作者：魏子捷，施昭，张龙江，南京大学医学院附属金陵医院(东部战区总医院)

全球范围内颅内动脉瘤(intracranial aneurysm，IA)发病率约3.2%，在我国约为7%，且未破裂前多无明显症状。IA 破裂出血占自发性蛛网膜下腔出血的85%，病死率高达50%；即便及时治疗，致残率仍达46%。随着数字减影血管造影(digital subtraction angiography，DSA)、MR 血管成像(MR angiography， MRA ) 及CT 血管成像(CT angiography，CTA)等影像学技术的发展，IA 检出率逐渐提高。

DSA 空间分辨率高，是诊断IA 的金标准；但具有侵入性且操作较为复杂，不适合作为脑血管疾病的常规检查手段。MRA 具有非侵入性及无辐射等优势，但成像时间较长、分辨率低，且费用高昂。CTA检查速度快、费用低、空间分辨率高，是诊断IA 的首选影像学检查方法；我国未破裂IA 临床管理指南将其列为1 级推荐(B-NR 级证据)。

人工智能(artificial intelligence，AI)可执行具有人类智能的任务，如模式识别及目标分类等，近年已逐渐用于辅助影像学诊断IA。本文就AI用于CTA 评估IA 研究进展进行综述。

1. AI基于CTA 分割脑血管

诊断血管病变时，需提取图像中的血管特征并据以重组图像，较为耗时；且重组图像质量及分割病灶的精准度均可影响诊断准确性。采用AI、特别是深度学习(deep learning，DL)技术分割图像不仅可缩短分割时间，还有助于提高分割精准度和均一性；其主要方法为U-Net 及全卷积神经网络(fully convolutional neural network，FCN)，后者常以残差网络(residual network，ResNet)为主干提取特征，并以双线性插值代替最后的全连接层，可致图像细节信息丢失。

利用AI自动分割CTA 中的脑血管不仅可减轻医师工作负担，还有助于提高诊断IA 的准确率。NI等开发的全局通道注意力网络(global channel attention network，GCA-Net)能更有效地获取全局信息特征并保留更多细节；相比双边分割网络(bilateral segment network，BiSeNet)，其分割CTA中的全脑动脉的效能更佳[戴斯相似系数(Dice similarity coefficient，DSC)0.929vs.0.965，平均并交比0.893vs.0.927]；但该研究纳入受试者均为健康人。受邻近骨质结构影响，分割颈内动脉段血管一直为分割脑血管的难点。

PATEL等基于IACTA数据开发的一种DL网络可显著提高分割脑血管、特别是颈动脉海绵窦段血管的精准度。FU 等[13]基于5个中心共18766例头颈CTA 数据开发了一种以三维FCN 为支持的AI重建系统，为期5个月的临床应用结果显示，利用该系统分割脑血管的重建时间及点击数均显著下降。

2. AI辅助CTA 诊断IA

IA 漏诊率较高。基于AI的计算机辅助诊断(computer assisted diagnosis，CAD)系统有助于提高诊断IA 的准确率。近年来，基于DL的自动诊断系统已用于CTA 诊断IA。SHI等采用端到端的三维FCN、基于869例IA 患者及308名非IA 受试者头颅CTA 数据开发了一种DL模型，其诊断IA 的敏感度为97.3%、特异度为74.7%。YANG 等分别以1068例及400例IACTA 数据为训练集及外部验证集，证实利用DL算法可显著提高对于IA、尤其直径<3mmIA 的检出率。

YOU 等基于2981例IA 的CTA 数据开发了一种包含血管注意力模型的DL网络，并以209例IA患者为外部验证集，结果显示其分割脑血管的DSC为0.78、诊断IA 的敏感度为96.17%。但上述研究多仅关注直径≥5mm 的IA；而直径<5mm 的IA 更易导致严重蛛网膜下腔出血，且预后不佳占比与前者相当。

有学者采用几何DL模型基于CTA 诊断直径<3mmIA，其敏感度为83%，有待提高。由于上述研究均缺乏临床验证，其实际应用价值尚待观察。最近，HU 等纳入来自8家医院14517例IA 患者16546幅头颈CTA 图像，分别将DL诊断结果与医师诊断结果、DL 辅助下及无辅助下医师诊断结果进行对比，发现利用DL算法可显著提高诊断IA 的敏感度，且对直径<3mm 动脉瘤的检出率提高了31.8%；之后该研究模拟真实临床工作场景中的随机AI部署任务并进行前瞻性多中心验证，结果亦显示诊断效能获得显著提高。

WEI等分析来自8家医院7536例IA 患者的CTA 数据，结果发现以DL模型分割IA 的DSC 为0.87，其诊断敏感度为85.7%。目前AI用于诊断IA 尚存在诸多问题需要解决：①用于模型开发、训练、验证及测试的病例的诊断标准未统一，部分研究未参照金标准DSA；②多为小样本、单中心、回顾性研究，导致AI实际临床应用价值尚待观察；③针对小直径动脉瘤的分割及诊断性能有待进一步提升。

3. AI基于CTA 预测IA 

破裂脑血管解剖结构复杂，不同部位、不同形态IA 破裂结局差异较大；准确识别及定位破裂动脉瘤对于及时治疗和改善预后至关重要。目前临床多以传统量表，如IA 破裂风险评分、未破裂IA 治疗评分及未破裂IA 生长破裂评分等评估IA 破裂风险，但其所包含的形态学因素较为单一。

SAHLEIN 等采用AI测量保守治疗期间IA体积变化，结果显示AI可敏感地发现动脉瘤体积细微增大。YANG等基于12种常见机器学习算法构建影像组学模型以鉴别大脑中动脉破裂与未破裂IA，结果显示基于自适应增强(adaptive boosting，ADA)、极限梯度提升(extreme gradient boosting，XGBoost)及类别特征增强(categorical boosting，Cat Boost)算法模型的效能较佳，其曲线下面积(area under the curve，AUC)分别为0.889、0.883及0.864。

CHEN等收集1740例IA 患者共1809个IA 的CTA 数据，于常规参数基础上添加血流动力学参数，其基于常规临床资料、血流动力学、形态学及影像组学构建的联合DL 模型评估IA 破裂风险的AUC 达0.929。BIZJAK等以基于IA 基线形态特征的DL模型预测其破裂风险，发现PointNet++模型性能最优，其敏感度达96%，而特异度为63%。

LI等开发了一种端到端的DL模型，即TransIAR，采用Transformer编码器学习IA 邻域内的空间依赖关系，于三维CTA数据中自动学习形态特征，并利用Transformers注意机制解决DL 远程建模的局限性；结果显示，TransIAR学习特征效率高于人工手动选择，且鲁棒性更高，其预测IA 破裂的准确率较人工判断提高10%~15%；但该研究未纳入直径<3mmIA，使其临床适用性受限。

针对直径<5mm 的IA，SHI等基于1747例头颅CTA 数据开发了一种机器学习模型，其在内部及外部验证集中根据CTA 血流动力学参数预测IA 破裂的AUC分别为0.91及0.82。当前AI相关研究重点正逐渐从评估单一模型转变为比较不同算法性能，为选择最佳算法提供依据；且逐渐将临床与影像学资料相结合，以实现更全面的风险评估；然而多数研究缺乏前瞻性队列验证，所建立的模型尚无法用于临床，有待进一步完善。

4. 小结与展望

AI用于CTA 评估IA 主要包括分割脑血管、诊断IA 及预测其破裂，具有较高价值，且临床应用前景广阔。未来可致力于各方面工作：①开展多中心、大规模、前瞻性临床试验；②评估急诊等特殊场景下AI用于IACTA 的效能；③针对直径<3mmIA 开发AI模型；④大语言模型的出现或将带来新的机遇。

来源：魏子捷，施昭，张龙江.人工智能用于CT血管成像评估颅内动脉瘤研究进展[J].中国医学影像技术，2025，41(01)：25-28.DOI：10.13929/j.issn.1003-3289.2025.01.006.