人工智能技术在颅内动脉瘤诊疗中的研究进展

李锐 阎世鑫 靳松

颅内动脉瘤具有较高的发病率，成年人中占1%～6%[1]，约85%的非外伤性蛛网膜下腔出血由动脉瘤破裂引起，其破裂的年发生率为0.26%～1.9%[2]。颅内动脉瘤首次出血的病死率高达23%～51%，即使是血管内治疗和外科治疗后也有3%～10%出现卒中或死亡，且手术不能完全消除破裂倾向[3]。因此，颅内未破裂动脉瘤早期检出及评估破裂风险尤其重要。目前诊断和评估颅内动脉瘤常用的检测手段包括 CT 血管成像（CT angiography，CTA）、MR 血管成像（MR angiography，MRA）及数字减影血管造影（DSA），其中DSA 是诊断金标准。由于动脉瘤的大小不一、位置多发及形态多样，且放射学检查数量不断增加，即使是有经验的影像医师在诊断时也可能出现潜在的漏诊和误诊风险。因此，快速识别动脉瘤、精准诊断动脉瘤以及预测动脉瘤破裂风险成为了临床关注的热点问题。

AI 能够快速识别和处理海量的高维度数据信息，有助于提高医师的工作效率、降低医师的工作强度和出现漏诊及误诊的发生率，同时可以预测动脉瘤的破裂风险及治疗效果，本文就AI 技术在颅内动脉瘤诊断和预测方面的应用进行综述。

1 AI 技术概述

人工智能（artificial intelligence，AI）是模拟人类智能的计算机算法，包括模拟学习能力、推理能力和自我校正[3]。近年来，AI 与医学影像相结合，以海量的数据为载体，使得AI 进入快速发展阶段。机器学习（machine learning，ML）是一种实现 AI 的方法，通过学习和训练模型来提取和记忆相关特征及参数。从学习方法上来看，ML 可分为监督学习（用特定的标签或标注进行训练）、无监督学习（在没有特定的监督下进行学习）、半监督或弱监督学习（用标记或未标记的数据进行训练，以减少标注负担）、强化学习和深度学习（deep learning，DL）等[3]。DL 是实现ML 的重要技术，越来越多地用于开发图像识别算法，其能够通过构建神经网络模拟人脑运行。DL 常用的网络结构有多种，包括深度神经网络（deep neural network，DNN）、 卷 积 神 经 网 络（convolutional neural network，CNN）以及循环神经网络（recurrent neural network，RNN）等，这些网络结构可应用于图像自动化分割、数据特征的挖掘和提取，建立分类和预测模型，从而提升任务的准确性。在医学领域，AI 已被应用于肿瘤的精准诊断、定性和监测以及脑血管病的诊断和预测等方面[4-5]。AI 在动脉瘤的检测、风险分层以及预测中的初步应用已见报道。

2 AI 在颅内动脉瘤影像诊断中的应用

2.1 基于CTA CTA 是评估颅内动脉瘤的主要影像检查手段，在检测动脉瘤方面具有较高的敏感性和特异性[6]，但对于小动脉瘤（直径＜3 mm）诊断效能低[7]。Yang 等[8]基于 DL 的 CNN 三维检测算法对 3种不同CT 设备上的头颅CTA 数据进行回顾性分析，共1 068 例病人的1 337 个动脉瘤进行训练和验证，其中 534 例病人 CTA 影像（688 个动脉瘤）用于训练集，534 例病人CTA 影像（649 个动脉瘤）用于内部验证集；另外400 例病人CTA 影像（188 例有动脉瘤，212 例无动脉瘤）用于外部验证。该算法检测动脉瘤的敏感度为97.5%（633/649 个；95%CI：96.0～98.6）；此外，该算法还检出了 8 个在最初报告中漏诊的动脉瘤（这些动脉瘤直径较小，6 例直径＜3 mm，2 例直径为 3～5 mm）。研究显示采用 AI技术提升了诊断的准确性，降低了漏诊率，同时对于检测微小动脉瘤有较高性能。Park 等[9]开发和应用一种 CNN 模型（HeadXNet 模型）对 9 455 例病人的头部或头颈部CTA 影像进行分析，排除8 637 例（包括蛛网膜下腔出血、动静脉畸形、外伤、慢性缺血以及影像质量较差者），最终纳入818 例病人（328 例动脉瘤，490 例正常）的CTA 影像，对其中611 例CTA 影像进行神经网络训练生成模型，在测试集115 例中获得检出敏感度为94.9%。在该项研究中，临床医生使用该模型后诊断敏感性、准确性和评价者之间的一致性方面均有显著提高；但是，该研究缺乏参考标准和外部数据验证，且只关注了≥3 mm 的未破裂动脉瘤，因此限制了该模型的进一步推广和应用。

Shi 等[10]纳入多中心共1 177 例经DSA 证实的颅内动脉瘤病人，采用DL 分析CTA 影像数据并建立模型，该模型检测颅内动脉瘤具有敏感度高（97.3%）、假阳性率低、单个病例处理时间少等优点，对数据独立内部验证和外部验证的敏感度分别为94.4%和84.6%；此外，该模型对于影像质量的要求相对低。该研究包括了DSA 验证以及来自多中心的独立外部验证数据，具有较好的严谨性和可靠性。基于CTA 脑动脉瘤检测算法的使用提高了动脉瘤的检出敏感性，降低了漏诊风险，为临床怀疑动脉瘤的病人进一步检查和治疗提供了技术支持。

2.2 基于MRA MRA 用于动脉瘤的诊断时可直接显示动脉瘤的位置、大小、形态，并能够多方位显示瘤体情况，局限性主要为空间分辨率低，对微小动脉瘤的识别困难[11]。Sichtermann 等[12]基于 DL 技术开发的神经网络算法，对85 例病人共115 个动脉瘤的三维时间飞跃法MRA（three dimension time of flight MRA，3D-TOF-MRA）进行评估，发现对颅内动脉瘤总体检测敏感度达90%，对3～7 mm 动脉瘤的敏感度为96%，＞7 mm 的敏感度为100%，对于后循环的动脉瘤检测效果好，用于图像预处理和后处理可以减少假阳性，结果表明基于DL 的CNN 算法可以从3D-TOF MRA 数据中敏感地检测出颅内动脉瘤。Joo 等[13]基于三维深度残差网络（3D ResNet）结构的DL 算法对颅内动脉瘤MRA 数据进行学习，将 468 例 MRA 影像用于训练集，120 例 MRA 影像用于内部测试，另外 106 例（56 例有动脉瘤，50 例无动脉瘤）用于外部测试，内部测试集和外部测试集的敏感度、阳性预测值和特异度分别为87.1%、92.8%、92.0%和85.7%、91.5%、98.0%，可见 DL 算法检测到的颅内动脉瘤具有很高的诊断性能，外部数据集验证结果一致。同样，Ueda 等[14]采用DL 技术检测动脉瘤，对内部和外部测试数据集的诊断敏感度分别为91%和93%，其中外部数据集来自于4 个机构不同环境、不同场强和不同MRI 设备影像，该模型严谨且具有普遍适用性。MRA 可无需对比剂的情况下进行血管成像和动脉瘤检测，基于MRA 的自动算法技术可用于动脉瘤筛查和诊断，具有较为广阔的应用前景。

2.3 基于DSA DSA 被认为是评估颅内血管和诊断颅内动脉瘤的金标准，其对动脉瘤的检测具有较高的敏感性和特异性，且能很好地显示动脉瘤的空间位置[15]。Podgorsak 等[16]对 250 例 DSA 数据采用CNN 算法进行训练，另外100 例动脉瘤进行验证，获得动脉瘤的Jaccard 指数和Dice 相似系数分别为0.823 和0.903，基于CNN 算法能自动分割动脉瘤和提取影像学特征，并且该分割方法不劣于手工勾画动脉瘤轮廓，认为该神经网络模型能简化临床工作流程，用于动脉瘤特征的定量评估。Jin 等[17]采用U 型和双向设计神经网络算法对1 205 个动脉瘤（训练组：851 个；验证组：354 个）的 2D-DSA 数据进行分析，获得94.3%的检出敏感度，但假阳性率较高。Zeng 等[15]对256 例动脉瘤数据，采用将空间信息融合（spatial information fusion，SIF）技术与 CNN相结合，获得较高的敏感度和特异度（99.38%和98.19%）。DSA 可用于CTA 和MRA 怀疑颅内动脉瘤病人的确诊和术中治疗，基于DSA 的AI 用于动脉瘤的识别和诊断，具有较高的敏感性和特异性。

3 AI 在预测动脉瘤的发生和破裂风险的应用

3.1 预测发生风险 对于健康成年人来讲，预测颅内动脉瘤的发生对于预防动脉瘤非常重要。Heo 等[18]采用逻辑回归（logistic regression，LR）、随机森林（random forest，RF）、可拓展提升树（gradient boosting trees，XGB） 和 DNN 这 4 种不同的 ML 算法来预测动脉瘤发生的风险，根据模型预测概率将5 个风险组概率依次增加进行分层，然后比较最低和最高风险组的发病率比率，结果显示XGB 模型对颅内动脉瘤的风险预测最好，预测最低风险组颅内动脉瘤的发病率最低，而RF 模型预测最高风险组颅内动脉瘤的发病率最高，表明开发的预测模型可以预测动脉瘤的发生风险，未来有助于颅内动脉瘤的筛查。

3.2 预测破裂风险 理论上对于颅内未破裂动脉瘤在破裂前进行干预是降低出血风险和致残率的根本方法，但同时也应该考虑干预带来的并发症风险。随着成像技术的广泛使用，可以检测出更多的未破裂动脉瘤。然而，对于未破裂动脉瘤的治疗，在临床决策中面临着治疗风险可能高于其破裂风险的难题，因此识别动脉瘤的高危形态学特征对其破裂分层和个体化的破裂风险评估对于治疗决策至关重要，但ML 有望解决这一问题。颅内动脉瘤发生破裂被认为与其大小、形态、位置密切相关[2]。然而，在临床实际工作中，动脉瘤的大小和形态通常由医生手动测量和主观评价，这会导致观察者间主观评价的不一致性，捕捉不到动脉瘤的复杂形态学特征。研究者[20]发现，引入计算机辅助能使大小和形态学评估更加客观一致。Stember 等[21]基于DL 技术开发的CNN 模型可用于动脉瘤形态学指标自动分析。

动脉瘤的不稳定性被认为是动脉瘤破裂风险之一。Liu 等[22]采用ML 的方法，基于影像组学对420 例最大径4～8 mm 的动脉瘤提取的12 个形态学特征进行分析，发现动脉瘤的平坦度是影响稳定性的重要决定因素，提出的模型可以预测动脉瘤的稳定性。Liu 等[23]构建双层前馈人工神经网络（feedforward neural network，FANN）来预测前交通动脉瘤（anterior communicating aneurysm，ACOA）的破裂风险，总体预测准确度为94.8%，认为该神经网络模型表现出良好性能，为预测ACOA 的破裂风险提供了一个有价值的工具，可能有助于未破裂ACOA的治疗。Zhu 等[24]基于 ML 技术对 528 例不稳定动脉瘤和1 539 例稳定动脉瘤提取了13 个临床特征和18 个形态学特征进行分析，采用支持向量机（support vector machine，SVM）、RF 和 FANN 这 3 种模型进行学习，并与LR 模型和脑动脉瘤破裂风险评分即PHASES 评分（评分包括种群、血压、年龄、动脉瘤大小、既往的蛛网膜下腔出血史和动脉瘤的位置等6方面）的诊断效能进行比较，发现ML 模式的曲线下面积（AUC）优于该评分，同样强于LR，提示ML 有可能增强颅内动脉瘤稳定性评估的临床决策过程，可能在未来对病人进行更优化的治疗。

4 AI 在预测动脉瘤治疗后的应用

目前，颅内动脉瘤的治疗主要包括外科手术夹闭和血管内介入治疗[4]。血流导向装置是近年来出现的一种用于动脉瘤血管内治疗的方法，特别适合于形态不规则、瘤颈宽的难治性动脉瘤。然而，约25%接受治疗的病人存在血栓形成和动脉瘤复发的高风险[2]。Paliwal 等[26]比较了 4 种有监督的 ML 算法（LR、SVM、k 近邻和神经网络），对血流导向装置栓塞治疗后的动脉瘤病例（包括48 例完全栓塞和16 例有残留）进行疗效预测，主要学习每个动脉瘤的16种形态参数、血流动力学参数和Pipeline 栓塞装置相关参数，之后该算法对20 例病例进行预测验证，发现神经网络在训练中表现最好（AUC=0.967），高斯-支持向量机（G-SVM）和神经网络有90%的预测效果，结果表明ML 模型可以预测动脉瘤的治疗效果，能够对临床的治疗决策起到指导和帮助作用。

5 AI 在颅内动脉瘤应用的局限性和展望

目前，尽管AI 技术（尤其是DL）在颅内动脉瘤的评估和预测方面已取得一定效果，但还存在局限性如下：①目前应用于动脉瘤AI 研究的训练数据和验证数据相对较小，大多数是回顾性的单中心研究，对于在不同人群、成像设备和机构中的效能缺乏外部验证；②纳入病例的质量参差不齐，且建立的模型标准不一致，大多数研究缺乏DSA 金标准的验证，需要进一步研究；③模型的稳健性和普遍有效性问题亟待解决[3，27-28]。此外，也要关注医学伦理问题。AI 从科学研究到临床落地还有很长的路要走。Kim 等[29]推荐了4 个标准来验证AI 在临床实际工作中的效能，即①必须获得外部验证；②使用诊断性的队列研究；③优质数据来自多个机构；④进行前瞻性的研究。因此，对于颅内动脉瘤而言，一个完备且优秀的自动化AI 系统应该包括：对动脉瘤的检出（包括破裂和未破裂）、破裂风险的预测、血流动力学及尺寸指数的自动计算、指导临床治疗决策和复发风险的评估。

综上所述，AI 技术作为一种新兴的医工交叉学科，其在自动检测动脉瘤、预测动脉瘤的破裂危险因素及治疗效果方面具有良好的应用前景。同时，AI 的应用可以极大程度地缓解目前影像医生不足的问题，利于减轻医生的工作负担并提高工作效率。