作者：李跃华
通信作者：李跃华，Email：liyuehua312@163.com
颅内动脉瘤（intracranial aneurysms，IAs）是颅内动脉管壁上的异常膨出，其患病率约为3.2% ［ 1 ］ ，一项我国社区人群调查结果显示IAs患病率约为7% ［ 2 ］ 。IAs破裂是导致自发性蛛网膜下腔出血的主要原因，比例高达80%~90%，相关死亡率高达23%~51% ［ 3 , 4 ］ 。影像学检查在IAs的早期筛查和临床诊疗中至关重要，DSA是诊断IAs的金标准 ［ 5 ］ ，但其具有一定侵入性，因而不适用于IAs的筛查。CTA和MRA具有非侵入性的优点，是IAs筛查的主要手段 ［ 6 ］ 。然而，CTA和MRA诊断IAs的准确度受到多种因素的影响，如IAs的形态、大小、位置，以及成像技术和设备质量等 ［ 7 , 8 ］ 。放射科医师的专业技能与经验水平也显著影响诊断的准确度。此外，随着临床工作量的增加，IAs漏诊和误诊的概率也随之上升 ［ 9 ］ 。因此，在临床工作中，利用CTA和MRA快速识别和准确诊断IAs有时存在一定的挑战。
近年来，人工智能（artificial intelligence，AI）技术的快速发展为IAs的精准影像诊断带来了新的机遇。AI作为一种高效的辅助工具，能够提升IAs的诊断准确度并减轻医师的工作负担。本文拟就AI技术在IAs识别、破裂风险评估和预后预测中的研究进展进行综述，并探讨当前的挑战与未来的研究方向。
《中华放射学杂志》从1953年创刊至今共报道了63篇关于IAs的相关研究和病例报告。1984年王恭宪等 ［ 10 ］ 报道了140例IAs的脑血管造影表现；从1996至1999年共发表了6篇相关研究，研究内容主要集中在IAs的介入血管内治疗 ［ 11 , 12 , 13 , 14 , 15 , 16 ］ ，同时有1篇研究应用磁共振血管造影技术诊断IAs ［ 13 ］ 。进入21世纪后，随着影像技术和介入治疗技术的突飞猛进，关于IAs的相关研究显著增多，《中华放射学杂志》在此期间共发表了56篇相关研究，这些研究主要集中在IAs的无创诊断和介入治疗方面。在无创诊断方面，陆续报道了CTA和MRA技术在IAs诊断和评估中的价值，逐渐确定了CTA和MRA在IAs筛查和术前评估中的价值。在介入治疗方面，报道内容主要集中在介入栓塞技术和材料的改进上，如电解可脱性弹簧圈栓塞IAs、Willis覆膜支架与弹簧圈栓塞治疗颅段IAs、可膨胀水凝胶弹簧圈栓塞IAs急性破裂、血流导向装置治疗IAs等。
一、AI在IAs检测及分割上的应用
IAs的识别是影像诊断的第一步，是后续个体精准化形态学及血流动力学分析的基础。MRA、CTA和DSA是影像和识别IAs的主要手段 ［ 7 ］ ，基于这些方法、深度学习（deep learning，DL）逐渐被应用到IAs的识别中。
1. AI在不同模态影像上的IAs检测研究：AI检测在IAs的初步诊断中主要侧重于定位动脉瘤的位置，而不会提供具体的形态大小信息 ［ 17 ］ 。
AI在基于CTA影像上自动检测IAs的应用研究较广泛 ［ 18 , 19 , 20 , 21 , 22 , 23 ］ 。Dai等 ［ 18 ］ 开发了一种基于Faster R-CNN的DL模型用于检测IAs，该模型利用3D CTA图像的2D邻近投影图像作为输入，检测IAs的灵敏度为91.8%，但该模型表现容易受CT层厚影响。Wang等 ［ 20 ］ 基于4D CTA图像设计了一种自动相位选择算法，通过融合多个时相的图像信息进行IAs检测，结果证实平均每次扫描假阳性数降低至0.3，并且保留了图像的时间分辨率，能够更好地捕捉IAs的动态变化。Hu等 ［ 21 ］ 开发了专门针对中国人群的CTA图像自动IAs检测模型，该模型采用全局上下文网络识别疑似IAs区域，并结合多个3D DenseNet集成局部细粒度网络，有效区分检测IAs的真阳性和假阳性，显著提升了临床医师的诊断能力，在患者层面将检出灵敏度从59.0%提高到82.5%。
三维时间飞跃法MRA（three-dimension time of flight MRA，3D-TOF-MRA）作为一种无创、无辐射的成像技术，更适合用于无症状患者的IAs筛查 ［ 24 , 25 , 26 , 27 , 28 , 29 ］ 。Joo等 ［ 25 ］ 开发了一种基于3D ResNet架构的DL算法，利用TOF-MRA上分割的血管作为输入，并通过像素投票算法减少了IAs检测的假阳性，灵敏度达到85.7%，但该研究仅纳入了未破裂囊状IAs。Chen等 ［ 26 ］ 提出了基于改进的3D U-Net网络自动IAs检测方法，该方法结合了自适应脑动脉感兴趣区域（region of interest，ROI）提取和注意力机制模块，在保持了较低的阳性数量的同时减少了人工干预。几何深度学习（geometric deep learning，GDL）是一种基于对称信息融合和处理的神经网络架构，与以像素为基础的DL相比，它可以直接在血管表面网格上操作，不受成像模态限制，能够更好地捕捉血管形状特征，有望进一步提升检测性能 ［ 30 , 31 ］ 。Timmins等 ［ 28 ］ 提出了一种基于MeshCNN的GDL模型，进行跨模态的未破裂IAs检测，该模型采用ResU-Net架构，并在每个网格边上添加了形状指数和弯曲度作为额外输入特征，在TOF-MRA和CTA测试集上的灵敏度分别为52.0%和48.3%。这项研究灵敏度较低，可能是因为训练集较小且测试集大部分都为小型IAs所致。Bizjak等 ［ 27 ］ 则利用MRA和CTA图像进行模型训练，将nnUNet分割后的血管结果转换为多个点云后，通过PointNet++模型对每个点云进行标注，区分动脉瘤和血管，最终将标注结果聚合为动脉瘤概率图，结果显示该模型在MRA和CTA测试集中，对小于3 mm的IAs检测灵敏达到72.0%和83.0%。以上基于GDL方法提升了小型IAs的检测性能，但其结果很大程度依赖于前期血管的精确分割。
与CTA和MRA相比，DSA的分辨率和检测灵敏度更高，尤其在小于3 mm的IAs检测中表现出色 ［ 32 , 33 , 34 , 35 , 36 ］ 。三维旋转血管造影（3D rotational angiography，3D RA）是一种特殊类型的DSA，通常只需注射一次对比剂即可从任意角度进行观察和测量，但其辐射剂量也相对较高 ［ 5 ， 36 , 37 ］ 。Ou等 ［ 34 ］ 提出了基于3D DSA图像的IAs综合分析系统，由检测网络、形态测量网络及位置分类网络三个子网络组成，在公开数据集中该系统的检测灵敏度为85.9%，形态测量误差小于10%，定位准确度达到100%。Zeng等 ［ 32 ］ 则使用空间信息融合技术将300例未重建的3D RA图像拼接成2D图像，将时间序列的空间信息嵌入单个图像中，再通过2D CNN网络进行训练，降低了训练成本的同时灵敏度达到99.4%。 表1 总结了近5年AI在IAs检测中的研究。
综上所述，基于AI技术的IAs自动检测取得了显著进展，但仍存在一定挑战：如小IAs及重叠目标的检测仍是难点、假阳性率较高的问题也尚未完全解决等。
2. AI在不同模态影像上的IAs分割研究：检出动脉瘤后，需要对动脉瘤进行全面精准评估并进行破裂风险预估，这些评估的前提是对动脉瘤进行精准分割和特征提取。自动分割通过精细分类图像中的每个像素，准确识别并勾勒出IAs的完整轮廓，能够提供更全面的几何特征信息，包括形态、大小、位置和数量等，为后续手术规划、血流动力学分析及破裂风险评估提供更为精确的数据基础。目前，关于IAs的AI技术分割研究主要集中在CTA图像上 ［ 23 ， 38 , 39 ］ 。Park等 ［ 40 ］ 提出了3D CNN模型HeadXNet，用于辅助IAs的诊断。该模型采用编码器-解码器结构，其中编码器部分使用了预训练的SE-ResNeXt网络，在辅助临床医师诊断后，灵敏度提高了5.9%，但该研究纳入的仅为未破裂IAs。而Shahzad等 ［ 41 ］ 研究则发现IAs破裂后出血的严重程度并不影响IAs的分割及检测性能，其分割Dice相似系数（dice similarity coefficient，DSC）达到0.75，但该模型依赖局部3D图像作为输入。Bo等 ［ 42 ］ 提出了一种无需任何预处理步骤即可直接应用于CTA图像的分割网络，该网络通过采用全局结构信息策略和金字塔加权策略，使网络更加关注IAs区域的位置，分割DSC达到0.77。Shi等 ［ 38 ］ 设计的模型采用了双重注意力块和残差块结构，阴性预测值达到99%，但在测试集上的最佳DSC仅为0.56，这可能与验证集中阳性病例较少有关。Wei等 ［ 43 ］ 基于多中心CTA影像开发了一种基于知识增强的DL模型，该模型由多尺度血管和动脉瘤自动分割模型以及多特征序列诊断模型构成，结合了先验医学知识以减少假阳性结果，在内部测试集中实现了0.87的DSC，并且对于小于3 mm的IAs检测灵敏度也达到了78.3%。总之，在CTA模态下，基于IAs的分割技术已取得显著进展。
Chen等 ［ 44 ］ 针对TOF-MRA图像构建了一个由粗到细的级联分割网络，由血管图像及其轮廓图像进行输入，其DSC为0.62，但其分割性能依赖于粗分割网络。Yuan等 ［ 45 ］ 基于U-Net架构，融合了密集块、注意力模块和多尺度特征融合模块，在MRA图像DSC达到0.75，进一步提高了IAs分割性能。Qu等 ［ 46 ］ 则在常规T 1加权成像中分割IAs，基于U-Net架构训练了3个不同对比度和不同尺寸的图像输入的模型，集成模型的DSC达到0.80，尽管该研究采用了常规MRI序列，但仅纳入囊性IAs，限制了模型的适用范围。
此外，基于DSA的DL研究也逐步被关注 ［ 5 ］ 。Zhang等 ［ 47 ］ 基于未重建的DSA图像，通过融合长期和短期的时空信息技术来分割IAs，分割DSC达到了0.91。Lin等 ［ 48 ］ 提出了在DSA图像上进行脑血管和IAs自动分割的框架，针对类不平衡和类间干扰问题，在编码器的末端引入了一个级联Transformer模块以突出IAs特征，并使用加权Dice损失函数将IAs作为血管的子类进行训练，减少脑组织和颅骨对IAs分割的干扰，在IAs和血管分割上的平均分割DSC分别达到0.81和0.91。综合以上研究结果，在DSA图像上IAs的分割性能相对表现更为优异。
在IAs分割任务中，基于DL的分割技术虽然发展迅速，但与检测模型相比，分割模型计算量更大，处理时间更长，并且依赖高质量的数据标注。此外，分割技术仍面临类别不平衡、类内差异大等挑战，未来需探索新方法以提高分割的精度和鲁棒性。 表2 总结了近5年AI在IAs分割中的研究。
二、AI在IAs破裂风险预测中的应用
近期的研究主要集中于利用机器学习技术，结合形态学、血流动力学特征和影像学特征对IAs破裂风险进行预测 ［ 49 , 50 , 51 , 52 , 53 , 54 , 55 , 56 ］ 。Li等 ［ 50 ］ 通过多尺度3D CNN提取IAs及其周围邻域的形态学特征，利用Transformer编码器学习特征之间的空间依赖关系，结合临床特征后，该方法对IAs破裂预测的灵敏度为89.8%。Turhon等 ［ 51 ］ 进一步通过结合临床特征、形态学及影像组学特征构建了传统的逻辑回归、梯度提升决策树和Transformer模型，其中Transformer模型灵敏度达到89.8%。Irfan等 ［ 52 ］ 则提出了一个自动化DL框架对IAs严重程度进行预测，发现融合深度特征、几何特征、傅里叶描述符和血流动力学特征能显著提升预测准确度。然而，该方法忽略了临床特征，且在某些情况下IAs的边界分割不理想，这可能导致血流模式模型无法准确预测动脉瘤壁上的剪切压力。
上述研究均为回顾性横断面研究，即基于当前收集的影像学数据，将IAs分为破裂组和非破裂组，这种方法的局限性在于缺失破裂前后的纵向数据，无法评估破裂风险随时间的变化。目前，临床上广泛用于预测IAs生长阶段的评分量表是PHASES评分，同时也能预测IAs的破裂，该评分主要基于人口统计学和临床特征。然而，PHASES评分未考虑IAs的形态学和血流动力学特征，且在小型IAs的预测中表现出较大的局限性 ［ 49 ］ 。Bizjak等 ［ 49 ］ 采用PointNet++模型预测IAs的生长趋势，该研究从患者的基线CTA和MRA数据中提取血管表面网格，通过学习动脉瘤表面网格特征，并结合传统形态学特征进行预测，灵敏度达到96%。Ou等 ［ 53 ］ 研究团队从IAs破裂前的CTA图像中提取了影像组学和形态学特征，并使用回归模型以预测IAs破裂，研究发现影像组学纹理特征可以显著提高IAs破裂的预测性能，但该研究未考虑临床危险因素。为了克服这一局限性，Ou等 ［ 53 ］ 使用3D ResNet18网络，通过自监督学习方法对大量无标签的IAs图像进行预训练，学习IAs形态的深度嵌入特征，利用120个有标签的案例对预训练的网络进行微调，并将临床信息与深度嵌入特征融合，最终构建了破裂预测模型，灵敏度达到了89.3%。
综上所述，尽管AI在IAs破裂分析预测中取得了一定的进展，然而样本量小且不平衡的问题依然存在，模型的泛化能力和临床应用价值有限，因而需要进行大规模的前瞻性研究。 表3 总结了关于IAs发展、生长和破裂预测模型的AI研究。
三、AI在IAs治疗及预后预测中的应用
IAs的治疗方法主要取决于动脉瘤的大小、位置、形态及破裂状态等因素。目前的主要治疗方法包括介入血管内治疗和外科夹闭手术 ［ 57 ］ 。在探索IAs治疗预后预测领域中，研究主要聚焦于血管造影参数成像（angiographic parametric imaging，API）技术的应用。API基于DSA成像，是一种定量分析工具，能够提取IAs内的造影剂血流动力学相关参数 ［ 58 , 59 ］ 。
Jin等 ［ 60 ］ 通过提取术前DSA图像中的手动测量形状特征与影像组学形状特征，以确定随访管道栓塞装置（pipeline embolization device，PED）术后支架内狭窄的相关因素，结果表明，形态学特征伸长率是未破裂IAs患者在PED植入术后发生支架内狭窄的独立风险因素。然而，该研究样本量较小且随访期较短，无法充分支持其在临床实践中的应用。Liang等 ［ 59 ］ 通过API技术从术后DSA图像中提取了多个血流动力学参数，并利用影像组学方法分析参数图，预测PED治疗IAs的并发症和闭塞结果，结果证实评分越高，并发症及闭塞风险可能性也越高。在此基础上，Shiraz Bhurwani等 ［ 61 ］ 研究进一步探索结合DL和API技术来预测IAs的闭塞，最终AUC达到了0.77。此外，研究人员发现，通过对API数据进行标准化处理，可以减少注射变异性和投影缩短对预测准确度的影响。Paliwal等 ［ 62 ］ 则采用PED术前3D DSA图像，提取了与IAs形态、血流动力学以及PED、特征相关的多个参数，构建了逻辑回归、支持向量机、k最近邻、DL模型，在训练集上表现最佳AUC为0.97。上述研究结果表明，结合功能学特征的预测模型为IAs治疗结果提供了新的方向。然而，现有的IAs预后预测研究数据量较小，且主要集中于特定类型的IAs和治疗方式，模型的泛化能力仍然有限，需进一步研究和探索。 表4 总结了近年AI在IAs治疗及预后预测模型研究。
四、未来挑战及展望
尽管AI在评估IAs中取得了显著进展，但仍存在一些局限性和挑战，亟需进一步研究和探索：（1）当前研究主要依赖于回顾性单中心数据，这导致数据规模和类型的局限性，可能会引发数据不平衡问题，进而影响模型的泛化能力；（2）临床医师在评估IAs时存在一定的主观性；（3）IAs检测中的假阳性率较高，尤其是针对小IAs，这可能会增加临床医师的工作负担；（4）需要更严格地区分模型的预测和分类功能，并通过增加随访数据提高模型的预测准确度；（5）模型的可解释性和泛化能力仍有待提升，未来应致力于扩大数据集，并进行多中心前瞻性临床验证，以推动AI技术在临床实践中的广泛应用。此外，可以进一步结合多模态、多尺度数据融合技术，提高诊断和预测准确度，实现诊断流程的自动化。同时，通过与临床实践的紧密结合，加强AI模型的可解释性研究，提高医师对AI模型的信任度。
综上所述，AI技术作为新兴的医工交叉领域，AI技术在IAs诊断和治疗领域展现出巨大潜力，尽管仍面临一些挑战，但随着技术的不断进步和跨学科合作的深入，AI有望在未来成为评估IAs的重要工具，为IAs患者提供更为准确和个性化的诊断。
参考文献（略）
