作者：胡 斌，张龙江，南京大学医学院附属金陵医院(东部战区总医院)放射科

近年人工智能(artificial intelligence，AI)技术迅速发展，已广泛用于分割图像、检测病灶、评估疾病风险及预测预后等方面。颅内动脉瘤表现为颅内血管壁的异常膨出，因其独特的形态特征成为AI图像分割和检测的理想研究对象。此外，颅内动脉瘤破裂是引发非创伤性蛛网膜下腔出血的最主要原因，因此准确进行破裂风险评估和预后预测有重要临床意义。国内外多项研究证实了AI对于诊断及治疗颅内动脉瘤均具有积极作用。

1. 重视颅内动脉瘤多模态多样化高质量数据库建设

多模态多样化高质量数据库建设是AI影像研发的核心和基础。现有AI技术依赖于数据驱动，建立多模态多样化高质量数据库是影像学AI研发的基础与核心，需由多中心共同参与完成；其主要难点包括确保数据多样性和完整性，尽可能包括由多种设备、多种扫描协议采集的图像数据，并同步收集、完善其他相关影像和临床病历记录，以实现多元化数据分布。

中国颅内动脉瘤AI项目组现已成功构建了迄今为止全球最大的颅内动脉瘤AI数据库，共含19306例患者的CT 血管造影(CT angiography，CTA)数据，可为AI检测及分析颅内动脉瘤提供大规模、多样化的数据支持，对推进颅内动脉瘤相关研究具有重要意义。数据库建设的另一个挑战是病灶的精确标注。对CTA 和MR 血管造影(MR angiography，MRA)图像，可根据数字减影血管造影(digital subtraction angiography，DSA)或高年资医师阅片诊断结果进行标注，尤以前者为优选。

高质量的人工标注耗时、费力，且标注过程中产生的任意偏差均可影响AI模型准确性。为提高标注效率和一致性，可采用半自动化或全自动化标注工具。部分基于深度学习(deep learning，DL)的预标注系统已在影像学研究中展现出一定潜力。

2. 加强颅内动脉瘤AI影像学算法创新、构建验证模型

AI算法的创新是AI进入临床应用的阶梯。现阶段应以数据驱动与知识驱动相结合的算法设计、训练颅内动脉瘤AI模型，以提高算法的可解释性；算法创新型研究应与同类型最新算法或经典算法进行对比，并提供详细实验结果。颅内动脉瘤AI模型可简单分为两大类：一类基于图像数据进行图像分割和模型检测，如U-Net及ResU-Net等；另一类主要利用多个风险参数构建分类预测模型，如支持向量机、决策树(decisiontree，DT)及随机森林(random forest，RF)等。

构建AI模型需对模型效果进行不断迭代分析，效果不佳时可通过借鉴医师先验知识、进行多视角学习及增量训练数据等方法提升模型效能。例如，AI检测颅内动脉瘤时，常面临假阳性病灶数量过多的问题；通过调整分类阈值、更精细地提取特征、引入更丰富的上下文信息等多种方法降低假阳性率是提高模型临床可用性的重要途径。

严谨的验证是AI进入临床应用的必由之路。应基于独立验证集评估颅内动脉瘤AI模型的泛化性和鲁棒性。推荐采用DSA 作为金标准对照数据验证模型的准确性，同时明确各亚组验证数据的准确性、假阴性、假阳性及可重复性等指标。对上述指标进行算法审计有利于确定其在实际应用中的可靠性和稳定性。

除在实验室环境中验证AI模型外，还应于预设临床应用场景中验证其效能，如筛查、体检，急诊、门诊、卒中绿色通道及蛛网膜下腔出血患者管理等。不同临床应用场景对模型的要求有所差异；模型用于常规筛查和体检时应具有高敏感性以尽早发现病变，而用于急诊或卒中绿色通道中则需具备迅速、准确识别病变的能力，以在紧急情况下支持及时医疗决策。

基于AI驱动的决策支持系统开发和探索性临床研究指南(developmental and exploratory clinical investigations of decision support systems driven by AI，DECIDE-AI)指出，应重视开展此类AI模型的早期临床评估，确保其临床应用的实用性和安全性，为大规模临床随机对照试验(randomized controlled trial，RCT)铺平道路。

RCT 是评估医疗干预措施有效性的金标准，可以最大限度地减少偏倚，提供高质量的循证医学证据，确保其在实际临床应用中的可靠性。

3. 提升颅内动脉瘤AI临床转化和应用水平

颅内动脉瘤的准确检出是临床首要问题，尤其对疑似蛛网膜下腔出血的患者更为重要。CTA 为急诊排查颅内动脉瘤的一线工具，也是AI自动化检测研究热点之一。近年来，基于CTA 的AI模型在颅内动脉瘤的检测中展现出超越医生诊断的性能。通过AI辅助诊断，放射科及神经介入医师的诊断效率显著提高，平均诊断敏感性提升了18.2%，并提高了对于蛛网膜下腔出血患者的责任动脉瘤检出；基于AI自动化检测颅内动脉瘤用于MRA 和DSA 亦展现出显著增效价值。

未来需开展更多高质量RCT，评估AI自动化检测颅内动脉瘤在临床环境下的性能及针对临床管理决策的短期及长期影响。本期专论重点讨论AI评估破裂风险和预后的价值。随着医学影像学技术的提高及健康体检的普及，无症状未破裂颅内动脉瘤的检出率获得显著提高。外科手术和血管内介入治疗颅内动脉瘤均存在一定风险，导致目前对于无症状未破裂颅内动脉瘤是否应加以干预仍存在争议。高分辨血管壁MRI及影像组学技术为预测颅内动脉瘤破裂风险提供了新的视角。

相关研究发现，瘤壁强化及不平坦度均可提示颅内动脉瘤不稳定性及破裂风险。DT 及RF等机器学习模型用于预测颅内动脉瘤破裂及术后复发风险展现出优异效能，可为临床决策提供精准依据。然而，AI在颅内动脉瘤破裂及预后风险的预测面临较大挑战。当前研究中，影像组学特征和血流动力学参数的获取门槛较高，如何实现一体化的特征参数提取及AI模型的自动化运算，并提高其在临床真实环境下的适用性，仍需更多探索与尝试。

4. 小结

AI技术在自动化检测颅内动脉瘤、评估其破裂风险及预测预后等方面已展现出巨大潜力，能有效提高医师诊断准确性和工作效率。然而当前相关技术的临床应用仍处于初级阶段，未来应进一步提高训练数据质量、创新算法、提升模型鲁棒性，开展前瞻性多中心临床研究，为颅内动脉瘤AI应用研究提供高等级的循证医学证据支持，高质量地服务于我国医疗卫生事业。

来源：胡斌，张龙江.提升人工智能技术在颅内动脉瘤的研究和应用水平[J].中国医学影像技术，2025，41(01)：6-8.DOI：10.13929/j.issn.1003-3289.2025.01.002.

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)