李銳 閻世鑫 靳松

顱內(nèi)動(dòng)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(dòng)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(dòng)脈瘤首次出血的病死率高達(dá)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(dòng)脈瘤早期檢出及評(píng)估破裂風(fēng)險(xiǎn)尤其重要。目前診斷和評(píng)估顱內(nèi)動(dòng)脈瘤常用的檢測(cè)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(biāo)準(zhǔn)。由于動(dòng)脈瘤的大小不一、位置多發(fā)及形態(tài)多樣，且放射學(xué)檢查數(shù)量不斷增加，即使是有經(jīng)驗(yàn)的影像醫(yī)師在診斷時(shí)也可能出現(xiàn)潛在的漏診和誤診風(fēng)險(xiǎn)。因此，快速識(shí)別動(dòng)脈瘤、精準(zhǔn)診斷動(dòng)脈瘤以及預(yù)測(cè)動(dòng)脈瘤破裂風(fēng)險(xiǎn)成為了臨床關(guān)注的熱點(diǎn)問題。

AI 能夠快速識(shí)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(qiáng)度和出現(xiàn)漏診及誤診的發(fā)生率，同時(shí)可以預(yù)測(cè)動(dòng)脈瘤的破裂風(fēng)險(xiǎn)及治療效果，本文就AI 技術(shù)在顱內(nèi)動(dòng)脈瘤診斷和預(yù)測(cè)方面的應(yīng)用進(jìn)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(jì)算機(jī)算法，包括模擬學(xué)習(xí)能力、推理能力和自我校正[3]。近年來，AI 與醫(yī)學(xué)影像相結(jié)合，以海量的數(shù)據(jù)為載體，使得AI 進(jìn)入快速發(fā)展階段。機(jī)器學(xué)習(xí)（machine learning，ML）是一種實(shí)現(xiàn) AI 的方法，通過學(xué)習(xí)和訓(xùn)練模型來提取和記憶相關(guān)特征及參數(shù)。從學(xué)習(xí)方法上來看，ML 可分為監(jiān)督學(xué)習(xí)（用特定的標(biāo)簽或標(biāo)注進(jìn)行訓(xùn)練）、無監(jiān)督學(xué)習(xí)（在沒有特定的監(jiān)督下進(jìn)行學(xué)習(xí)）、半監(jiān)督或弱監(jiān)督學(xué)習(xí)（用標(biāo)記或未標(biāo)記的數(shù)據(jù)進(jìn)行訓(xùn)練，以減少標(biāo)注負(fù)擔(dān)）、強(qiáng)化學(xué)習(xí)和深度學(xué)習(xí)（deep learning，DL）等[3]。DL 是實(shí)現(xiàn)ML 的重要技術(shù)，越來越多地用于開發(fā)圖像識(shí)別算法，其能夠通過構(gòu)建神經(jīng)網(wǎng)絡(luò)模擬人腦運(yùn)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(yīng)用于圖像自動(dòng)化分割、數(shù)據(jù)特征的挖掘和提取，建立分類和預(yù)測(cè)模型，從而提升任務(wù)的準(zhǔn)確性。在醫(yī)學(xué)領(lǐng)域，AI 已被應(yīng)用于腫瘤的精準(zhǔn)診斷、定性和監(jiān)測(cè)以及腦血管病的診斷和預(yù)測(cè)等方面[4-5]。AI 在動(dòng)脈瘤的檢測(cè)、風(fēng)險(xiǎn)分層以及預(yù)測(cè)中的初步應(yīng)用已見報(bào)道。

2 AI 在顱內(nèi)動(dòng)脈瘤影像診斷中的應(yīng)用

2.1 基于CTA CTA 是評(píng)估顱內(nèi)動(dòng)脈瘤的主要影像檢查手段，在檢測(cè)動(dòng)脈瘤方面具有較高的敏感性和特異性[6]，但對(duì)于小動(dòng)脈瘤（直徑＜3 mm）診斷效能低[7]。Yang 等[8]基于 DL 的 CNN 三維檢測(cè)算法對(duì) 3種不同CT 設(shè)備上的頭顱CTA 數(shù)據(jù)進(jìn)行回顧性分析，共1 068 例病人的1 337 個(gè)動(dòng)脈瘤進(jìn)行訓(xùn)練和驗(yàn)證，其中 534 例病人 CTA 影像（688 個(gè)動(dòng)脈瘤）用于訓(xùn)練集，534 例病人CTA 影像（649 個(gè)動(dòng)脈瘤）用于內(nèi)部驗(yàn)證集；另外400 例病人CTA 影像（188 例有動(dòng)脈瘤，212 例無動(dòng)脈瘤）用于外部驗(yàn)證。該算法檢測(cè)動(dòng)脈瘤的敏感度為97.5%（633/649 個(gè)；95%CI：96.0～98.6）；此外，該算法還檢出了 8 個(gè)在最初報(bào)告中漏診的動(dòng)脈瘤（這些動(dòng)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(zhǔn)確性，降低了漏診率，同時(shí)對(duì)于檢測(cè)微小動(dòng)脈瘤有較高性能。Park 等[9]開發(fā)和應(yīng)用一種 CNN 模型（HeadXNet 模型）對(duì) 9 455 例病人的頭部或頭頸部CTA 影像進(jìn)行分析，排除8 637 例（包括蛛網(wǎng)膜下腔出血、動(dòng)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(dòng)脈瘤，490 例正常）的CTA 影像，對(duì)其中611 例CTA 影像進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練生成模型，在測(cè)試集115 例中獲得檢出敏感度為94.9%。在該項(xiàng)研究中，臨床醫(yī)生使用該模型后診斷敏感性、準(zhǔn)確性和評(píng)價(jià)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(biāo)準(zhǔn)和外部數(shù)據(jù)驗(yàn)證，且只關(guān)注了≥3 mm 的未破裂動(dòng)脈瘤，因此限制了該模型的進(jìn)一步推廣和應(yīng)用。

Shi 等[10]納入多中心共1 177 例經(jīng)DSA 證實(shí)的顱內(nèi)動(dòng)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(cè)顱內(nèi)動(dòng)脈瘤具有敏感度高（97.3%）、假陽性率低、單個(gè)病例處理時(shí)間少等優(yōu)點(diǎn)，對(duì)數(shù)據(jù)獨(dú)立內(nèi)部驗(yàn)證和外部驗(yàn)證的敏感度分別為94.4%和84.6%；此外，該模型對(duì)于影像質(zhì)量的要求相對(duì)低。該研究包括了DSA 驗(yàn)證以及來自多中心的獨(dú)立外部驗(yàn)證數(shù)據(jù)，具有較好的嚴(yán)謹(jǐn)性和可靠性?；贑TA 腦動(dòng)脈瘤檢測(cè)算法的使用提高了動(dòng)脈瘤的檢出敏感性，降低了漏診風(fēng)險(xiǎn)，為臨床懷疑動(dòng)脈瘤的病人進(jìn)一步檢查和治療提供了技術(shù)支持。

2.2 基于MRA MRA 用于動(dòng)脈瘤的診斷時(shí)可直接顯示動(dòng)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(duì)微小動(dòng)脈瘤的識(shí)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(duì)85 例病人共115 個(gè)動(dòng)脈瘤的三維時(shí)間飛躍法MRA（three dimension time of flight MRA，3D-TOF-MRA）進(jìn)行評(píng)估，發(fā)現(xiàn)對(duì)顱內(nèi)動(dòng)脈瘤總體檢測(cè)敏感度達(dá)90%，對(duì)3～7 mm 動(dòng)脈瘤的敏感度為96%，＞7 mm 的敏感度為100%，對(duì)于后循環(huán)的動(dòng)脈瘤檢測(cè)效果好，用于圖像預(yù)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(cè)出顱內(nèi)動(dòng)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(duì)顱內(nèi)動(dòng)脈瘤MRA 數(shù)據(jù)進(jìn)行學(xué)習(xí)，將 468 例 MRA 影像用于訓(xùn)練集，120 例 MRA 影像用于內(nèi)部測(cè)試，另外 106 例（56 例有動(dòng)脈瘤，50 例無動(dòng)脈瘤）用于外部測(cè)試，內(nèi)部測(cè)試集和外部測(cè)試集的敏感度、陽性預(yù)測(cè)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(cè)到的顱內(nèi)動(dòng)脈瘤具有很高的診斷性能，外部數(shù)據(jù)集驗(yàn)證結(jié)果一致。同樣，Ueda 等[14]采用DL 技術(shù)檢測(cè)動(dòng)脈瘤，對(duì)內(nèi)部和外部測(cè)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(gè)機(jī)構(gòu)不同環(huán)境、不同場(chǎng)強(qiáng)和不同MRI 設(shè)備影像，該模型嚴(yán)謹(jǐn)且具有普遍適用性。MRA 可無需對(duì)比劑的情況下進(jìn)行血管成像和動(dòng)脈瘤檢測(cè)，基于MRA 的自動(dòng)算法技術(shù)可用于動(dòng)脈瘤篩查和診斷，具有較為廣闊的應(yīng)用前景。

2.3 基于DSA DSA 被認(rèn)為是評(píng)估顱內(nèi)血管和診斷顱內(nèi)動(dòng)脈瘤的金標(biāo)準(zhǔn)，其對(duì)動(dòng)脈瘤的檢測(cè)具有較高的敏感性和特異性，且能很好地顯示動(dòng)脈瘤的空間位置[15]。Podgorsak 等[16]對(duì) 250 例 DSA 數(shù)據(jù)采用CNN 算法進(jìn)行訓(xùn)練，另外100 例動(dòng)脈瘤進(jìn)行驗(yàn)證，獲得動(dòng)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(dòng)分割動(dòng)脈瘤和提取影像學(xué)特征，并且該分割方法不劣于手工勾畫動(dòng)脈瘤輪廓，認(rèn)為該神經(jīng)網(wǎng)絡(luò)模型能簡(jiǎn)化臨床工作流程，用于動(dòng)脈瘤特征的定量評(píng)估。Jin 等[17]采用U 型和雙向設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)算法對(duì)1 205 個(gè)動(dòng)脈瘤（訓(xùn)練組：851 個(gè)；驗(yàn)證組：354 個(gè)）的 2D-DSA 數(shù)據(jù)進(jìn)行分析，獲得94.3%的檢出敏感度，但假陽性率較高。Zeng 等[15]對(duì)256 例動(dòng)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(dòng)脈瘤病人的確診和術(shù)中治療，基于DSA 的AI 用于動(dòng)脈瘤的識(shí)別和診斷，具有較高的敏感性和特異性。

3 AI 在預(yù)測(cè)動(dòng)脈瘤的發(fā)生和破裂風(fēng)險(xiǎn)的應(yīng)用

3.1 預(yù)測(cè)發(fā)生風(fēng)險(xiǎn) 對(duì)于健康成年人來講，預(yù)測(cè)顱內(nèi)動(dòng)脈瘤的發(fā)生對(duì)于預(yù)防動(dòng)脈瘤非常重要。Heo 等[18]采用邏輯回歸（logistic regression，LR）、隨機(jī)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(yù)測(cè)動(dòng)脈瘤發(fā)生的風(fēng)險(xiǎn)，根據(jù)模型預(yù)測(cè)概率將5 個(gè)風(fēng)險(xiǎn)組概率依次增加進(jìn)行分層，然后比較最低和最高風(fēng)險(xiǎn)組的發(fā)病率比率，結(jié)果顯示XGB 模型對(duì)顱內(nèi)動(dòng)脈瘤的風(fēng)險(xiǎn)預(yù)測(cè)最好，預(yù)測(cè)最低風(fēng)險(xiǎn)組顱內(nèi)動(dòng)脈瘤的發(fā)病率最低，而RF 模型預(yù)測(cè)最高風(fēng)險(xiǎn)組顱內(nèi)動(dòng)脈瘤的發(fā)病率最高，表明開發(fā)的預(yù)測(cè)模型可以預(yù)測(cè)動(dòng)脈瘤的發(fā)生風(fēng)險(xiǎn)，未來有助于顱內(nèi)動(dòng)脈瘤的篩查。

3.2 預(yù)測(cè)破裂風(fēng)險(xiǎn) 理論上對(duì)于顱內(nèi)未破裂動(dòng)脈瘤在破裂前進(jìn)行干預(yù)是降低出血風(fēng)險(xiǎn)和致殘率的根本方法，但同時(shí)也應(yīng)該考慮干預(yù)帶來的并發(fā)癥風(fēng)險(xiǎn)。隨著成像技術(shù)的廣泛使用，可以檢測(cè)出更多的未破裂動(dòng)脈瘤。然而，對(duì)于未破裂動(dòng)脈瘤的治療，在臨床決策中面臨著治療風(fēng)險(xiǎn)可能高于其破裂風(fēng)險(xiǎn)的難題，因此識(shí)別動(dòng)脈瘤的高危形態(tài)學(xué)特征對(duì)其破裂分層和個(gè)體化的破裂風(fēng)險(xiǎn)評(píng)估對(duì)于治療決策至關(guān)重要，但ML 有望解決這一問題。顱內(nèi)動(dòng)脈瘤發(fā)生破裂被認(rèn)為與其大小、形態(tài)、位置密切相關(guān)[2]。然而，在臨床實(shí)際工作中，動(dòng)脈瘤的大小和形態(tài)通常由醫(yī)生手動(dòng)測(cè)量和主觀評(píng)價(jià)，這會(huì)導(dǎo)致觀察者間主觀評(píng)價(jià)的不一致性，捕捉不到動(dòng)脈瘤的復(fù)雜形態(tài)學(xué)特征。研究者[20]發(fā)現(xiàn)，引入計(jì)算機(jī)輔助能使大小和形態(tài)學(xué)評(píng)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(dòng)脈瘤形態(tài)學(xué)指標(biāo)自動(dòng)分析。

動(dòng)脈瘤的不穩(wěn)定性被認(rèn)為是動(dòng)脈瘤破裂風(fēng)險(xiǎn)之一。Liu 等[22]采用ML 的方法，基于影像組學(xué)對(duì)420 例最大徑4～8 mm 的動(dòng)脈瘤提取的12 個(gè)形態(tài)學(xué)特征進(jìn)行分析，發(fā)現(xiàn)動(dòng)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(yù)測(cè)動(dòng)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(yù)測(cè)前交通動(dòng)脈瘤（anterior communicating aneurysm，ACOA）的破裂風(fēng)險(xiǎn)，總體預(yù)測(cè)準(zhǔn)確度為94.8%，認(rèn)為該神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)出良好性能，為預(yù)測(cè)ACOA 的破裂風(fēng)險(xiǎn)提供了一個(gè)有價(jià)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(duì) 528 例不穩(wěn)定動(dòng)脈瘤和1 539 例穩(wěn)定動(dòng)脈瘤提取了13 個(gè)臨床特征和18 個(gè)形態(tài)學(xué)特征進(jìn)行分析，采用支持向量機(jī)（support vector machine，SVM）、RF 和 FANN 這 3 種模型進(jìn)行學(xué)習(xí)，并與LR 模型和腦動(dòng)脈瘤破裂風(fēng)險(xiǎn)評(píng)分即PHASES 評(píng)分（評(píng)分包括種群、血壓、年齡、動(dòng)脈瘤大小、既往的蛛網(wǎng)膜下腔出血史和動(dòng)脈瘤的位置等6方面）的診斷效能進(jìn)行比較，發(fā)現(xiàn)ML 模式的曲線下面積（AUC）優(yōu)于該評(píng)分，同樣強(qiáng)于LR，提示ML 有可能增強(qiáng)顱內(nèi)動(dòng)脈瘤穩(wěn)定性評(píng)估的臨床決策過程，可能在未來對(duì)病人進(jìn)行更優(yōu)化的治療。

4 AI 在預(yù)測(cè)動(dòng)脈瘤治療后的應(yīng)用

目前，顱內(nèi)動(dòng)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(dǎo)向裝置是近年來出現(xiàn)的一種用于動(dòng)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(dòng)脈瘤。然而，約25%接受治療的病人存在血栓形成和動(dòng)脈瘤復(fù)發(fā)的高風(fēng)險(xiǎn)[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(duì)血流導(dǎo)向裝置栓塞治療后的動(dòng)脈瘤病例（包括48 例完全栓塞和16 例有殘留）進(jìn)行療效預(yù)測(cè)，主要學(xué)習(xí)每個(gè)動(dòng)脈瘤的16種形態(tài)參數(shù)、血流動(dòng)力學(xué)參數(shù)和Pipeline 栓塞裝置相關(guān)參數(shù)，之后該算法對(duì)20 例病例進(jìn)行預(yù)測(cè)驗(yàn)證，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練中表現(xiàn)最好（AUC=0.967），高斯-支持向量機(jī)（G-SVM）和神經(jīng)網(wǎng)絡(luò)有90%的預(yù)測(cè)效果，結(jié)果表明ML 模型可以預(yù)測(cè)動(dòng)脈瘤的治療效果，能夠?qū)εR床的治療決策起到指導(dǎo)和幫助作用。

5 AI 在顱內(nèi)動(dòng)脈瘤應(yīng)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(dòng)脈瘤的評(píng)估和預(yù)測(cè)方面已取得一定效果，但還存在局限性如下：①目前應(yīng)用于動(dòng)脈瘤AI 研究的訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)相對(duì)較小，大多數(shù)是回顧性的單中心研究，對(duì)于在不同人群、成像設(shè)備和機(jī)構(gòu)中的效能缺乏外部驗(yàn)證；②納入病例的質(zhì)量參差不齊，且建立的模型標(biāo)準(zhǔn)不一致，大多數(shù)研究缺乏DSA 金標(biāo)準(zhǔn)的驗(yàn)證，需要進(jìn)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(xué)倫理問題。AI 從科學(xué)研究到臨床落地還有很長(zhǎng)的路要走。Kim 等[29]推薦了4 個(gè)標(biāo)準(zhǔn)來驗(yàn)證AI 在臨床實(shí)際工作中的效能，即①必須獲得外部驗(yàn)證；②使用診斷性的隊(duì)列研究；③優(yōu)質(zhì)數(shù)據(jù)來自多個(gè)機(jī)構(gòu)；④進(jìn)行前瞻性的研究。因此，對(duì)于顱內(nèi)動(dòng)脈瘤而言，一個(gè)完備且優(yōu)秀的自動(dòng)化AI 系統(tǒng)應(yīng)該包括：對(duì)動(dòng)脈瘤的檢出（包括破裂和未破裂）、破裂風(fēng)險(xiǎn)的預(yù)測(cè)、血流動(dòng)力學(xué)及尺寸指數(shù)的自動(dòng)計(jì)算、指導(dǎo)臨床治療決策和復(fù)發(fā)風(fēng)險(xiǎn)的評(píng)估。

綜上所述，AI 技術(shù)作為一種新興的醫(yī)工交叉學(xué)科，其在自動(dòng)檢測(cè)動(dòng)脈瘤、預(yù)測(cè)動(dòng)脈瘤的破裂危險(xiǎn)因素及治療效果方面具有良好的應(yīng)用前景。同時(shí)，AI 的應(yīng)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(fù)擔(dān)并提高工作效率。