人工智能技術(shù)在顱內(nèi)動脈瘤診療中的研究進展

李銳 閻世鑫 靳松

顱內(nèi)動脈瘤具有較高的發(fā)病率，成年人中占1%～6%[1]，約85%的非外傷性蛛網(wǎng)膜下腔出血由動脈瘤破裂引起，其破裂的年發(fā)生率為0.26%～1.9%[2]。顱內(nèi)動脈瘤首次出血的病死率高達23%～51%，即使是血管內(nèi)治療和外科治療后也有3%～10%出現(xiàn)卒中或死亡，且手術(shù)不能完全消除破裂傾向[3]。因此，顱內(nèi)未破裂動脈瘤早期檢出及評估破裂風險尤其重要。目前診斷和評估顱內(nèi)動脈瘤常用的檢測手段包括 CT 血管成像（CT angiography，CTA）、MR 血管成像（MR angiography，MRA）及數(shù)字減影血管造影（DSA），其中DSA 是診斷金標準。由于動脈瘤的大小不一、位置多發(fā)及形態(tài)多樣，且放射學檢查數(shù)量不斷增加，即使是有經(jīng)驗的影像醫(yī)師在診斷時也可能出現(xiàn)潛在的漏診和誤診風險。因此，快速識別動脈瘤、精準診斷動脈瘤以及預測動脈瘤破裂風險成為了臨床關(guān)注的熱點問題。

AI 能夠快速識別和處理海量的高維度數(shù)據(jù)信息，有助于提高醫(yī)師的工作效率、降低醫(yī)師的工作強度和出現(xiàn)漏診及誤診的發(fā)生率，同時可以預測動脈瘤的破裂風險及治療效果，本文就AI 技術(shù)在顱內(nèi)動脈瘤診斷和預測方面的應用進行綜述。

1 AI 技術(shù)概述

人工智能（artificial intelligence，AI）是模擬人類智能的計算機算法，包括模擬學習能力、推理能力和自我校正[3]。近年來，AI 與醫(yī)學影像相結(jié)合，以海量的數(shù)據(jù)為載體，使得AI 進入快速發(fā)展階段。機器學習（machine learning，ML）是一種實現(xiàn) AI 的方法，通過學習和訓練模型來提取和記憶相關(guān)特征及參數(shù)。從學習方法上來看，ML 可分為監(jiān)督學習（用特定的標簽或標注進行訓練）、無監(jiān)督學習（在沒有特定的監(jiān)督下進行學習）、半監(jiān)督或弱監(jiān)督學習（用標記或未標記的數(shù)據(jù)進行訓練，以減少標注負擔）、強化學習和深度學習（deep learning，DL）等[3]。DL 是實現(xiàn)ML 的重要技術(shù)，越來越多地用于開發(fā)圖像識別算法，其能夠通過構(gòu)建神經(jīng)網(wǎng)絡(luò)模擬人腦運行。DL 常用的網(wǎng)絡(luò)結(jié)構(gòu)有多種，包括深度神經(jīng)網(wǎng)絡(luò)（deep neural network，DNN）、 卷 積 神 經(jīng) 網(wǎng) 絡(luò)（convolutional neural network，CNN）以及循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）等，這些網(wǎng)絡(luò)結(jié)構(gòu)可應用于圖像自動化分割、數(shù)據(jù)特征的挖掘和提取，建立分類和預測模型，從而提升任務(wù)的準確性。在醫(yī)學領(lǐng)域，AI 已被應用于腫瘤的精準診斷、定性和監(jiān)測以及腦血管病的診斷和預測等方面[4-5]。AI 在動脈瘤的檢測、風險分層以及預測中的初步應用已見報道。

2 AI 在顱內(nèi)動脈瘤影像診斷中的應用

2.1 基于CTA CTA 是評估顱內(nèi)動脈瘤的主要影像檢查手段，在檢測動脈瘤方面具有較高的敏感性和特異性[6]，但對于小動脈瘤（直徑＜3 mm）診斷效能低[7]。Yang 等[8]基于 DL 的 CNN 三維檢測算法對 3種不同CT 設(shè)備上的頭顱CTA 數(shù)據(jù)進行回顧性分析，共1 068 例病人的1 337 個動脈瘤進行訓練和驗證，其中 534 例病人 CTA 影像（688 個動脈瘤）用于訓練集，534 例病人CTA 影像（649 個動脈瘤）用于內(nèi)部驗證集；另外400 例病人CTA 影像（188 例有動脈瘤，212 例無動脈瘤）用于外部驗證。該算法檢測動脈瘤的敏感度為97.5%（633/649 個；95%CI：96.0～98.6）；此外，該算法還檢出了 8 個在最初報告中漏診的動脈瘤（這些動脈瘤直徑較小，6 例直徑＜3 mm，2 例直徑為 3～5 mm）。研究顯示采用 AI技術(shù)提升了診斷的準確性，降低了漏診率，同時對于檢測微小動脈瘤有較高性能。Park 等[9]開發(fā)和應用一種 CNN 模型（HeadXNet 模型）對 9 455 例病人的頭部或頭頸部CTA 影像進行分析，排除8 637 例（包括蛛網(wǎng)膜下腔出血、動靜脈畸形、外傷、慢性缺血以及影像質(zhì)量較差者），最終納入818 例病人（328 例動脈瘤，490 例正常）的CTA 影像，對其中611 例CTA 影像進行神經(jīng)網(wǎng)絡(luò)訓練生成模型，在測試集115 例中獲得檢出敏感度為94.9%。在該項研究中，臨床醫(yī)生使用該模型后診斷敏感性、準確性和評價者之間的一致性方面均有顯著提高；但是，該研究缺乏參考標準和外部數(shù)據(jù)驗證，且只關(guān)注了≥3 mm 的未破裂動脈瘤，因此限制了該模型的進一步推廣和應用。

Shi 等[10]納入多中心共1 177 例經(jīng)DSA 證實的顱內(nèi)動脈瘤病人，采用DL 分析CTA 影像數(shù)據(jù)并建立模型，該模型檢測顱內(nèi)動脈瘤具有敏感度高（97.3%）、假陽性率低、單個病例處理時間少等優(yōu)點，對數(shù)據(jù)獨立內(nèi)部驗證和外部驗證的敏感度分別為94.4%和84.6%；此外，該模型對于影像質(zhì)量的要求相對低。該研究包括了DSA 驗證以及來自多中心的獨立外部驗證數(shù)據(jù)，具有較好的嚴謹性和可靠性。基于CTA 腦動脈瘤檢測算法的使用提高了動脈瘤的檢出敏感性，降低了漏診風險，為臨床懷疑動脈瘤的病人進一步檢查和治療提供了技術(shù)支持。

2.2 基于MRA MRA 用于動脈瘤的診斷時可直接顯示動脈瘤的位置、大小、形態(tài)，并能夠多方位顯示瘤體情況，局限性主要為空間分辨率低，對微小動脈瘤的識別困難[11]。Sichtermann 等[12]基于 DL 技術(shù)開發(fā)的神經(jīng)網(wǎng)絡(luò)算法，對85 例病人共115 個動脈瘤的三維時間飛躍法MRA（three dimension time of flight MRA，3D-TOF-MRA）進行評估，發(fā)現(xiàn)對顱內(nèi)動脈瘤總體檢測敏感度達90%，對3～7 mm 動脈瘤的敏感度為96%，＞7 mm 的敏感度為100%，對于后循環(huán)的動脈瘤檢測效果好，用于圖像預處理和后處理可以減少假陽性，結(jié)果表明基于DL 的CNN 算法可以從3D-TOF MRA 數(shù)據(jù)中敏感地檢測出顱內(nèi)動脈瘤。Joo 等[13]基于三維深度殘差網(wǎng)絡(luò)（3D ResNet）結(jié)構(gòu)的DL 算法對顱內(nèi)動脈瘤MRA 數(shù)據(jù)進行學習，將 468 例 MRA 影像用于訓練集，120 例 MRA 影像用于內(nèi)部測試，另外 106 例（56 例有動脈瘤，50 例無動脈瘤）用于外部測試，內(nèi)部測試集和外部測試集的敏感度、陽性預測值和特異度分別為87.1%、92.8%、92.0%和85.7%、91.5%、98.0%，可見 DL 算法檢測到的顱內(nèi)動脈瘤具有很高的診斷性能，外部數(shù)據(jù)集驗證結(jié)果一致。同樣，Ueda 等[14]采用DL 技術(shù)檢測動脈瘤，對內(nèi)部和外部測試數(shù)據(jù)集的診斷敏感度分別為91%和93%，其中外部數(shù)據(jù)集來自于4 個機構(gòu)不同環(huán)境、不同場強和不同MRI 設(shè)備影像，該模型嚴謹且具有普遍適用性。MRA 可無需對比劑的情況下進行血管成像和動脈瘤檢測，基于MRA 的自動算法技術(shù)可用于動脈瘤篩查和診斷，具有較為廣闊的應用前景。

2.3 基于DSA DSA 被認為是評估顱內(nèi)血管和診斷顱內(nèi)動脈瘤的金標準，其對動脈瘤的檢測具有較高的敏感性和特異性，且能很好地顯示動脈瘤的空間位置[15]。Podgorsak 等[16]對 250 例 DSA 數(shù)據(jù)采用CNN 算法進行訓練，另外100 例動脈瘤進行驗證，獲得動脈瘤的Jaccard 指數(shù)和Dice 相似系數(shù)分別為0.823 和0.903，基于CNN 算法能自動分割動脈瘤和提取影像學特征，并且該分割方法不劣于手工勾畫動脈瘤輪廓，認為該神經(jīng)網(wǎng)絡(luò)模型能簡化臨床工作流程，用于動脈瘤特征的定量評估。Jin 等[17]采用U 型和雙向設(shè)計神經(jīng)網(wǎng)絡(luò)算法對1 205 個動脈瘤（訓練組：851 個；驗證組：354 個）的 2D-DSA 數(shù)據(jù)進行分析，獲得94.3%的檢出敏感度，但假陽性率較高。Zeng 等[15]對256 例動脈瘤數(shù)據(jù)，采用將空間信息融合（spatial information fusion，SIF）技術(shù)與 CNN相結(jié)合，獲得較高的敏感度和特異度（99.38%和98.19%）。DSA 可用于CTA 和MRA 懷疑顱內(nèi)動脈瘤病人的確診和術(shù)中治療，基于DSA 的AI 用于動脈瘤的識別和診斷，具有較高的敏感性和特異性。

3 AI 在預測動脈瘤的發(fā)生和破裂風險的應用

3.1 預測發(fā)生風險 對于健康成年人來講，預測顱內(nèi)動脈瘤的發(fā)生對于預防動脈瘤非常重要。Heo 等[18]采用邏輯回歸（logistic regression，LR）、隨機森林（random forest，RF）、可拓展提升樹（gradient boosting trees，XGB） 和 DNN 這 4 種不同的 ML 算法來預測動脈瘤發(fā)生的風險，根據(jù)模型預測概率將5 個風險組概率依次增加進行分層，然后比較最低和最高風險組的發(fā)病率比率，結(jié)果顯示XGB 模型對顱內(nèi)動脈瘤的風險預測最好，預測最低風險組顱內(nèi)動脈瘤的發(fā)病率最低，而RF 模型預測最高風險組顱內(nèi)動脈瘤的發(fā)病率最高，表明開發(fā)的預測模型可以預測動脈瘤的發(fā)生風險，未來有助于顱內(nèi)動脈瘤的篩查。

3.2 預測破裂風險 理論上對于顱內(nèi)未破裂動脈瘤在破裂前進行干預是降低出血風險和致殘率的根本方法，但同時也應該考慮干預帶來的并發(fā)癥風險。隨著成像技術(shù)的廣泛使用，可以檢測出更多的未破裂動脈瘤。然而，對于未破裂動脈瘤的治療，在臨床決策中面臨著治療風險可能高于其破裂風險的難題，因此識別動脈瘤的高危形態(tài)學特征對其破裂分層和個體化的破裂風險評估對于治療決策至關(guān)重要，但ML 有望解決這一問題。顱內(nèi)動脈瘤發(fā)生破裂被認為與其大小、形態(tài)、位置密切相關(guān)[2]。然而，在臨床實際工作中，動脈瘤的大小和形態(tài)通常由醫(yī)生手動測量和主觀評價，這會導致觀察者間主觀評價的不一致性，捕捉不到動脈瘤的復雜形態(tài)學特征。研究者[20]發(fā)現(xiàn)，引入計算機輔助能使大小和形態(tài)學評估更加客觀一致。Stember 等[21]基于DL 技術(shù)開發(fā)的CNN 模型可用于動脈瘤形態(tài)學指標自動分析。

動脈瘤的不穩(wěn)定性被認為是動脈瘤破裂風險之一。Liu 等[22]采用ML 的方法，基于影像組學對420 例最大徑4～8 mm 的動脈瘤提取的12 個形態(tài)學特征進行分析，發(fā)現(xiàn)動脈瘤的平坦度是影響穩(wěn)定性的重要決定因素，提出的模型可以預測動脈瘤的穩(wěn)定性。Liu 等[23]構(gòu)建雙層前饋人工神經(jīng)網(wǎng)絡(luò)（feedforward neural network，F(xiàn)ANN）來預測前交通動脈瘤（anterior communicating aneurysm，ACOA）的破裂風險，總體預測準確度為94.8%，認為該神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)出良好性能，為預測ACOA 的破裂風險提供了一個有價值的工具，可能有助于未破裂ACOA的治療。Zhu 等[24]基于 ML 技術(shù)對 528 例不穩(wěn)定動脈瘤和1 539 例穩(wěn)定動脈瘤提取了13 個臨床特征和18 個形態(tài)學特征進行分析，采用支持向量機（support vector machine，SVM）、RF 和 FANN 這 3 種模型進行學習，并與LR 模型和腦動脈瘤破裂風險評分即PHASES 評分（評分包括種群、血壓、年齡、動脈瘤大小、既往的蛛網(wǎng)膜下腔出血史和動脈瘤的位置等6方面）的診斷效能進行比較，發(fā)現(xiàn)ML 模式的曲線下面積（AUC）優(yōu)于該評分，同樣強于LR，提示ML 有可能增強顱內(nèi)動脈瘤穩(wěn)定性評估的臨床決策過程，可能在未來對病人進行更優(yōu)化的治療。

4 AI 在預測動脈瘤治療后的應用

目前，顱內(nèi)動脈瘤的治療主要包括外科手術(shù)夾閉和血管內(nèi)介入治療[4]。血流導向裝置是近年來出現(xiàn)的一種用于動脈瘤血管內(nèi)治療的方法，特別適合于形態(tài)不規(guī)則、瘤頸寬的難治性動脈瘤。然而，約25%接受治療的病人存在血栓形成和動脈瘤復發(fā)的高風險[2]。Paliwal 等[26]比較了 4 種有監(jiān)督的 ML 算法（LR、SVM、k 近鄰和神經(jīng)網(wǎng)絡(luò)），對血流導向裝置栓塞治療后的動脈瘤病例（包括48 例完全栓塞和16 例有殘留）進行療效預測，主要學習每個動脈瘤的16種形態(tài)參數(shù)、血流動力學參數(shù)和Pipeline 栓塞裝置相關(guān)參數(shù)，之后該算法對20 例病例進行預測驗證，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)在訓練中表現(xiàn)最好（AUC=0.967），高斯-支持向量機（G-SVM）和神經(jīng)網(wǎng)絡(luò)有90%的預測效果，結(jié)果表明ML 模型可以預測動脈瘤的治療效果，能夠?qū)εR床的治療決策起到指導和幫助作用。

5 AI 在顱內(nèi)動脈瘤應用的局限性和展望

目前，盡管AI 技術(shù)（尤其是DL）在顱內(nèi)動脈瘤的評估和預測方面已取得一定效果，但還存在局限性如下：①目前應用于動脈瘤AI 研究的訓練數(shù)據(jù)和驗證數(shù)據(jù)相對較小，大多數(shù)是回顧性的單中心研究，對于在不同人群、成像設(shè)備和機構(gòu)中的效能缺乏外部驗證；②納入病例的質(zhì)量參差不齊，且建立的模型標準不一致，大多數(shù)研究缺乏DSA 金標準的驗證，需要進一步研究；③模型的穩(wěn)健性和普遍有效性問題亟待解決[3，27-28]。此外，也要關(guān)注醫(yī)學倫理問題。AI 從科學研究到臨床落地還有很長的路要走。Kim 等[29]推薦了4 個標準來驗證AI 在臨床實際工作中的效能，即①必須獲得外部驗證；②使用診斷性的隊列研究；③優(yōu)質(zhì)數(shù)據(jù)來自多個機構(gòu)；④進行前瞻性的研究。因此，對于顱內(nèi)動脈瘤而言，一個完備且優(yōu)秀的自動化AI 系統(tǒng)應該包括：對動脈瘤的檢出（包括破裂和未破裂）、破裂風險的預測、血流動力學及尺寸指數(shù)的自動計算、指導臨床治療決策和復發(fā)風險的評估。

綜上所述，AI 技術(shù)作為一種新興的醫(yī)工交叉學科，其在自動檢測動脈瘤、預測動脈瘤的破裂危險因素及治療效果方面具有良好的應用前景。同時，AI 的應用可以極大程度地緩解目前影像醫(yī)生不足的問題，利于減輕醫(yī)生的工作負擔并提高工作效率。