人工智能在颅内动脉瘤检测及预测中的新进展

古展亮，吴英宁（通信作者）

（1右江民族医学院研究生院 广西 百色 533000）

（2右江民族医学院附属医院放射科 广西 百色 533000）

颅内动脉瘤（intracranial aneurysms，IA）是一种以颅内动脉管壁异常扩张为病理特征的脑血管病。在普通人群中，全球发病率超过3%，中国发病率约为7%[1]。随着先进医学成像技术的广泛应用，未破裂的颅内动脉瘤（unruptured intracranial aneurysms，UIA）的偶然发现越来越多。UIA的诊断是一个临床难题，IA的每年破裂风险为0.26%～1.90%，蛛网膜下腔出血（subarachnoid hemorrhage，SAH）会导致死亡和永久性残疾[2]。考虑到在UIA的检测和管理中面临的挑战，AI技术已经被开发来自动解释复杂的数据，提取关联，最终增强对动脉瘤的精确检测，同时提供关于其管理的最佳决策。本文对人工智能及其相关子领域在颅内动脉瘤检测及预测新进展进行综述。

1 人工智能

人工智能（artificial intelligence，AI）由英国数学家图灵（Alan Mathison Turing）在1956年提出，其是一门多学科相互融合的交叉学科，包括计算机、控制论、信息论、数学及心理学等学科。目前成为应用机器模拟、拓展人的思维及智能的新兴科学技术[3]。AI因其能够分析复杂数据、自动关联和预测的能力，优于传统的统计方法，在现实世界中显示出巨大的应用前景。在神经系统领域，AI已被开发应用于脑血管疾病的诊断和预测等方面[4]。

1.1 机器学习

机器学习（machine learning，ML）是一种人工智能算法，它训练计算机自动检测复杂的非线性关系，这些关系可能无法明确显示或人眼无法察觉；然而这些关系可以应用于不断演变的临床数据，以产生高度准确的预测[5]。从对训练数据的不同方法来看，ML可分为监督学习和无监督学习。监督学习擅长处理分类和回归问题，该算法被赋予特定的标签（即输入和输出）在数据集中的变量之间进行预测。无监督学习指的是没有特定标签的训练，能够发现看似无关联的数据集中变量之间的相关性[6]。

1.2 深度学习

深度学习（deep learning，DL）是机器学习的一个子领域，它在已有经验的基础上自动学习输入数据的特征进行鉴别[7]。DL算法使用的人工神经网络（artificial neural networks，ANN）受到神经生物学的启发。ANN主要包括全连接神经网络（fully connected neural network，FCNN）和卷积神经网络（convolutional neural networks，CNN）两种。在FCNN中，一层中的所有神经元都与下一层中的所有神经元相连，权值非常大。由于FCNN的权值较大，计算代价较高，因此采用CNN。CNN利用隐含层之间简单的局部非线性连接，创建每个深层的抽象表示，降低了模型的计算代价。CNN还可以跨层共享权重，提取独立于其位置的图像特征，并使用尽可能多的隐藏层进行学习[8]。

2 AI在颅内动脉瘤检测及预测中的应用

2.1 基于MRA

近年来，出现了一种结合了MRA的基于DL的CAD系统。Nakao等[9]应用二维卷积神经网络检测MRA图像中的UIA，敏感度为70.0%～94.2%。Sichtermann等[10]利用DeepMedic CNN分析三维时间飞跃法MRA（three dimension time of flight MRA，3D-TOFMRA）的数据，对IA总体检测敏感度为90%（对于3～7 mm的动脉瘤为96%，对于＞7 mm的动脉瘤为100%）。Uede等[11]提出了基于MR图像的RES-Net18神经结构，该算法改进了动脉瘤检测，其内部和外部测试数据集的敏感度分别为91%和93%。Joo等[12]利用3D-TOF-MRA数据集建立3D ResNet网络，该方法在内部和外部数据集上的诊断敏感度分别为87.1%和85.7%。

2.2 基于CTA

Park等[13]使用HeadXNet模型实现了第一个基于DL应用于CTA图像的CAD系统。该模型的诊断敏感度为94.9%，但是该项研究中只关注了≥3 mm的UIA，因此限制了该系统的进一步推广和使用。随后，Dai等[14]使用更快的CNN模型，在自动检测动脉瘤方面的敏感度为91.8%，而对于＞3 mm的动脉瘤高达96.7%。Bo等[15]引入了基于全球本地化的人工智能网络，从1 338例病人的CTA图像数据库中诊断动脉瘤。通过应用内部和外部数据集，获得了总体90%的敏感度。

2.3 基于DSA

Jerman等[16]使用ResNet网络对UIA中的DSA图像进行分类。值得注意的是，这种方法在每个病例2.4 FPS，即图像每秒传输帧数为2.4时达到了100%的敏感度。Podgorsak等[17]采用CNN算法对250例动脉瘤数据进行AI训练，并采用100例动脉瘤进行验证，获得了0.823的Jaccard指数和0.903的Dice相似系数。Zeng等[18]则采用空间信息融合技术与CNN算法相结合的AI技术，对263例动脉瘤数据进行训练，获得动脉瘤检出的敏感度和特异度分别为99.38%和98.19%。该算法是目前文献所报道检出动脉瘤敏感度最高的研究。

2.4 AI在预测动脉瘤发生和破裂风险的应用

IA破裂与动脉瘤形态、大小和血流动力学之间的动态相互作用有关。动脉瘤的几何特征决定了其血流动力学特征，而血流动力学特征又可能导致血管壁的改变和炎症反应，从而导致动脉瘤破裂。Stember等[19]提出了第一个基于CNN的MRA图像算法来预测5个动脉瘤的大小。这个基于U-Net的模型首先被训练来检测动脉瘤，敏感度为98.8%。然后将该算法应用于基底动脉末端动脉瘤的数据集，以自动化检测动脉瘤的大小和面积，与放射科医生得出的结果相比，分别相差2.01 mm（30%）和8.21 mm2（27%）。Kim等[20]应用AlexNet-v2模型在3D-DSA图像上评估＜7 mm动脉瘤的破裂风险，其特征曲线下面积为0.755（95%可信区间：60.93%～81.65%）。Bijak等[21]提出了一种基于PointNet++架构的CTA和MRA图像形状特征的DL模型，用于预测动脉瘤的生长和破裂风险。通过计算5个形态特征（动脉瘤大小、体积、表面积、非球形指数和长径比），得出了该模型的敏感度和准确率分别为96%和82%，与浅层ML模型相比，表现出最稳定的性能。

2.5 AI在预测动脉瘤治疗后疗效评估的应用

目前，IA的治疗主要包括血管内夹闭和血管介入治疗[6]。Bhurwani等[22]提出了基于DSA图像的深度神经网络和血管造影参数成像的应用来预测管道栓塞器治疗后IA闭塞的风险。将DL算法应用于DSA图像的三个亚组：非规格化、规格化（API参数的动脉规格化）和相对（治疗前后扫描中投影视图的规格化），对治疗后IA闭塞的预测准确率分别为62.5%、70.8%和77.9%。Guédon等[23]将分类回归决策树算法应用于ML，对146例（154个IA）置入密网支架的患者进行了ML学习，最终总结了预测密网支架闭塞动脉瘤情况的DIANES评分，即动脉瘤最大径、栓塞后影像特征、载瘤动脉上下游直径比、瘤径与载瘤动脉比、有无侧支血管及患者性别与动脉瘤密网支架栓塞预后相关的因素，最终这组报告的敏感度为89%，准确率为81%。Xia等[24]应用随机森林模型进行训练，并进行了122例的内部验证及202例患者的外部验证，最终内部和外部验证准确度分别为78.3%和73.8%，证实了AI在预测颅内动脉瘤治疗后疗效评估中有较高的价值。

3 AI在颅内动脉检测和预测中的局限性

目前用于动脉瘤检测和预测的AI模型是在单一人群中进行的回顾性单中心研究。回顾性设计与选择偏倚和差异性有关，这限制了研究结果的可靠性。与此同时，由于缺乏具有不同人口统计学、成像设备、外科医生和治疗方案的外部数据集，提出了这些模型是否能得到有力的验证、适应和准确处理未知数据的问题。此外，对于AI模型的监管，就像医疗设备一样，缺乏法律共识，也没有明确法律指南。

4 未来与展望

综上所述，AI在颅内动脉瘤检测和预测中作出了贡献，包括可以从危险因素的分层中预测动脉瘤的风险，检测动脉瘤，并预测动脉瘤破裂的风险及其治疗结果。然而，目前AI在高风险临床实践中的应用存在局限性。因此，未来需要进行具有大量多中心验证过程的前瞻性试验，以弥补当前的不足，提高AI在颅内动脉瘤临床应用的可行性，以便能够广泛使用这些AI产品作为减轻医务人员工作负担、提高工作效率以及改善患者结果的补充工具。