基于深度学习的脑动脉瘤CTA影像检测与破裂风险评估的放射组学研究综述

基于深度学习的脑动脉瘤CTA影像检测与破裂风险评估的放射组学研究综述脑动脉瘤是颅内动脉壁的病理性膨出，人群患病率约为3%~5%，其中约2%的动脉瘤会发生自发性破裂，导致蛛网膜下腔出血，30天内病死率高达45%，存活患者中约30%会遗留永久性神经功能障碍。CT血管造影（CTA）因扫描速度快、空间分辨率高、普及率广等优势，已成为脑动脉瘤筛查与诊断的首选影像学方法。但传统人工阅片高度依赖放射科医师的临床经验，对于直径<3mm的微小动脉瘤漏诊率可达10%~20%，且破裂风险评估多基于形态学定性指标，主观性强、一致性差。近年来，放射组学与深度学习技术的融合为脑动脉瘤的精准诊疗提供了全新路径，通过从CTA影像中高通量提取定量影像特征，构建智能化诊断与评估模型，可实现动脉瘤的自动化检测、精准分型及破裂风险量化预测，显著提升诊疗效率与预后评估准确性。一、脑动脉瘤CTA影像预处理与特征提取技术进展CTA影像的标准化预处理是放射组学模型构建的前提，其核心目标是消除扫描参数差异、运动伪影、颅底骨质干扰等无关因素对特征稳定性的影响。当前主流预处理流程主要包括影像重采样、感兴趣区（ROI）分割、灰度归一化三个核心环节：在重采样阶段，多数研究采用各向同性体素（0.5mm×0.5mm×0.5mm）统一不同设备的扫描分辨率，有效降低体素大小异质性对纹理特征的影响；颅底骨质分割方面，传统阈值法易受颈动脉钙化、静脉窦显影等因素干扰，近年来基于U-Net的语义分割模型可实现骨质与血管结构的自动分离，Dice系数可达0.96以上，较传统方法提升12%。针对动脉瘤ROI分割任务，目前已形成半自动与全自动两类技术路径：半自动分割多采用区域生长法结合人工修正，平均分割时间约为3~5分钟/例，适合小样本研究；全自动分割模型则以3D卷积神经网络为核心，其中nnU-Net框架在多中心数据集上的分割Dice系数可达0.92，对于微小动脉瘤（<3mm）的分割精度可达0.85，已基本满足临床应用需求。放射组学特征的提取与筛选是模型构建的关键环节，目前从脑动脉瘤CTA影像中可提取的特征分为四大类，总维度可达1000维以上：第一类是形态学特征，包括动脉瘤直径、体积、纵横比、瘤颈宽度、分叶数等100余项定量指标，其中纵横比、瘤体/瘤颈比已被证实与破裂风险显著相关；第二类是一阶统计特征，反映ROI内的灰度分布规律，包括均值、中位数、偏度、峰度、熵等20余项指标，其中灰度熵值可有效表征瘤壁的异质性程度；第三类是纹理特征，通过灰度共生矩阵、灰度游程矩阵、灰度大小区域矩阵等方法提取，可量化瘤体内部的灰度空间分布模式，其中对比度、相关性、能量等参数与动脉粥样硬化、血栓形成等病理改变高度相关；第四类是深度学习高阶特征，通过卷积神经网络的隐藏层自动提取，无需人工定义，可捕捉人眼无法识别的细微影像模式，在破裂风险预测任务中较传统手工特征的AUC值平均提升8%~15%。特征筛选环节则通常采用“三步法”：首先通过组内相关系数（ICC）筛选出不同观察者间ICC>0.8的高稳定性特征，剔除重复性差的指标；其次采用最小绝对收缩和选择算子（LASSO）回归进行特征降维，保留与结局变量相关性最高的核心特征子集；最后通过方差膨胀因子（VIF）检验排除共线性特征（VIF<5），最终模型纳入的特征数量通常控制在5~20个，避免过拟合风险。二、深度学习驱动的脑动脉瘤自动化检测模型研究现状脑动脉瘤自动检测模型的核心目标是在全脑CTA影像中快速定位动脉瘤位置并输出置信度评分，目前主流技术架构分为二维检测、三维检测两类，在检出率、假阳性率等指标上已接近高年资放射科医师水平。二维检测模型多基于FasterR-CNN、YOLO等目标检测框架，将3DCTA影像按轴位、冠状位、矢状位切片输入，通过多视图融合方法整合三维空间信息，其优势是计算速度快、对硬件要求低，单例检测时间仅需1~2秒，适合基层医院大规模筛查场景。2022年发表于《Radiology》的一项多中心研究纳入12个中心的1024例CTA影像，采用改进的YOLOv5模型实现动脉瘤检测灵敏度94.2%，假阳性率0.15个/例，其中对<3mm微小动脉瘤的检出率达89.7%，性能与10年以上经验的神经放射医师相当。但二维模型的局限性在于易受血管迂曲、血管分叉等解剖结构干扰，对于后循环动脉瘤的检出率较前循环低约5%~7%。三维检测模型则直接对3D体数据进行处理，代表性架构包括3DFasterR-CNN、VNet、以及基于Transformer的3D目标检测模型，通过3D卷积核提取完整的空间上下文信息，显著降低假阳性率。2023年国内团队提出的AnoDet模型采用双路径特征融合机制，同时整合低层高分辨率细节信息与高层语义特征，在包含3278例患者的多中心数据集上实现检测灵敏度96.8%，假阳性率0.08个/例，其中后循环动脉瘤检出率达95.3%，较二维模型提升6.4个百分点。目前已有多款商业化AI检测软件获批三类医疗器械证，临床应用评估显示，使用AI辅助检测可将放射科医师的阅片时间从平均8.3分钟/例缩短至3.1分钟/例，整体漏诊率降低40%以上，特别是对于低年资医师的诊断准确率提升更为显著，可缩小不同年资医师间的诊断水平差距。但当前检测模型仍存在一定局限性：一是对于合并蛛网膜下腔出血的患者，血肿对血管结构的遮挡会导致检出率下降约10%；二是部分血管痉挛、动脉粥样硬化性狭窄的病例易被误判为动脉瘤，假阳性病例中约30%为血管分叉部的生理性膨出。未来研究方向主要集中在多模态影像融合（联合CT平扫、灌注CT信息）和小样本学习算法，进一步提升复杂病例的检测鲁棒性。三、放射组学模型在脑动脉瘤破裂风险评估中的应用脑动脉瘤破裂风险的精准分层是临床决策的核心依据，传统评估方法主要基于动脉瘤大小、位置、形态等定性指标，对中等大小（5~7mm）动脉瘤的风险区分度不足。放射组学通过量化瘤体及瘤周血管的微观影像特征，可挖掘与破裂相关的潜在病理标志物，实现风险的个体化量化预测。目前相关研究主要集中在三个方向：一是基于瘤体特征的破裂风险预测模型，2021年一项纳入892例未破裂动脉瘤患者的研究，从CTA影像中提取1216个放射组学特征，经筛选后构建的LASSO模型预测破裂风险的AUC值在训练集和验证集分别为0.89和0.87，显著优于传统形态学模型（AUC=0.76），其中纹理特征中的灰度不均匀性、高灰度游程长占比是预测破裂的最强独立危险因素。亚组分析显示，对于直径<5mm的小动脉瘤，放射组学模型的预测AUC仍可达0.84，明显优于传统评估体系。二是结合瘤周血管特征的预测模型，近年研究发现动脉瘤破裂不仅与瘤体本身特征相关，还与载瘤动脉的粥样硬化程度、血管壁剪切力、血管迂曲度等因素密切相关。2023年发表于《NeuroImage:Clinical》的研究创新性地将载瘤动脉及其周围2cm范围内的血管纳入ROI，提取瘤-血管交互特征，构建的联合模型预测破裂风险的AUC值达0.92，较仅使用瘤体特征的模型提升0.05。进一步的病理对照研究证实，放射组学特征中的低灰度聚集度与瘤壁炎症细胞浸润、弹性纤维降解程度呈正相关（r=0.72，P<0.001），可间接反映瘤壁的病理重塑状态，为风险评估提供生物学解释。三是融合临床信息的多参数预测模型，将放射组学特征与患者年龄、高血压病史、吸烟史、家族史等临床危险因素结合，进一步提升模型的预测性能。2024年一项多中心前瞻性研究纳入1560例未破裂动脉瘤患者，构建的融合模型在外部验证集的AUC值达0.91，决策曲线分析显示，在阈值概率0.2~0.8区间内，该模型的净获益较传统PHASES评分提升30%以上，可使约25%的低风险患者避免不必要的侵入性治疗。目前破裂风险评估模型的临床转化仍面临两大挑战：一是模型的跨中心通用性不足，不同扫描设备、造影剂注射方案导致的影像异质性会使模型性能下降约10%~15%；二是缺乏长期预后数据支撑，现有模型多基于横断面的破裂/未破裂二元标签构建，缺乏对5年以上破裂风险的纵向预测能力。未来研究需建立大样本多中心的标准化影像数据库，统一预处理流程，结合长期随访数据构建动态风险预测模型。四、研究挑战与未来发展方向尽管深度学习与放射组学在脑动脉瘤诊疗领域已取得突破性进展，但从研究到临床常规应用仍面临诸多挑战。首先是数据标准化问题，不同中心的CT扫描参数（管电压、管电流、层厚、重建算法）、造影剂注射方案（剂量、流速、扫描延迟时间）存在显著差异，导致提取的放射组学特征一致性差，模型在外部验证中的性能衰减明显。目前国际医学影像计算与计算机辅助干预学会（MICCAI）已启动脑动脉瘤影像标准化项目，制定统一的CTA扫描协议与预处理流程，为多中心数据融合提供基础。其次是模型的可解释性不足，深度学习模型的“黑箱”特性导致临床医师难以理解其决策依据，是制约临床接受度的核心因素。近年来，类激活映射（CAM）、分层相关传播（LRP）等可解释AI技术的发展，可可视化模型预测时关注的影像区域，验证其决策逻辑与临床认知的一致性，有助于提升模型的可信度。第三是临床验证不足，现有研究多为回顾性、单中心研究，缺乏大样本前瞻性队列验证，且很少评估模型对患者临床结局的实际影响。未来需开展更多实用性临床试验，评估AI辅助下的诊疗决策是否能降低患者的破裂发生率、改善预后，以及是否具有卫生经济学效益。未来该领域的发展方向主要集中在四个方面：一是多模态影像融合，联合CTA、磁共振血管壁成像、数字减影血管造影等多源影像信息，同时整合血流动力学参数、分子标志物等数据，构建更全面的评估模型；二是全流程智能化诊疗体系构建，将动脉瘤检测、分割、风险评估、治疗方案推荐整合为一体化流程，实现从影像输入到临床决策建议的端到端输出；三是Federa