脉壁瘤状突出，全球发病率为3%～5%［1-2］，20%～30%的患者不止患有1 个动脉瘤［3］。脑动脉瘤破裂导致蛛网膜下腔出血，约35%的患者预后不良［4］。随着脑成像技术的飞速发展，未破裂脑动脉瘤的检出率逐年上升，如何在预防性治疗和保守治疗中做出相对有利于患者的选择是现阶段临床所面临的主要难题［3］，尤以小动脉瘤（直径7 mm）的治疗方案争议较大［5］。近年来，人工智能（artificial intelligence，AI）被应用于脑动脉瘤破裂风险评估中，其可根据患者基线资料和脑动脉瘤的影像学特征预测脑动脉瘤破裂风险，以辅助医师进行临床决策。本文就AI 在脑动脉瘤破裂风险评估中的研究应用等进行综述。

1 AI 与医学影像

目前，包括放射科、病理科、皮肤科和眼科在内的很多学科已开始从AI 中受益［6］。放射科医师用肉眼判读医学图像，以发现、描述和监测疾病，但这种评估往往基于知识储备和工作经验，主观依赖性强，个体间差异无法避免。与这种定性推理相比，AI 擅长识别影像数据中的复杂模式，并可自动提供定量评估。当AI 作为协助医师的工具整合到临床工作流程中时，可进行更准确和可重复的影像学评估［7］。

当前，广泛使用的AI 方法有2 类，即机器学习和深度学习。基于预定义的影像组学特征的机器学习算法属传统的AI 方法，其参数的调整需一定的专业知识。影像组学特征旨在量化目标对象在影像图像上的潜在信息，如肿瘤的三维形状、肿瘤内纹理和像素强度分布（直方图）。随后选出与研究目标最相关的影像组学特征，以构建适用于相应影像数据的机器学习模型，并确定潜在的基于影像的生物学标志物。机器学习常用的经典模型有支持向量机和随机森林。

深度学习算法目前正被应用于前沿的AI 研究中，此类算法无需明确的特征定义，代表了机器学习中一种根本不同的范式［8-9］。深度学习的基本方法已存在几十年，但近年来，才有足够的数据和计算能力可用。在各种深度学习框架中，卷积神经网络（convolutional neural network，CNN）是当今医学影像中最流行的深度学习框架。典型的CNN 由一系列层组成，可连续地将图像输入映射到所需的端点，同时学习越来越高级别的影像特征。从一幅输入图像开始，CNN 中的隐藏层通常包括一系列卷积和汇集操作，分别提取特征地图和执行特征聚合。隐藏层之后是全连接层，在输出层产生预测之前提供高级推理。CNN 通常被“端到端”地使用标记数据进行训练，以用于监督学习。对于未标记数据的无监督学习任务，深度自动编码器和生成式对抗网络更合适［10］。转移学习常被用于处理稀缺数据或其他数据集上使用预先训练的网络［8］。

2 脑动脉瘤的形成与破裂

脑动脉壁由内、中和外膜3 层构成：脑动脉的管腔内侧面由一层内皮细胞组成，这些内皮细胞紧密连接，并与内弹性膜组成脑动脉内膜，随动脉管径变小，肌层也逐渐减少；中膜由血管平滑肌细胞组成；外膜由结缔组织、神经纤维组成［3，11］。

正常脑动脉壁的解剖变异、结构组成和生理稳态可能受到吸烟、高血压等脑动脉瘤危险因素的影响，进而导致血流异常，引起脑动脉壁的结构发生改变，致使动脉分叉处内弹性膜中断［12-16］。血液的流入和撞击使结构缺陷的动脉暴露于高壁面切应力下，导致动脉瘤囊形成。动脉瘤囊将持续生长直至瘤壁修复和细胞外基质降解达到平衡［17］。动脉瘤壁的主要分子成分是胶原蛋白；主要细胞成分为血管平滑肌细胞、一层不连续的内皮细胞和少量炎性细胞［11，13，18-20］。

脑动脉瘤并非线性生长，而是不连续和随机的［11］，故脑动脉瘤的结局多样且难以预测，可大致分为4 类结局［3］：①随机生长直至破裂；②长期稳定而不破裂；③长期稳定，突然破裂；④非常小的脑动脉瘤也可能迅速发展并破裂，甚至无稳定期。随机的生长方式导致对动脉瘤破裂风险的准确预测极为困难，要求临床医师谨慎处理。

3 脑动脉瘤的影像评价

CTA 和MRA 是脑动脉瘤检测、评估与随访常用且有效的检查方法，在脑动脉瘤破裂风险评估中，两者各有优势。

CTA 是一种无创的影像检查手段，可提供脑血管的断层图像。与其他影像检查方法相比其能够在几秒内获得一系列图像。CTA 重组图像可直观、立体地反映脑动脉瘤不规则的形状（如分叶状、小泡样凸起/子囊等），该征象与其破裂相关。脑动脉瘤的瘤高、瘤颈宽、载瘤动脉直径等形态学定量参数也可从CTA 图像上获得，这些参数可直接或间接为脑动脉瘤的破裂风险评估提供参考［21-22］。值得注意的是，CTA 检测直径＜5 mm 的脑动脉瘤的敏感性较低。Philipp 等［23］发现，对于直径＜3 mm 的脑动脉瘤，CTA漏检率为67.5%；对于直径3～5 mm 的脑动脉瘤，漏检率低于16.0%；而对于直径5～10 mm 的脑动脉瘤，漏诊率为10.9%。

MRA 是一种无电离辐射、无创的三维成像技术，与CTA 一样可进行脑动脉瘤形态学评估，以TOF-MRA和对比剂增强MRA（Contrast-enhanced MRA，CE-MRA）较常用。TOF-MRA 无需对比剂，但血流速度慢区域的饱和导致信号衰减，而CE-MRA 恰能解决该问题［24］。因此，CE-MRA 更适合在纵向研究中监测脑动脉瘤的生长情况。

MRI 所能提供的脑动脉瘤信息不止于形态学，运用黑血技术抑制邻近组织和血液信号以突出血管壁信号［25-26］，可将血管壁清晰地可视化。来自人体和动物研究的组织病理学证据均支持炎症在动脉瘤的形成、生长和破裂中起主要作用的结论［27］。一项以108 例脑动脉瘤为对象的前瞻性研究发现，脑动脉瘤壁的环状强化多见于不稳定的脑动脉瘤，可作为动脉瘤壁炎性活动的替代指标［28］。

4 AI 在脑动脉瘤破裂风险评估中的应用

目前，AI 在脑动脉瘤破裂风险影像评估中的发展并不成熟，以机器学习为主，深度学习多用于脑动脉瘤检测。通过AI 方法挖掘脑动脉瘤在医学图像上的定量信息，并筛选与破裂相关的有效信息特征是近几年的主要研究方向之一［29-31］（图1）。Liu 等［29］发现，影像组学特征中的形态特征可用于预测脑动脉瘤的稳定性，平坦度是其中重要的预测因素。为实现个体化脑动脉瘤破裂风险精准预测，在构建机器学习模型时，还需结合临床资料、动脉瘤形态学特征和血流动力学信息［29，32-33］。

图1 人工智能在脑动脉瘤破裂评估中的应用示意图。常用方法有2 种：方法1（图1a），依赖专业知识从ROI中提取预定义影像组学特征，如体积、形状、纹理等。选择鲁棒性最高且与分类任务最相关的一组特征，将其输入到机器学习分类器中，最终可获得每例患者的分类预测结果；方法2（图1b），使用深度学习，以基于区域卷积神经网络的脑动脉瘤CTA 图像检出和分类为例。与方法1 不同，方法2 的区域标注通常仅需边界框。此外，方法2 具备“特征学习”的能力，无需预定义特征 图2 脑动脉瘤血流动力学示意图

以计算流体动力学（computational fluid dynamics，CFD）为基础的仿CDF 深度学习模型在脑动脉瘤破裂风险评估中颇具研究价值。CFD 模型能够计算血流动力学参数，并将其可视化，由CFD 模型生成的数据有助于更全面地了解动脉瘤的形态和潜在结构缺陷，完成患者个体化评估［34-36］（图2）。虽然CFD 具有提高诊断能力和改善临床结果的潜力，但该方法高度专业化、耗时长，且需同时具备工程和医学两方面经验的专科人才，在临床实践中的普及难度较大。Yevtushenko 等［37］针对主动脉缩窄，成功使用深度学习替代CFD 建模，该方法所需的计算量较小。深度学习可弥补CFD 建模的缺点，将仿CFD 的深度学习模型应用于脑动脉瘤破裂风险评估中可能有意想不到的收获。

脑动脉瘤破裂前与破裂后的形态往往会发生较大变化。在评估脑动脉瘤破裂风险时，不应将破裂后形态视为破裂前形态的充分替代［38］。因此，利用AI从破裂后脑动脉瘤影像中提取的定量信息可能与破裂前差异较大。然而，在临床实践中，即将破裂脑动脉瘤的影像资料大样本收集的可能性较小。明确哪些特征在脑动脉瘤破裂前后基本一致是构建脑动脉瘤破裂预测AI 模型的重要前提，因此，分析脑动脉瘤的随访影像资料或许更有意义，尤其是小动脉瘤。

虽然训练深度学习模型所需要的样本量难以精确估算，但目前不少研究所使用的数据样本量小且来源于单中心，缺乏在不同的人群、成像设备、平台和机构内的外部验证，此类研究所提出的AI 模型往往在临床推广中存在一定的限制［39］。

随着影像技术的发展和普及，未破裂脑动脉瘤的检出率呈逐年上升趋势，其破裂风险预测是临床重要且颇具挑战性的工作。多中心、跨学科的合作以保证数据的质与量，特征及模型计算方法的标准化和规范化，是建立可推广的脑动脉瘤破裂风险预测AI 模型的前提。因脑动脉瘤发生、发展的高度复杂性，AI 在脑动脉瘤破裂风险评估中虽有可期的发展前景，但距离临床转化尚有一定距离，有待进一步研究。