古展亮，吳英寧（通信作者）

（1右江民族醫(yī)學(xué)院研究生院 廣西 百色 533000）

（2右江民族醫(yī)學(xué)院附屬醫(yī)院放射科 廣西 百色 533000）

顱內(nèi)動(dòng)脈瘤（intracranial aneurysms，IA）是一種以顱內(nèi)動(dòng)脈管壁異常擴(kuò)張為病理特征的腦血管病。在普通人群中，全球發(fā)病率超過3%，中國(guó)發(fā)病率約為7%[1]。隨著先進(jìn)醫(yī)學(xué)成像技術(shù)的廣泛應(yīng)用，未破裂的顱內(nèi)動(dòng)脈瘤（unruptured intracranial aneurysms，UIA）的偶然發(fā)現(xiàn)越來越多。UIA的診斷是一個(gè)臨床難題，IA的每年破裂風(fēng)險(xiǎn)為0.26%～1.90%，蛛網(wǎng)膜下腔出血（subarachnoid hemorrhage，SAH）會(huì)導(dǎo)致死亡和永久性殘疾[2]?？紤]到在UIA的檢測(cè)和管理中面臨的挑戰(zhàn)，AI技術(shù)已經(jīng)被開發(fā)來自動(dòng)解釋復(fù)雜的數(shù)據(jù)，提取關(guān)聯(lián)，最終增強(qiáng)對(duì)動(dòng)脈瘤的精確檢測(cè)，同時(shí)提供關(guān)于其管理的最佳決策。本文對(duì)人工智能及其相關(guān)子領(lǐng)域在顱內(nèi)動(dòng)脈瘤檢測(cè)及預(yù)測(cè)新進(jìn)展進(jìn)行綜述。

1 人工智能

人工智能（artificial intelligence，AI）由英國(guó)數(shù)學(xué)家圖靈（Alan Mathison Turing）在1956年提出，其是一門多學(xué)科相互融合的交叉學(xué)科，包括計(jì)算機(jī)、控制論、信息論、數(shù)學(xué)及心理學(xué)等學(xué)科。目前成為應(yīng)用機(jī)器模擬、拓展人的思維及智能的新興科學(xué)技術(shù)[3]。AI因其能夠分析復(fù)雜數(shù)據(jù)、自動(dòng)關(guān)聯(lián)和預(yù)測(cè)的能力，優(yōu)于傳統(tǒng)的統(tǒng)計(jì)方法，在現(xiàn)實(shí)世界中顯示出巨大的應(yīng)用前景。在神經(jīng)系統(tǒng)領(lǐng)域，AI已被開發(fā)應(yīng)用于腦血管疾病的診斷和預(yù)測(cè)等方面[4]。

1.1 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)（machine learning，ML）是一種人工智能算法，它訓(xùn)練計(jì)算機(jī)自動(dòng)檢測(cè)復(fù)雜的非線性關(guān)系，這些關(guān)系可能無法明確顯示或人眼無法察覺；然而這些關(guān)系可以應(yīng)用于不斷演變的臨床數(shù)據(jù)，以產(chǎn)生高度準(zhǔn)確的預(yù)測(cè)[5]。從對(duì)訓(xùn)練數(shù)據(jù)的不同方法來看，ML可分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)擅長(zhǎng)處理分類和回歸問題，該算法被賦予特定的標(biāo)簽（即輸入和輸出）在數(shù)據(jù)集中的變量之間進(jìn)行預(yù)測(cè)。無監(jiān)督學(xué)習(xí)指的是沒有特定標(biāo)簽的訓(xùn)練，能夠發(fā)現(xiàn)看似無關(guān)聯(lián)的數(shù)據(jù)集中變量之間的相關(guān)性[6]。

1.2 深度學(xué)習(xí)

深度學(xué)習(xí)（deep learning，DL）是機(jī)器學(xué)習(xí)的一個(gè)子領(lǐng)域，它在已有經(jīng)驗(yàn)的基礎(chǔ)上自動(dòng)學(xué)習(xí)輸入數(shù)據(jù)的特征進(jìn)行鑒別[7]。DL算法使用的人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks，ANN）受到神經(jīng)生物學(xué)的啟發(fā)。ANN主要包括全連接神經(jīng)網(wǎng)絡(luò)（fully connected neural network，F(xiàn)CNN）和卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）兩種。在FCNN中，一層中的所有神經(jīng)元都與下一層中的所有神經(jīng)元相連，權(quán)值非常大。由于FCNN的權(quán)值較大，計(jì)算代價(jià)較高，因此采用CNN。CNN利用隱含層之間簡(jiǎn)單的局部非線性連接，創(chuàng)建每個(gè)深層的抽象表示，降低了模型的計(jì)算代價(jià)。CNN還可以跨層共享權(quán)重，提取獨(dú)立于其位置的圖像特征，并使用盡可能多的隱藏層進(jìn)行學(xué)習(xí)[8]。

2 AI在顱內(nèi)動(dòng)脈瘤檢測(cè)及預(yù)測(cè)中的應(yīng)用

2.1 基于MRA

近年來，出現(xiàn)了一種結(jié)合了MRA的基于DL的CAD系統(tǒng)。Nakao等[9]應(yīng)用二維卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)MRA圖像中的UIA，敏感度為70.0%～94.2%。Sichtermann等[10]利用DeepMedic CNN分析三維時(shí)間飛躍法MRA（three dimension time of flight MRA，3D-TOFMRA）的數(shù)據(jù)，對(duì)IA總體檢測(cè)敏感度為90%（對(duì)于3～7 mm的動(dòng)脈瘤為96%，對(duì)于＞7 mm的動(dòng)脈瘤為100%）。Uede等[11]提出了基于MR圖像的RES-Net18神經(jīng)結(jié)構(gòu)，該算法改進(jìn)了動(dòng)脈瘤檢測(cè)，其內(nèi)部和外部測(cè)試數(shù)據(jù)集的敏感度分別為91%和93%。Joo等[12]利用3D-TOF-MRA數(shù)據(jù)集建立3D ResNet網(wǎng)絡(luò)，該方法在內(nèi)部和外部數(shù)據(jù)集上的診斷敏感度分別為87.1%和85.7%。

2.2 基于CTA

Park等[13]使用HeadXNet模型實(shí)現(xiàn)了第一個(gè)基于DL應(yīng)用于CTA圖像的CAD系統(tǒng)。該模型的診斷敏感度為94.9%，但是該項(xiàng)研究中只關(guān)注了≥3 mm的UIA，因此限制了該系統(tǒng)的進(jìn)一步推廣和使用。隨后，Dai等[14]使用更快的CNN模型，在自動(dòng)檢測(cè)動(dòng)脈瘤方面的敏感度為91.8%，而對(duì)于＞3 mm的動(dòng)脈瘤高達(dá)96.7%。Bo等[15]引入了基于全球本地化的人工智能網(wǎng)絡(luò)，從1 338例病人的CTA圖像數(shù)據(jù)庫中診斷動(dòng)脈瘤。通過應(yīng)用內(nèi)部和外部數(shù)據(jù)集，獲得了總體90%的敏感度。

2.3 基于DSA

Jerman等[16]使用ResNet網(wǎng)絡(luò)對(duì)UIA中的DSA圖像進(jìn)行分類。值得注意的是，這種方法在每個(gè)病例2.4 FPS，即圖像每秒傳輸幀數(shù)為2.4時(shí)達(dá)到了100%的敏感度。Podgorsak等[17]采用CNN算法對(duì)250例動(dòng)脈瘤數(shù)據(jù)進(jìn)行AI訓(xùn)練，并采用100例動(dòng)脈瘤進(jìn)行驗(yàn)證，獲得了0.823的Jaccard指數(shù)和0.903的Dice相似系數(shù)。Zeng等[18]則采用空間信息融合技術(shù)與CNN算法相結(jié)合的AI技術(shù)，對(duì)263例動(dòng)脈瘤數(shù)據(jù)進(jìn)行訓(xùn)練，獲得動(dòng)脈瘤檢出的敏感度和特異度分別為99.38%和98.19%。該算法是目前文獻(xiàn)所報(bào)道檢出動(dòng)脈瘤敏感度最高的研究。

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

IA破裂與動(dòng)脈瘤形態(tài)、大小和血流動(dòng)力學(xué)之間的動(dòng)態(tài)相互作用有關(guān)。動(dòng)脈瘤的幾何特征決定了其血流動(dòng)力學(xué)特征，而血流動(dòng)力學(xué)特征又可能導(dǎo)致血管壁的改變和炎癥反應(yīng)，從而導(dǎo)致動(dòng)脈瘤破裂。Stember等[19]提出了第一個(gè)基于CNN的MRA圖像算法來預(yù)測(cè)5個(gè)動(dòng)脈瘤的大小。這個(gè)基于U-Net的模型首先被訓(xùn)練來檢測(cè)動(dòng)脈瘤，敏感度為98.8%。然后將該算法應(yīng)用于基底動(dòng)脈末端動(dòng)脈瘤的數(shù)據(jù)集，以自動(dòng)化檢測(cè)動(dòng)脈瘤的大小和面積，與放射科醫(yī)生得出的結(jié)果相比，分別相差2.01 mm（30%）和8.21 mm2（27%）。Kim等[20]應(yīng)用AlexNet-v2模型在3D-DSA圖像上評(píng)估＜7 mm動(dòng)脈瘤的破裂風(fēng)險(xiǎn)，其特征曲線下面積為0.755（95%可信區(qū)間：60.93%～81.65%）。Bijak等[21]提出了一種基于PointNet++架構(gòu)的CTA和MRA圖像形狀特征的DL模型，用于預(yù)測(cè)動(dòng)脈瘤的生長(zhǎng)和破裂風(fēng)險(xiǎn)。通過計(jì)算5個(gè)形態(tài)特征（動(dòng)脈瘤大小、體積、表面積、非球形指數(shù)和長(zhǎng)徑比），得出了該模型的敏感度和準(zhǔn)確率分別為96%和82%，與淺層ML模型相比，表現(xiàn)出最穩(wěn)定的性能。

2.5 AI在預(yù)測(cè)動(dòng)脈瘤治療后療效評(píng)估的應(yīng)用

目前，IA的治療主要包括血管內(nèi)夾閉和血管介入治療[6]。Bhurwani等[22]提出了基于DSA圖像的深度神經(jīng)網(wǎng)絡(luò)和血管造影參數(shù)成像的應(yīng)用來預(yù)測(cè)管道栓塞器治療后IA閉塞的風(fēng)險(xiǎn)。將DL算法應(yīng)用于DSA圖像的三個(gè)亞組：非規(guī)格化、規(guī)格化（API參數(shù)的動(dòng)脈規(guī)格化）和相對(duì)（治療前后掃描中投影視圖的規(guī)格化），對(duì)治療后IA閉塞的預(yù)測(cè)準(zhǔn)確率分別為62.5%、70.8%和77.9%。Guédon等[23]將分類回歸決策樹算法應(yīng)用于ML，對(duì)146例（154個(gè)IA）置入密網(wǎng)支架的患者進(jìn)行了ML學(xué)習(xí)，最終總結(jié)了預(yù)測(cè)密網(wǎng)支架閉塞動(dòng)脈瘤情況的DIANES評(píng)分，即動(dòng)脈瘤最大徑、栓塞后影像特征、載瘤動(dòng)脈上下游直徑比、瘤徑與載瘤動(dòng)脈比、有無側(cè)支血管及患者性別與動(dòng)脈瘤密網(wǎng)支架栓塞預(yù)后相關(guān)的因素，最終這組報(bào)告的敏感度為89%，準(zhǔn)確率為81%。Xia等[24]應(yīng)用隨機(jī)森林模型進(jìn)行訓(xùn)練，并進(jìn)行了122例的內(nèi)部驗(yàn)證及202例患者的外部驗(yàn)證，最終內(nèi)部和外部驗(yàn)證準(zhǔn)確度分別為78.3%和73.8%，證實(shí)了AI在預(yù)測(cè)顱內(nèi)動(dòng)脈瘤治療后療效評(píng)估中有較高的價(jià)值。

3 AI在顱內(nèi)動(dòng)脈檢測(cè)和預(yù)測(cè)中的局限性

目前用于動(dòng)脈瘤檢測(cè)和預(yù)測(cè)的AI模型是在單一人群中進(jìn)行的回顧性單中心研究?；仡櫺栽O(shè)計(jì)與選擇偏倚和差異性有關(guān)，這限制了研究結(jié)果的可靠性。與此同時(shí)，由于缺乏具有不同人口統(tǒng)計(jì)學(xué)、成像設(shè)備、外科醫(yī)生和治療方案的外部數(shù)據(jù)集，提出了這些模型是否能得到有力的驗(yàn)證、適應(yīng)和準(zhǔn)確處理未知數(shù)據(jù)的問題。此外，對(duì)于AI模型的監(jiān)管，就像醫(yī)療設(shè)備一樣，缺乏法律共識(shí)，也沒有明確法律指南。

4 未來與展望

綜上所述，AI在顱內(nèi)動(dòng)脈瘤檢測(cè)和預(yù)測(cè)中作出了貢獻(xiàn)，包括可以從危險(xiǎn)因素的分層中預(yù)測(cè)動(dòng)脈瘤的風(fēng)險(xiǎn)，檢測(cè)動(dòng)脈瘤，并預(yù)測(cè)動(dòng)脈瘤破裂的風(fēng)險(xiǎn)及其治療結(jié)果。然而，目前AI在高風(fēng)險(xiǎn)臨床實(shí)踐中的應(yīng)用存在局限性。因此，未來需要進(jìn)行具有大量多中心驗(yàn)證過程的前瞻性試驗(yàn)，以彌補(bǔ)當(dāng)前的不足，提高AI在顱內(nèi)動(dòng)脈瘤臨床應(yīng)用的可行性，以便能夠廣泛使用這些AI產(chǎn)品作為減輕醫(yī)務(wù)人員工作負(fù)擔(dān)、提高工作效率以及改善患者結(jié)果的補(bǔ)充工具。