郭藝帆，許茂盛

（浙江中醫(yī)藥大學(xué)附屬第一醫(yī)院影像科，浙江 杭州 310006）

腦動(dòng)脈瘤是腦動(dòng)脈病理性擴(kuò)張?jiān)斐傻膭?dòng)脈壁瘤狀突出，全球發(fā)病率為3%～5%［1-2］，20%～30%的患者不止患有1 個(gè)動(dòng)脈瘤［3］。腦動(dòng)脈瘤破裂導(dǎo)致蛛網(wǎng)膜下腔出血，約35%的患者預(yù)后不良［4］。隨著腦成像技術(shù)的飛速發(fā)展，未破裂腦動(dòng)脈瘤的檢出率逐年上升，如何在預(yù)防性治療和保守治療中做出相對(duì)有利于患者的選擇是現(xiàn)階段臨床所面臨的主要難題［3］，尤以小動(dòng)脈瘤（直徑7 mm）的治療方案爭(zhēng)議較大［5］。近年來(lái)，人工智能（artificial intelligence，AI）被應(yīng)用于腦動(dòng)脈瘤破裂風(fēng)險(xiǎn)評(píng)估中，其可根據(jù)患者基線(xiàn)資料和腦動(dòng)脈瘤的影像學(xué)特征預(yù)測(cè)腦動(dòng)脈瘤破裂風(fēng)險(xiǎn)，以輔助醫(yī)師進(jìn)行臨床決策。本文就AI 在腦動(dòng)脈瘤破裂風(fēng)險(xiǎn)評(píng)估中的研究應(yīng)用等進(jìn)行綜述。

1 AI 與醫(yī)學(xué)影像

目前，包括放射科、病理科、皮膚科和眼科在內(nèi)的很多學(xué)科已開(kāi)始從AI 中受益［6］。放射科醫(yī)師用肉眼判讀醫(yī)學(xué)圖像，以發(fā)現(xiàn)、描述和監(jiān)測(cè)疾病，但這種評(píng)估往往基于知識(shí)儲(chǔ)備和工作經(jīng)驗(yàn)，主觀依賴(lài)性強(qiáng)，個(gè)體間差異無(wú)法避免。與這種定性推理相比，AI 擅長(zhǎng)識(shí)別影像數(shù)據(jù)中的復(fù)雜模式，并可自動(dòng)提供定量評(píng)估。當(dāng)AI 作為協(xié)助醫(yī)師的工具整合到臨床工作流程中時(shí)，可進(jìn)行更準(zhǔn)確和可重復(fù)的影像學(xué)評(píng)估［7］。

當(dāng)前，廣泛使用的AI 方法有2 類(lèi)，即機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。基于預(yù)定義的影像組學(xué)特征的機(jī)器學(xué)習(xí)算法屬傳統(tǒng)的AI 方法，其參數(shù)的調(diào)整需一定的專(zhuān)業(yè)知識(shí)。影像組學(xué)特征旨在量化目標(biāo)對(duì)象在影像圖像上的潛在信息，如腫瘤的三維形狀、腫瘤內(nèi)紋理和像素強(qiáng)度分布（直方圖）。隨后選出與研究目標(biāo)最相關(guān)的影像組學(xué)特征，以構(gòu)建適用于相應(yīng)影像數(shù)據(jù)的機(jī)器學(xué)習(xí)模型，并確定潛在的基于影像的生物學(xué)標(biāo)志物。機(jī)器學(xué)習(xí)常用的經(jīng)典模型有支持向量機(jī)和隨機(jī)森林。

深度學(xué)習(xí)算法目前正被應(yīng)用于前沿的AI 研究中，此類(lèi)算法無(wú)需明確的特征定義，代表了機(jī)器學(xué)習(xí)中一種根本不同的范式［8-9］。深度學(xué)習(xí)的基本方法已存在幾十年，但近年來(lái)，才有足夠的數(shù)據(jù)和計(jì)算能力可用。在各種深度學(xué)習(xí)框架中，卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）是當(dāng)今醫(yī)學(xué)影像中最流行的深度學(xué)習(xí)框架。典型的CNN 由一系列層組成，可連續(xù)地將圖像輸入映射到所需的端點(diǎn)，同時(shí)學(xué)習(xí)越來(lái)越高級(jí)別的影像特征。從一幅輸入圖像開(kāi)始，CNN 中的隱藏層通常包括一系列卷積和匯集操作，分別提取特征地圖和執(zhí)行特征聚合。隱藏層之后是全連接層，在輸出層產(chǎn)生預(yù)測(cè)之前提供高級(jí)推理。CNN 通常被“端到端”地使用標(biāo)記數(shù)據(jù)進(jìn)行訓(xùn)練，以用于監(jiān)督學(xué)習(xí)。對(duì)于未標(biāo)記數(shù)據(jù)的無(wú)監(jiān)督學(xué)習(xí)任務(wù)，深度自動(dòng)編碼器和生成式對(duì)抗網(wǎng)絡(luò)更合適［10］。轉(zhuǎn)移學(xué)習(xí)常被用于處理稀缺數(shù)據(jù)或其他數(shù)據(jù)集上使用預(yù)先訓(xùn)練的網(wǎng)絡(luò)［8］。

2 腦動(dòng)脈瘤的形成與破裂

腦動(dòng)脈壁由內(nèi)、中和外膜3 層構(gòu)成：腦動(dòng)脈的管腔內(nèi)側(cè)面由一層內(nèi)皮細(xì)胞組成，這些內(nèi)皮細(xì)胞緊密連接，并與內(nèi)彈性膜組成腦動(dòng)脈內(nèi)膜，隨動(dòng)脈管徑變小，肌層也逐漸減少；中膜由血管平滑肌細(xì)胞組成；外膜由結(jié)締組織、神經(jīng)纖維組成［3，11］。

正常腦動(dòng)脈壁的解剖變異、結(jié)構(gòu)組成和生理穩(wěn)態(tài)可能受到吸煙、高血壓等腦動(dòng)脈瘤危險(xiǎn)因素的影響，進(jìn)而導(dǎo)致血流異常，引起腦動(dòng)脈壁的結(jié)構(gòu)發(fā)生改變，致使動(dòng)脈分叉處內(nèi)彈性膜中斷［12-16］。血液的流入和撞擊使結(jié)構(gòu)缺陷的動(dòng)脈暴露于高壁面切應(yīng)力下，導(dǎo)致動(dòng)脈瘤囊形成。動(dòng)脈瘤囊將持續(xù)生長(zhǎng)直至瘤壁修復(fù)和細(xì)胞外基質(zhì)降解達(dá)到平衡［17］。動(dòng)脈瘤壁的主要分子成分是膠原蛋白；主要細(xì)胞成分為血管平滑肌細(xì)胞、一層不連續(xù)的內(nèi)皮細(xì)胞和少量炎性細(xì)胞［11，13，18-20］。

腦動(dòng)脈瘤并非線(xiàn)性生長(zhǎng)，而是不連續(xù)和隨機(jī)的［11］，故腦動(dòng)脈瘤的結(jié)局多樣且難以預(yù)測(cè)，可大致分為4 類(lèi)結(jié)局［3］：①隨機(jī)生長(zhǎng)直至破裂；②長(zhǎng)期穩(wěn)定而不破裂；③長(zhǎng)期穩(wěn)定，突然破裂；④非常小的腦動(dòng)脈瘤也可能迅速發(fā)展并破裂，甚至無(wú)穩(wěn)定期。隨機(jī)的生長(zhǎng)方式導(dǎo)致對(duì)動(dòng)脈瘤破裂風(fēng)險(xiǎn)的準(zhǔn)確預(yù)測(cè)極為困難，要求臨床醫(yī)師謹(jǐn)慎處理。

3 腦動(dòng)脈瘤的影像評(píng)價(jià)

CTA 和MRA 是腦動(dòng)脈瘤檢測(cè)、評(píng)估與隨訪常用且有效的檢查方法，在腦動(dòng)脈瘤破裂風(fēng)險(xiǎn)評(píng)估中，兩者各有優(yōu)勢(shì)。

CTA 是一種無(wú)創(chuàng)的影像檢查手段，可提供腦血管的斷層圖像。與其他影像檢查方法相比其能夠在幾秒內(nèi)獲得一系列圖像。CTA 重組圖像可直觀、立體地反映腦動(dòng)脈瘤不規(guī)則的形狀（如分葉狀、小泡樣凸起/子囊等），該征象與其破裂相關(guān)。腦動(dòng)脈瘤的瘤高、瘤頸寬、載瘤動(dòng)脈直徑等形態(tài)學(xué)定量參數(shù)也可從CTA 圖像上獲得，這些參數(shù)可直接或間接為腦動(dòng)脈瘤的破裂風(fēng)險(xiǎn)評(píng)估提供參考［21-22］。值得注意的是，CTA 檢測(cè)直徑＜5 mm 的腦動(dòng)脈瘤的敏感性較低。Philipp 等［23］發(fā)現(xiàn)，對(duì)于直徑＜3 mm 的腦動(dòng)脈瘤，CTA漏檢率為67.5%；對(duì)于直徑3～5 mm 的腦動(dòng)脈瘤，漏檢率低于16.0%；而對(duì)于直徑5～10 mm 的腦動(dòng)脈瘤，漏診率為10.9%。

MRA 是一種無(wú)電離輻射、無(wú)創(chuàng)的三維成像技術(shù)，與CTA 一樣可進(jìn)行腦動(dòng)脈瘤形態(tài)學(xué)評(píng)估，以TOF-MRA和對(duì)比劑增強(qiáng)MRA（Contrast-enhanced MRA，CE-MRA）較常用。TOF-MRA 無(wú)需對(duì)比劑，但血流速度慢區(qū)域的飽和導(dǎo)致信號(hào)衰減，而CE-MRA 恰能解決該問(wèn)題［24］。因此，CE-MRA 更適合在縱向研究中監(jiān)測(cè)腦動(dòng)脈瘤的生長(zhǎng)情況。

MRI 所能提供的腦動(dòng)脈瘤信息不止于形態(tài)學(xué)，運(yùn)用黑血技術(shù)抑制鄰近組織和血液信號(hào)以突出血管壁信號(hào)［25-26］，可將血管壁清晰地可視化。來(lái)自人體和動(dòng)物研究的組織病理學(xué)證據(jù)均支持炎癥在動(dòng)脈瘤的形成、生長(zhǎng)和破裂中起主要作用的結(jié)論［27］。一項(xiàng)以108 例腦動(dòng)脈瘤為對(duì)象的前瞻性研究發(fā)現(xiàn)，腦動(dòng)脈瘤壁的環(huán)狀強(qiáng)化多見(jiàn)于不穩(wěn)定的腦動(dòng)脈瘤，可作為動(dòng)脈瘤壁炎性活動(dòng)的替代指標(biāo)［28］。

4 AI 在腦動(dòng)脈瘤破裂風(fēng)險(xiǎn)評(píng)估中的應(yīng)用

目前，AI 在腦動(dòng)脈瘤破裂風(fēng)險(xiǎn)影像評(píng)估中的發(fā)展并不成熟，以機(jī)器學(xué)習(xí)為主，深度學(xué)習(xí)多用于腦動(dòng)脈瘤檢測(cè)。通過(guò)AI 方法挖掘腦動(dòng)脈瘤在醫(yī)學(xué)圖像上的定量信息，并篩選與破裂相關(guān)的有效信息特征是近幾年的主要研究方向之一［29-31］（圖1）。Liu 等［29］發(fā)現(xiàn)，影像組學(xué)特征中的形態(tài)特征可用于預(yù)測(cè)腦動(dòng)脈瘤的穩(wěn)定性，平坦度是其中重要的預(yù)測(cè)因素。為實(shí)現(xiàn)個(gè)體化腦動(dòng)脈瘤破裂風(fēng)險(xiǎn)精準(zhǔn)預(yù)測(cè)，在構(gòu)建機(jī)器學(xué)習(xí)模型時(shí)，還需結(jié)合臨床資料、動(dòng)脈瘤形態(tài)學(xué)特征和血流動(dòng)力學(xué)信息［29，32-33］。

圖1 人工智能在腦動(dòng)脈瘤破裂評(píng)估中的應(yīng)用示意圖。常用方法有2 種：方法1（圖1a），依賴(lài)專(zhuān)業(yè)知識(shí)從ROI中提取預(yù)定義影像組學(xué)特征，如體積、形狀、紋理等。選擇魯棒性最高且與分類(lèi)任務(wù)最相關(guān)的一組特征，將其輸入到機(jī)器學(xué)習(xí)分類(lèi)器中，最終可獲得每例患者的分類(lèi)預(yù)測(cè)結(jié)果；方法2（圖1b），使用深度學(xué)習(xí)，以基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的腦動(dòng)脈瘤CTA 圖像檢出和分類(lèi)為例。與方法1 不同，方法2 的區(qū)域標(biāo)注通常僅需邊界框。此外，方法2 具備“特征學(xué)習(xí)”的能力，無(wú)需預(yù)定義特征 圖2 腦動(dòng)脈瘤血流動(dòng)力學(xué)示意圖

以計(jì)算流體動(dòng)力學(xué)（computational fluid dynamics，CFD）為基礎(chǔ)的仿CDF 深度學(xué)習(xí)模型在腦動(dòng)脈瘤破裂風(fēng)險(xiǎn)評(píng)估中頗具研究?jī)r(jià)值。CFD 模型能夠計(jì)算血流動(dòng)力學(xué)參數(shù)，并將其可視化，由CFD 模型生成的數(shù)據(jù)有助于更全面地了解動(dòng)脈瘤的形態(tài)和潛在結(jié)構(gòu)缺陷，完成患者個(gè)體化評(píng)估［34-36］（圖2）。雖然CFD 具有提高診斷能力和改善臨床結(jié)果的潛力，但該方法高度專(zhuān)業(yè)化、耗時(shí)長(zhǎng)，且需同時(shí)具備工程和醫(yī)學(xué)兩方面經(jīng)驗(yàn)的專(zhuān)科人才，在臨床實(shí)踐中的普及難度較大。Yevtushenko 等［37］針對(duì)主動(dòng)脈縮窄，成功使用深度學(xué)習(xí)替代CFD 建模，該方法所需的計(jì)算量較小。深度學(xué)習(xí)可彌補(bǔ)CFD 建模的缺點(diǎn)，將仿CFD 的深度學(xué)習(xí)模型應(yīng)用于腦動(dòng)脈瘤破裂風(fēng)險(xiǎn)評(píng)估中可能有意想不到的收獲。

腦動(dòng)脈瘤破裂前與破裂后的形態(tài)往往會(huì)發(fā)生較大變化。在評(píng)估腦動(dòng)脈瘤破裂風(fēng)險(xiǎn)時(shí)，不應(yīng)將破裂后形態(tài)視為破裂前形態(tài)的充分替代［38］。因此，利用AI從破裂后腦動(dòng)脈瘤影像中提取的定量信息可能與破裂前差異較大。然而，在臨床實(shí)踐中，即將破裂腦動(dòng)脈瘤的影像資料大樣本收集的可能性較小。明確哪些特征在腦動(dòng)脈瘤破裂前后基本一致是構(gòu)建腦動(dòng)脈瘤破裂預(yù)測(cè)AI 模型的重要前提，因此，分析腦動(dòng)脈瘤的隨訪影像資料或許更有意義，尤其是小動(dòng)脈瘤。

雖然訓(xùn)練深度學(xué)習(xí)模型所需要的樣本量難以精確估算，但目前不少研究所使用的數(shù)據(jù)樣本量小且來(lái)源于單中心，缺乏在不同的人群、成像設(shè)備、平臺(tái)和機(jī)構(gòu)內(nèi)的外部驗(yàn)證，此類(lèi)研究所提出的AI 模型往往在臨床推廣中存在一定的限制［39］。

隨著影像技術(shù)的發(fā)展和普及，未破裂腦動(dòng)脈瘤的檢出率呈逐年上升趨勢(shì)，其破裂風(fēng)險(xiǎn)預(yù)測(cè)是臨床重要且頗具挑戰(zhàn)性的工作。多中心、跨學(xué)科的合作以保證數(shù)據(jù)的質(zhì)與量，特征及模型計(jì)算方法的標(biāo)準(zhǔn)化和規(guī)范化，是建立可推廣的腦動(dòng)脈瘤破裂風(fēng)險(xiǎn)預(yù)測(cè)AI 模型的前提。因腦動(dòng)脈瘤發(fā)生、發(fā)展的高度復(fù)雜性，AI 在腦動(dòng)脈瘤破裂風(fēng)險(xiǎn)評(píng)估中雖有可期的發(fā)展前景，但距離臨床轉(zhuǎn)化尚有一定距離，有待進(jìn)一步研究。