基于人工智能和影像组学的腹主动脉瘤研究进展

目前，CTA 是评估AAA 的主要手段，研究者尝试对AAA、血栓和钙化实现全自动分割。传统图像分割大多为通过基于强度的半自动算法（水平集、主动形状模型和图形切割）结合先验形状来解决，大多数被提出的算法都需要用户交互/先前的管腔分割。它们的性能在很大程度上依赖于复杂的参数调优，影响了其鲁棒性和在临床实践中的适用性[11-15]。AI，特别是 DL和图形处理单元（graphics processing units，GPUs）的发展，使得全自动分割成为可能[16]。

通过对 AAA、血栓和钙化的全自动分割，可以缩短分析时间、增加复现性；可以获得良好的初始近似，用于进一步形态学特征的表征。由于特征标准化，全自动分割有望成为日常临床实践中的辅助工具，协助指导临床医生进行诊断、风险评估、确定治疗方案以及临床研究。① AAA全自动分割：Wang等[17]利用卷积神经网络（convolutional neural network，CNN）进行多模态医学 AAA图像分割，通过对 CT和磁共振（magnetic resonance，MR）图像进行端到端训练，经过 5 500次迭代后，CT融合的验证精确度与单独模型非常接近（99.1% 比 98.8%），MR融合的验证准确率为 98.5%，比单独模型的验证准确率高了 1.2%。Lareyre等[18]开发了一种全自动软件系统，能够自动检测主动脉管腔和 AAA特征，包括存在的血栓和钙化，对 40例患者进行测试，其瘤腔体积与人工标记重叠达 97%，敏感度为 92%，特异度为 99.97%。Mohammadi等[19]利用 CNN自动分割、检测和诊断 AAA，所设计的 CNN分类器将腹部分为 4个部分即腹部区域、主动脉、体缘和骨骼。其整体准确度、精确度和敏感度分别为 97.93%、97.94%和 97.93%，所提出的分类器对主动脉区域检测的准确率为 98.62%。②钙化与血栓全自动分割：Graffy等[20]利用 CNN实现主动脉钙化自动分割和评分，在对 812例患者验证中与 Agatston评分一致性的 r 2 =0.84，该结果提示此算法支持个性化和基于人群的钙化评估。而对于血栓全自动分割， López-Linares等[21]提出了一种新的基于深度卷积神经网络（deep convolutional neural networks，DCNN）的方法，该方法是建立在全卷积网络（fully convolutional network，FCN）和整体嵌套边缘检测（holistically-nested edge detection， HED）的基础上用于血栓自动分割，在 13例患者术后 CTA中进行训练、验证和测试，其测试结果显示：Dice系数为 0.82±0.07，假阴性率为 0.16±0.11，假阳性率为 0.18±0.08。Caradu等[22]使用了一种新的全自动软件（PRAEVAorta），对 100例 AAA患者的 CTA进行自动分割，结果显示：AAA主动脉腔的体积相似度为 0.95±0.04，瘤腔血栓的体积相似度为 0.91±0.07，总体积的相似度为 0.98±0.01，平均Dice系数为 0.95±0.0.01。 

1.2 影像组学特征（影像组学-ML）

尽管形态学特征在 AAA的诊疗中起至关重要的作用，但是对于复杂解剖学形态的 AAA，传统的特征提取方法存在许多缺陷。例如，我们可以看到 AAA的形状，但更多形态学特征无法被描述。更不用说我们根本无法看到的纹理等特征。实体肿瘤在空间和时间上都存在异质性，这限制了基于分子检测的侵入性活检的使用，而影像组学则能以非侵入性的方式捕捉肿瘤内的异质性[8]，近年来，由于非肿瘤性疾病的常规影像诊断存在定性和定量的问题，它已逐渐被应用于非肿瘤性疾病中[23-28]。但是影像组学在 AAA领域的研究相对较少，或更准确地称为纹理分析，因为这些研究大部分是通过 CT灰度/像素强度直方图以区分病变组织的异质性。①基于纹理分析的血栓分割：Maiora等[29]创建了一个交互式的血栓分割系统，是利用灰度共生矩阵（gray level co-occurrence matrix， GLCM）和局部二值模式（local binary pattern，LBP）通过主动学习来实现的，并在对包含不同数量 CT切片（216～560张）的 8例患者中得到了初步验证。②基于纹理分析的风险预测：Kotze等[30]利用 CT信号异质性预测 AAA扩张，并在 50例患者中进行测试，CT纹理分析结果显示，粗纹理与 AAA氟脱氧葡萄糖（fluorodeoxyglucose， 18F-FDG）的大标准化摄取值成反比（P=0.003），中等粗纹理与 AAA扩展相关（P=0.030），18F-FDG的大标准化摄取值与 AAA扩张成反比（P=0.015）。García等[31]从 EVAR术后动脉瘤血栓样本中应用 3种常规纹理分析方法，即 GLCM、灰度行程矩阵（gray level run length matrix，GLRLM）和灰度差分法（gray level difference method，GLDM），以及作者提出的一种新方法—局部共生灰度行程矩阵（run length matrix of local co-occurrence matrices，RLMLCM）开发一种试验性的计算机支持的内张力诊断系统。此外，从 EVAR术后 CT图像中获得的纹理特征也可以用来辨别不同内漏的转归，GLCM、GLRLM和 GLDM能够区分有利或不利的转归，准确率分别为（93.41± 0.024）%、（90.17±0.077）% 和（81.98±0.045）%[32]。③基于影像组学的风险预测：Charalambous等[33]利用影像组学特征构建的支持向量机（support vector machine，SVM）分类模型预测 EVAR术后Ⅱ型内漏的转归，第 1个月和第 6个月的影像组学特征预测 1年 AAA的扩张，受试者工作特征（receiver operating characteristic，ROC）曲线下面积（area under the curve，AUC）分别为 0.89和 0.96。 

2  风险预测

血管外科学会（Society for Vascular Surgery， SVS）和欧洲血管外科学会（European Society for Vascular Surgery，ESVS）指南[34-35]定义了 AAA患者的管理建议，其治疗的决定主要依赖于对 AAA增长及破裂风险与手术风险之间平衡的评估。 

2.1 增长与破裂（AI-ML） 

SVS和 ESVS指南[34-35]建议大多数无症状的小 AAA患者应接受影像学监测，直到 AAA直径大于 55 mm或 AAA快速扩张。①增长预测：Hirata等[36]通过对 AAA主干中轴线、无瘤腔血栓主干中轴线等参数构建模型，对 50例小 AAA ［直径为（38.5±6.2）mm］患者进行预测，结果显示 AAA的主干中轴线和 AAA面积与 AAA扩张相关（r=0.472、P<0.01，r=0.416、P<0.01），ML预测 AAA扩张（直径>4 mm/年）优于 AAA主干中轴线（AUC分别为 0.86和 0.78）。Lee等[37]基于流动介导的扩张（flow mediated dilatation，FMD）预测 AAA增长，利用 ML对入组患者前瞻性记录 12个月时的增长数据，79例患者在 24个月时进一步记录了增长数据，其结果显示在 12个月和 24个月时，有 85%和 71%的患者的 AAA直径误差在 2 mm以内。②破裂风险：Erhart等[38]对无症状的 15例男性 AAA患者进行有限元分析（finite element analysis，FEA），来计算壁面峰值应力（peak wall stress，PWS）以及高和低破裂风险指数（rupture risk index，RRI）的区域，其结果显示，相较于低破裂风险区域，由 FEA估计的高破裂风险区域包含了更多的组织病理学改变。Joldes等[39]通过对 48例 AAA患者的初步验证，提出了基于生物力学动脉瘤破裂风险预测（biomechanics ba[x]sed prediction of aneurysm rupture risk，BioPARR）的 AAA分析软件，该软件有助于评估 AAA破裂风险。Canchi等[40]探讨了在 AAA破裂或未破裂的情况下，临床指标和形态学参数之间的潜在相关性。Jordanski等[41]提出了一种基于 ML的方法，用于计算壁面剪应力（wall shear stress，WSS）分布来预测破裂风险，为了解 AAA的几何参数、血液密度、动态黏度和速度与 WSS分布之间的关系，研究采用多元线性回归、多层感知器（multi-la[x]yer perceptron，MLP）和高斯条件随机场（gaussian conditional random fields， GCRF） 3种方法，其结果显示：GCRF有高的决定系数（coefficient of determination），为 0.930～0.948。 

2.2 手术风险（AI-ML）

既往手术风险预测模型，例如格拉斯哥动脉瘤评分（glasgow aneurysm score，GAS）、国家手术质量改进计划（National Surgical Quality Improvement Project，NSQIP），新英格兰血管研究小组（Vascular Study Group of New England，VSGNE）等在 AAA患者术后预测方面表现欠佳，尤其是 EVAR术后风险预测[42-45]。而 ML作为 AI中常用的方法，具有利用特征之间复杂而微妙的关系进行预测的潜力，已逐渐应用于医学各个领域[5 -6]，ML也逐渐应用于 AAA相关的研究。

基于 ML的风险预测：Rengarajan等[46]用 7个特征（6种形态学特征和 1个生物力学特征）来评估 AAA患者适合哪种手术方式（择期/紧急修复）， k近邻（k-nearest neighbor，KNN）分类器产生的特异度可高达 96%。Monsalve-Torra等[47]基于 ML的方法来预测 OSR住院患者死亡率，入组 310例患者，包括 57个属性的特征，这些属性分为 4个集群：患者的基本数据、临床病史、手术数据和术后数据。采用 MLP、径向基函数（ radial basis function，RBF）神经网络和贝叶斯神经网络的方法，其结果显示贝叶斯神经网络的预测准确率可高达 96.1%。Wise等[48]利用人工神经网络（artificial neural network，ANN）预测 AAA破裂后 OSR/ EVAR的住院死亡率，并与多元逻辑回归和 Glasgow评分模型进行比较，结果显示多元逻辑回归、ANN和 Glasgow评分模型的 AUC分别为0.85±0.04 、0.88±0.04和 0.77±0.06。Karthikesalingam等[49]通过对 761例患者术前 AAA形态学特征进行量化，并随访 5年的支架移植物相关并发症，采用 ANN方法预测移植物相关并发症并区分哪些患者为低风险，哪些患者为高风险，在验证数据集中， ANN将 44.4%的患者划分为低风险组，低风险组 5年无移植物相关并发症者的占比为 95.9%，高风险组的占比为 67.9%（P<0.001）。Kordzadeh等[50]对 250例患者的 26个术前特征建立ML预测模型，结果显示贝叶斯神经网络在测试集中预测Ⅰ型、Ⅱ型和Ⅲ型内漏的总体准确率>86%。 

3  其他

①患者管理：影像监测不足被认为是导致 AAA破裂的重要因素。Kim等[51]报道利用 AI促进放射科质量、信息学负责人利用 IT解决方案来实现内容整合、结果沟通和患者随访。②模拟支架部署：利用计算机基于 FEA方法可用于模拟支架在体内部署，以指导临床应用。Medtronic （Santa Rosa，CA，USA）和 Cook Medical （Bloomington， Indiana，USA）两款支架在 3例患者中模拟的结果显示与实际支架几何形状匹配，尤其是在 AAA的近端和远端[52]；在大部分扭曲的 AAA中，FEA方法模拟结果提示支架移植物的横截面面积减少可高达 57%，并且动脉瘤内贴璧塌陷面积明显高于外贴壁塌陷面积[53]；在 3例短瘤颈、扭曲瘤颈和髂动脉扭曲的患者中使用 AnacondaTM（Terumo company， Inchinnan，UK）支架进行模拟，其结果显示病例的体内和体外血管中心线大位置误差分别为11.8 mm和 4.1 mm，提示此支架即使在扭曲的 AAA患者中，也可以实现精确模拟[54]。③数据挖掘：大数据方法评价 EVAR与 OSR的生存结果，利用 Medicare数据库中的 7 826例患者进行仿真模拟，采用了基于 DL的分析策略，结果显示对于短期和长期死亡率，EVAR都具有生存优势[55]。Chakshu等[56]利用虚拟患者数据库，提出了一种利用循环神经网络（recurrent neural network，RNN）对心血管系统进行逆向分析的方法。通过输入 3条非侵入性血管（颈动脉、股动脉和肱动脉）的压力波形，借助长短期记忆网络（long short-term memory，LSTM）反演计算出人体各血管的血压波形，并用于检测 AAA及其严重程度，这种借助无创或微创测量工具进行生物医学应用的方法，有可能减少对复杂和侵入性诊断工具的依赖。 

4  总结和展望

尽管 AI和影像组学在 AAA领域的研究仍处于起步阶段，但是通过自动定量测量和精确表征 AAA的形态学和影像组学特征，将更加有助于 AAA成像的解释和分析。此外，还可以利用特征间复杂的关系指导预后预测和提高预测的准确性，并提出个性化的治疗及随访方案，旨在实现 AAA的医疗。