引用本文： 王永剛, 史振宇, 符偉國. 基于人工智能和影像組學的腹主動脈瘤研究進展. 中國普外基礎與臨床雜志, 2022, 29(8): 1090-1094. doi: 10.7507/1007-9424.202112089 復制
腹主動脈瘤（abdominal aortic aneurysm，AAA）是最常見的主動脈瘤，是一種危及生命的疾病[1]，目前治療方式主要依賴于開放手術修復（open surgery repair，OSR）或腔內修復術（endovascular aortic repair，EVAR） [2-3]。臨床上最常用的評估AAA的手段為電子計算機斷層掃描血管造影（computed tomography angiography，CTA），如何有效地定量測量和精確表征AAA的特征，并充分利用特征間復雜的關系指導預后預測和提高預測準確性有極為廣闊的臨床應用前景和價值。近年來人工智能（artificial intelligence，AI）尤其是其中的機器學習（mechanical learning，ML）和深度學習（deep learning，DL）算法[4-7]，已廣泛應用于醫學的各個領域，為診斷、治療和預后預測提供指導；此外，影像組學相關的報道也越來越多[8-10]。然而迄今為止，其在AAA的研究相對較少。筆者就AI和影像組學在AAA領域的研究進展進行綜述，旨在為AAA的研究和臨床決策提供新的思路。具體將從特征提取、風險預測和其他3個方面進行綜述。
1 特征提取
1.1 形態學特征（AI-DL）
目前，CTA是評估AAA的主要手段，研究者嘗試對AAA、血栓和鈣化實現全自動分割。傳統圖像分割大多為通過基于強度的半自動算法（水平集、主動形狀模型和圖形切割）結合先驗形狀來解決，大多數被提出的算法都需要用戶交互/先前的管腔分割。它們的性能在很大程度上依賴于復雜的參數調優，影響了其魯棒性和在臨床實踐中的適用性[11-15]。AI，特別是DL和圖形處理單元（graphics processing units，GPUs）的發展，使得全自動分割成為可能[16]。
通過對AAA、血栓和鈣化的全自動分割，可以縮短分析時間、增加復現性；可以獲得良好的初始近似，用于進一步形態學特征的表征。由于特征標準化，全自動分割有望成為日常臨床實踐中的輔助工具，協助指導臨床醫生進行診斷、風險評估、確定治療方案以及臨床研究。① AAA全自動分割：Wang等[17]利用卷積神經網絡（convolutional neural network，CNN）進行多模態醫學AAA圖像分割，通過對CT和磁共振（magnetic resonance，MR）圖像進行端到端訓練，經過5 500次迭代后，CT融合的驗證精確度與單獨模型非常接近（99.1% 比 98.8%），MR融合的驗證準確率為98.5%，比單獨模型的驗證準確率高了1.2%。Lareyre等[18]開發了一種全自動軟件系統，能夠自動檢測主動脈管腔和AAA特征，包括存在的血栓和鈣化，對40例患者進行測試，其瘤腔體積與人工標記重疊達97%，敏感度為92%，特異度為99.97%。Mohammadi等[19]利用CNN自動分割、檢測和診斷AAA，所設計的CNN分類器將腹部分為4個部分即腹部區域、主動脈、體緣和骨骼。其整體準確度、精確度和敏感度分別為97.93%、97.94%和97.93%，所提出的分類器對主動脈區域檢測的準確率為98.62%。② 鈣化與血栓全自動分割：Graffy等[20]利用CNN實現主動脈鈣化自動分割和評分，在對812例患者驗證中與Agatston評分一致性的r2=0.84，該結果提示此算法支持個性化和基于人群的鈣化評估。而對于血栓全自動分割， López-Linares等[21]提出了一種新的基于深度卷積神經網絡（deep convolutional neural networks，DCNN）的方法，該方法是建立在全卷積網絡（fully convolutional network，FCN）和整體嵌套邊緣檢測（holistically-nested edge detection，HED）的基礎上用于血栓自動分割，在13例患者術后CTA中進行訓練、驗證和測試，其測試結果顯示：Dice系數為0.82±0.07，假陰性率為0.16±0.11，假陽性率為0.18±0.08。 Caradu等[22]使用了一種新的全自動軟件（PRAEVAorta），對100例AAA患者的CTA進行自動分割，結果顯示：AAA主動脈腔的體積相似度為0.95±0.04，瘤腔血栓的體積相似度為0.91±0.07，總體積的相似度為0.98±0.01，平均Dice系數為0.95±0.0.01。
1.2 影像組學特征（影像組學-ML）
盡管形態學特征在AAA的診療中起至關重要的作用，但是對于復雜解剖學形態的AAA，傳統的特征提取方法存在許多缺陷。例如，我們可以看到AAA的形狀，但更多形態學特征無法被描述。更不用說我們根本無法看到的紋理等特征。實體腫瘤在空間和時間上都存在異質性，這限制了基于分子檢測的侵入性活檢的使用，而影像組學則能以非侵入性的方式捕捉腫瘤內的異質性[8]，近年來，由于非腫瘤性疾病的常規影像診斷存在定性和定量的問題，它已逐漸被應用于非腫瘤性疾病中[23-28]。但是影像組學在AAA領域的研究相對較少，或更準確地稱為紋理分析，因為這些研究大部分是通過CT灰度/像素強度直方圖以區分病變組織的異質性。① 基于紋理分析的血栓分割：Maiora等[29]創建了一個交互式的血栓分割系統，是利用灰度共生矩陣（gray level co-occurrence matrix，GLCM）和局部二值模式（local binary pattern，LBP）通過主動學習來實現的，并在對包含不同數量CT切片（216～560張）的8例患者中得到了初步驗證。② 基于紋理分析的風險預測： Kotze等[30]利用CT信號異質性預測AAA擴張，并在50例患者中進行測試，CT紋理分析結果顯示，粗紋理與AAA氟脫氧葡萄糖（fluorodeoxyglucose，18F-FDG）的最大標準化攝取值成反比（P=0.003），中等粗紋理與AAA擴展顯著相關（P=0.030），18F-FDG的最大標準化攝取值與AAA擴張成反比（P=0.015）。García等[31]從EVAR術后動脈瘤血栓樣本中應用3種常規紋理分析方法，即GLCM、灰度行程矩陣（gray level run length matrix，GLRLM）和灰度差分法（gray level difference method，GLDM），以及作者提出的一種新方法—局部共生灰度行程矩陣（run length matrix of local co-occurrence matrices，RLMLCM）開發一種試驗性的計算機支持的內張力診斷系統。 此外，從EVAR術后CT圖像中獲得的紋理特征也可以用來辨別不同內漏的轉歸，GLCM、GLRLM和GLDM能夠區分有利或不利的轉歸，準確率分別為（93.41±0.024） %、（90.17±0.077） % 和（81.98±0.045） %[32]。 ③ 基于影像組學的風險預測：Charalambous等[33]利用影像組學特征構建的支持向量機（support vector machine，SVM）分類模型預測EVAR術后Ⅱ型內漏的轉歸，第1個月和第6個月的影像組學特征預測1年AAA的擴張，受試者工作特征（receiver operating characteristic，ROC）曲線下面積（area under the curve，AUC）分別為0.89和0.96。
2 風險預測
血管外科學會（Society for Vascular Surgery，SVS）和歐洲血管外科學會（European Society for Vascular Surgery，ESVS）指南[34-35]定義了AAA患者的管理建議，其治療的決定主要依賴于對AAA增長及破裂風險與手術風險之間平衡的評估。
2.1 增長與破裂（AI-ML）
SVS和ESVS指南[34-35]建議大多數無癥狀的小AAA患者應接受影像學監測，直到AAA直徑大于55 mm或AAA快速擴張。① 增長預測：Hirata等[36]通過對AAA主干中軸線、無瘤腔血栓主干中軸線等參數構建模型，對50例小AAA ［直徑為（38.5±6.2）mm］ 患者進行預測，結果顯示AAA的主干中軸線和AAA面積與AAA擴張顯著相關（r=0.472、P＜0.01，r=0.416、P＜0.01），ML預測AAA顯著擴張（直徑＞4 mm/年）優于AAA主干中軸線（AUC分別為0.86和0.78）。Lee等[37]基于流動介導的擴張（flow mediated dilatation，FMD）預測AAA增長，利用ML對入組患者前瞻性記錄12個月時的增長數據，79例患者在24個月時進一步記錄了增長數據，其結果顯示在12個月和24個月時，有85%和71%的患者的AAA直徑誤差在2 mm以內。 ② 破裂風險：Erhart等[38]對無癥狀的15例男性AAA患者進行有限元分析（finite element analysis，FEA），來計算壁面峰值應力（peak wall stress，PWS）以及最高和最低破裂風險指數（rupture risk index，RRI）的區域，其結果顯示，相較于低破裂風險區域，由FEA估計的高破裂風險區域包含了更多的組織病理學改變。Joldes等[39]通過對48例AAA患者的初步驗證，提出了基于生物力學動脈瘤破裂風險預測（biomechanics based prediction of aneurysm rupture risk，BioPARR）的AAA分析軟件，該軟件有助于評估AAA破裂風險。 Canchi等[40]探討了在AAA破裂或未破裂的情況下，臨床指標和形態學參數之間的潛在相關性。 Jordanski等[41]提出了一種基于ML的方法，用于計算壁面剪應力（wall shear stress，WSS）分布來預測破裂風險，為了解AAA的幾何參數、血液密度、動態黏度和速度與WSS分布之間的關系，研究采用多元線性回歸、多層感知器（multi-layer perceptron，MLP）和高斯條件隨機場（gaussian conditional random fields，GCRF） 3種方法，其結果顯示：GCRF有最高的決定系數（coefficient of determination），為0.930～0.948。
2.2 手術風險（AI-ML）
既往手術風險預測模型，例如格拉斯哥動脈瘤評分（glasgow aneurysm score，GAS）、 國家手術質量改進計劃（National Surgical Quality Improvement Project，NSQIP），新英格蘭血管研究小組（Vascular Study Group of New England，VSGNE）等在AAA患者術后預測方面表現欠佳，尤其是EVAR術后風險預測[42-45]。而ML作為AI中常用的方法，具有利用特征之間復雜而微妙的關系進行預測的潛力，已逐漸應用于醫學各個領域[5-6]，ML也逐漸應用于AAA相關的研究。
基于ML的風險預測：Rengarajan等[46]用7個特征（6種形態學特征和1個生物力學特征）來評估AAA患者適合哪種手術方式（擇期/緊急修復），k近鄰（k-nearest neighbor，KNN）分類器產生的特異度可高達96%。 Monsalve-Torra等[47]基于ML的方法來預測OSR住院患者死亡率，入組310例患者，包括57個屬性的特征，這些屬性分為4個集群：患者的基本數據、臨床病史、手術數據和術后數據。采用MLP、徑向基函數（radial basis function，RBF）神經網絡和貝葉斯神經網絡的方法，其結果顯示貝葉斯神經網絡的預測準確率可高達96.1%。Wise等[48]利用人工神經網絡（artificial neural network，ANN）預測AAA破裂后OSR/EVAR的住院死亡率，并與多元邏輯回歸和 Glasgow評分模型進行比較，結果顯示多元邏輯回歸、ANN和Glasgow評分模型的AUC分別為0.85±0.04 、0.88±0.04和0.77±0.06。 Karthikesalingam等[49]通過對761例患者術前AAA形態學特征進行量化，并隨訪5年的支架移植物相關并發癥，采用ANN方法預測移植物相關并發癥并區分哪些患者為低風險，哪些患者為高風險，在驗證數據集中，ANN將44.4%的患者劃分為低風險組，低風險組5年無移植物相關并發癥者的占比為95.9%，高風險組的占比為67.9%（P＜0.001）。Kordzadeh等[50]對250例患者的26個術前特征建立ML預測模型，結果顯示貝葉斯神經網絡在測試集中預測Ⅰ型、Ⅱ型和Ⅲ型內漏的總體準確率＞86%。
3 其他
① 患者管理： 影像監測不足被認為是導致AAA破裂的最重要因素。Kim等[51]報道利用AI促進放射科質量、信息學負責人利用IT解決方案來實現內容整合、結果溝通和患者隨訪。② 模擬支架部署：利用計算機基于FEA方法可用于模擬支架在體內部署，以指導臨床應用。Medtronic （Santa Rosa，CA，USA）和Cook Medical （Bloomington，Indiana，USA）兩款支架在3例患者中模擬的結果顯示與實際支架幾何形狀匹配，尤其是在AAA的近端和遠端[52]；在大部分扭曲的AAA中，FEA方法模擬結果提示支架移植物的橫截面面積減少可高達57%，并且動脈瘤內貼璧塌陷面積明顯高于外貼壁塌陷面積[53]；在3例短瘤頸、扭曲瘤頸和髂動脈扭曲的患者中使用AnacondaTM（Terumo company，Inchinnan，UK）支架進行模擬，其結果顯示病例的體內和體外血管中心線最大位置誤差分別為11.8 mm和4.1 mm，提示此支架即使在扭曲的AAA患者中，也可以實現精確模擬[54]。③ 數據挖掘：大數據方法評價EVAR與OSR的生存結果，利用Medicare數據庫中的7 826例患者進行仿真模擬，采用了基于DL的分析策略，結果顯示對于短期和長期死亡率，EVAR都具有生存優勢[55]。 Chakshu等[56]利用虛擬患者數據庫，提出了一種利用循環神經網絡（recurrent neural network，RNN）對心血管系統進行逆向分析的方法。通過輸入3條非侵入性血管（頸動脈、股動脈和肱動脈）的壓力波形，借助長短期記憶網絡（long short-term memory，LSTM）反演計算出人體各血管的血壓波形，并用于檢測AAA及其嚴重程度，這種借助無創或微創測量工具進行生物醫學應用的方法，有可能減少對復雜和侵入性診斷工具的依賴。
4 總結和展望
盡管AI和影像組學在AAA領域的研究仍處于起步階段，但是通過自動定量測量和精確表征AAA的形態學和影像組學特征，將更加有助于AAA成像的解釋和分析。此外，還可以利用特征間復雜的關系指導預后預測和提高預測的準確性，并提出個性化的治療及隨訪方案，旨在實現AAA的精準醫療。
重要聲明
利益沖突聲明：本文全體作者閱讀并理解了《中國普外基礎與臨床雜志》的政策聲明，我們沒有相互競爭的利益。
作者貢獻聲明：王永剛負責檢索和整理文獻，設計文章框架，撰寫論文；史振宇指導修訂論文，提供建議；符偉國提供指導性支持以及論文終審。
腹主動脈瘤（abdominal aortic aneurysm，AAA）是最常見的主動脈瘤，是一種危及生命的疾病[1]，目前治療方式主要依賴于開放手術修復（open surgery repair，OSR）或腔內修復術（endovascular aortic repair，EVAR） [2-3]。臨床上最常用的評估AAA的手段為電子計算機斷層掃描血管造影（computed tomography angiography，CTA），如何有效地定量測量和精確表征AAA的特征，并充分利用特征間復雜的關系指導預后預測和提高預測準確性有極為廣闊的臨床應用前景和價值。近年來人工智能（artificial intelligence，AI）尤其是其中的機器學習（mechanical learning，ML）和深度學習（deep learning，DL）算法[4-7]，已廣泛應用于醫學的各個領域，為診斷、治療和預后預測提供指導；此外，影像組學相關的報道也越來越多[8-10]。然而迄今為止，其在AAA的研究相對較少。筆者就AI和影像組學在AAA領域的研究進展進行綜述，旨在為AAA的研究和臨床決策提供新的思路。具體將從特征提取、風險預測和其他3個方面進行綜述。
1 特征提取
1.1 形態學特征（AI-DL）
目前，CTA是評估AAA的主要手段，研究者嘗試對AAA、血栓和鈣化實現全自動分割。傳統圖像分割大多為通過基于強度的半自動算法（水平集、主動形狀模型和圖形切割）結合先驗形狀來解決，大多數被提出的算法都需要用戶交互/先前的管腔分割。它們的性能在很大程度上依賴于復雜的參數調優，影響了其魯棒性和在臨床實踐中的適用性[11-15]。AI，特別是DL和圖形處理單元（graphics processing units，GPUs）的發展，使得全自動分割成為可能[16]。
通過對AAA、血栓和鈣化的全自動分割，可以縮短分析時間、增加復現性；可以獲得良好的初始近似，用于進一步形態學特征的表征。由于特征標準化，全自動分割有望成為日常臨床實踐中的輔助工具，協助指導臨床醫生進行診斷、風險評估、確定治療方案以及臨床研究。① AAA全自動分割：Wang等[17]利用卷積神經網絡（convolutional neural network，CNN）進行多模態醫學AAA圖像分割，通過對CT和磁共振（magnetic resonance，MR）圖像進行端到端訓練，經過5 500次迭代后，CT融合的驗證精確度與單獨模型非常接近（99.1% 比 98.8%），MR融合的驗證準確率為98.5%，比單獨模型的驗證準確率高了1.2%。Lareyre等[18]開發了一種全自動軟件系統，能夠自動檢測主動脈管腔和AAA特征，包括存在的血栓和鈣化，對40例患者進行測試，其瘤腔體積與人工標記重疊達97%，敏感度為92%，特異度為99.97%。Mohammadi等[19]利用CNN自動分割、檢測和診斷AAA，所設計的CNN分類器將腹部分為4個部分即腹部區域、主動脈、體緣和骨骼。其整體準確度、精確度和敏感度分別為97.93%、97.94%和97.93%，所提出的分類器對主動脈區域檢測的準確率為98.62%。② 鈣化與血栓全自動分割：Graffy等[20]利用CNN實現主動脈鈣化自動分割和評分，在對812例患者驗證中與Agatston評分一致性的r2=0.84，該結果提示此算法支持個性化和基于人群的鈣化評估。而對于血栓全自動分割， López-Linares等[21]提出了一種新的基于深度卷積神經網絡（deep convolutional neural networks，DCNN）的方法，該方法是建立在全卷積網絡（fully convolutional network，FCN）和整體嵌套邊緣檢測（holistically-nested edge detection，HED）的基礎上用于血栓自動分割，在13例患者術后CTA中進行訓練、驗證和測試，其測試結果顯示：Dice系數為0.82±0.07，假陰性率為0.16±0.11，假陽性率為0.18±0.08。 Caradu等[22]使用了一種新的全自動軟件（PRAEVAorta），對100例AAA患者的CTA進行自動分割，結果顯示：AAA主動脈腔的體積相似度為0.95±0.04，瘤腔血栓的體積相似度為0.91±0.07，總體積的相似度為0.98±0.01，平均Dice系數為0.95±0.0.01。
1.2 影像組學特征（影像組學-ML）
盡管形態學特征在AAA的診療中起至關重要的作用，但是對于復雜解剖學形態的AAA，傳統的特征提取方法存在許多缺陷。例如，我們可以看到AAA的形狀，但更多形態學特征無法被描述。更不用說我們根本無法看到的紋理等特征。實體腫瘤在空間和時間上都存在異質性，這限制了基于分子檢測的侵入性活檢的使用，而影像組學則能以非侵入性的方式捕捉腫瘤內的異質性[8]，近年來，由于非腫瘤性疾病的常規影像診斷存在定性和定量的問題，它已逐漸被應用于非腫瘤性疾病中[23-28]。但是影像組學在AAA領域的研究相對較少，或更準確地稱為紋理分析，因為這些研究大部分是通過CT灰度/像素強度直方圖以區分病變組織的異質性。① 基于紋理分析的血栓分割：Maiora等[29]創建了一個交互式的血栓分割系統，是利用灰度共生矩陣（gray level co-occurrence matrix，GLCM）和局部二值模式（local binary pattern，LBP）通過主動學習來實現的，并在對包含不同數量CT切片（216～560張）的8例患者中得到了初步驗證。② 基于紋理分析的風險預測： Kotze等[30]利用CT信號異質性預測AAA擴張，并在50例患者中進行測試，CT紋理分析結果顯示，粗紋理與AAA氟脫氧葡萄糖（fluorodeoxyglucose，18F-FDG）的最大標準化攝取值成反比（P=0.003），中等粗紋理與AAA擴展顯著相關（P=0.030），18F-FDG的最大標準化攝取值與AAA擴張成反比（P=0.015）。García等[31]從EVAR術后動脈瘤血栓樣本中應用3種常規紋理分析方法，即GLCM、灰度行程矩陣（gray level run length matrix，GLRLM）和灰度差分法（gray level difference method，GLDM），以及作者提出的一種新方法—局部共生灰度行程矩陣（run length matrix of local co-occurrence matrices，RLMLCM）開發一種試驗性的計算機支持的內張力診斷系統。 此外，從EVAR術后CT圖像中獲得的紋理特征也可以用來辨別不同內漏的轉歸，GLCM、GLRLM和GLDM能夠區分有利或不利的轉歸，準確率分別為（93.41±0.024） %、（90.17±0.077） % 和（81.98±0.045） %[32]。 ③ 基于影像組學的風險預測：Charalambous等[33]利用影像組學特征構建的支持向量機（support vector machine，SVM）分類模型預測EVAR術后Ⅱ型內漏的轉歸，第1個月和第6個月的影像組學特征預測1年AAA的擴張，受試者工作特征（receiver operating characteristic，ROC）曲線下面積（area under the curve，AUC）分別為0.89和0.96。
2 風險預測
血管外科學會（Society for Vascular Surgery，SVS）和歐洲血管外科學會（European Society for Vascular Surgery，ESVS）指南[34-35]定義了AAA患者的管理建議，其治療的決定主要依賴于對AAA增長及破裂風險與手術風險之間平衡的評估。
2.1 增長與破裂（AI-ML）
SVS和ESVS指南[34-35]建議大多數無癥狀的小AAA患者應接受影像學監測，直到AAA直徑大于55 mm或AAA快速擴張。① 增長預測：Hirata等[36]通過對AAA主干中軸線、無瘤腔血栓主干中軸線等參數構建模型，對50例小AAA ［直徑為（38.5±6.2）mm］ 患者進行預測，結果顯示AAA的主干中軸線和AAA面積與AAA擴張顯著相關（r=0.472、P＜0.01，r=0.416、P＜0.01），ML預測AAA顯著擴張（直徑＞4 mm/年）優于AAA主干中軸線（AUC分別為0.86和0.78）。Lee等[37]基于流動介導的擴張（flow mediated dilatation，FMD）預測AAA增長，利用ML對入組患者前瞻性記錄12個月時的增長數據，79例患者在24個月時進一步記錄了增長數據，其結果顯示在12個月和24個月時，有85%和71%的患者的AAA直徑誤差在2 mm以內。 ② 破裂風險：Erhart等[38]對無癥狀的15例男性AAA患者進行有限元分析（finite element analysis，FEA），來計算壁面峰值應力（peak wall stress，PWS）以及最高和最低破裂風險指數（rupture risk index，RRI）的區域，其結果顯示，相較于低破裂風險區域，由FEA估計的高破裂風險區域包含了更多的組織病理學改變。Joldes等[39]通過對48例AAA患者的初步驗證，提出了基于生物力學動脈瘤破裂風險預測（biomechanics based prediction of aneurysm rupture risk，BioPARR）的AAA分析軟件，該軟件有助于評估AAA破裂風險。 Canchi等[40]探討了在AAA破裂或未破裂的情況下，臨床指標和形態學參數之間的潛在相關性。 Jordanski等[41]提出了一種基于ML的方法，用于計算壁面剪應力（wall shear stress，WSS）分布來預測破裂風險，為了解AAA的幾何參數、血液密度、動態黏度和速度與WSS分布之間的關系，研究采用多元線性回歸、多層感知器（multi-layer perceptron，MLP）和高斯條件隨機場（gaussian conditional random fields，GCRF） 3種方法，其結果顯示：GCRF有最高的決定系數（coefficient of determination），為0.930～0.948。
2.2 手術風險（AI-ML）
既往手術風險預測模型，例如格拉斯哥動脈瘤評分（glasgow aneurysm score，GAS）、 國家手術質量改進計劃（National Surgical Quality Improvement Project，NSQIP），新英格蘭血管研究小組（Vascular Study Group of New England，VSGNE）等在AAA患者術后預測方面表現欠佳，尤其是EVAR術后風險預測[42-45]。而ML作為AI中常用的方法，具有利用特征之間復雜而微妙的關系進行預測的潛力，已逐漸應用于醫學各個領域[5-6]，ML也逐漸應用于AAA相關的研究。
基于ML的風險預測：Rengarajan等[46]用7個特征（6種形態學特征和1個生物力學特征）來評估AAA患者適合哪種手術方式（擇期/緊急修復），k近鄰（k-nearest neighbor，KNN）分類器產生的特異度可高達96%。 Monsalve-Torra等[47]基于ML的方法來預測OSR住院患者死亡率，入組310例患者，包括57個屬性的特征，這些屬性分為4個集群：患者的基本數據、臨床病史、手術數據和術后數據。采用MLP、徑向基函數（radial basis function，RBF）神經網絡和貝葉斯神經網絡的方法，其結果顯示貝葉斯神經網絡的預測準確率可高達96.1%。Wise等[48]利用人工神經網絡（artificial neural network，ANN）預測AAA破裂后OSR/EVAR的住院死亡率，并與多元邏輯回歸和 Glasgow評分模型進行比較，結果顯示多元邏輯回歸、ANN和Glasgow評分模型的AUC分別為0.85±0.04 、0.88±0.04和0.77±0.06。 Karthikesalingam等[49]通過對761例患者術前AAA形態學特征進行量化，并隨訪5年的支架移植物相關并發癥，采用ANN方法預測移植物相關并發癥并區分哪些患者為低風險，哪些患者為高風險，在驗證數據集中，ANN將44.4%的患者劃分為低風險組，低風險組5年無移植物相關并發癥者的占比為95.9%，高風險組的占比為67.9%（P＜0.001）。Kordzadeh等[50]對250例患者的26個術前特征建立ML預測模型，結果顯示貝葉斯神經網絡在測試集中預測Ⅰ型、Ⅱ型和Ⅲ型內漏的總體準確率＞86%。
3 其他
① 患者管理： 影像監測不足被認為是導致AAA破裂的最重要因素。Kim等[51]報道利用AI促進放射科質量、信息學負責人利用IT解決方案來實現內容整合、結果溝通和患者隨訪。② 模擬支架部署：利用計算機基于FEA方法可用于模擬支架在體內部署，以指導臨床應用。Medtronic （Santa Rosa，CA，USA）和Cook Medical （Bloomington，Indiana，USA）兩款支架在3例患者中模擬的結果顯示與實際支架幾何形狀匹配，尤其是在AAA的近端和遠端[52]；在大部分扭曲的AAA中，FEA方法模擬結果提示支架移植物的橫截面面積減少可高達57%，并且動脈瘤內貼璧塌陷面積明顯高于外貼壁塌陷面積[53]；在3例短瘤頸、扭曲瘤頸和髂動脈扭曲的患者中使用AnacondaTM（Terumo company，Inchinnan，UK）支架進行模擬，其結果顯示病例的體內和體外血管中心線最大位置誤差分別為11.8 mm和4.1 mm，提示此支架即使在扭曲的AAA患者中，也可以實現精確模擬[54]。③ 數據挖掘：大數據方法評價EVAR與OSR的生存結果，利用Medicare數據庫中的7 826例患者進行仿真模擬，采用了基于DL的分析策略，結果顯示對于短期和長期死亡率，EVAR都具有生存優勢[55]。 Chakshu等[56]利用虛擬患者數據庫，提出了一種利用循環神經網絡（recurrent neural network，RNN）對心血管系統進行逆向分析的方法。通過輸入3條非侵入性血管（頸動脈、股動脈和肱動脈）的壓力波形，借助長短期記憶網絡（long short-term memory，LSTM）反演計算出人體各血管的血壓波形，并用于檢測AAA及其嚴重程度，這種借助無創或微創測量工具進行生物醫學應用的方法，有可能減少對復雜和侵入性診斷工具的依賴。
4 總結和展望
盡管AI和影像組學在AAA領域的研究仍處于起步階段，但是通過自動定量測量和精確表征AAA的形態學和影像組學特征，將更加有助于AAA成像的解釋和分析。此外，還可以利用特征間復雜的關系指導預后預測和提高預測的準確性，并提出個性化的治療及隨訪方案，旨在實現AAA的精準醫療。
重要聲明
利益沖突聲明：本文全體作者閱讀并理解了《中國普外基礎與臨床雜志》的政策聲明，我們沒有相互競爭的利益。
作者貢獻聲明：王永剛負責檢索和整理文獻，設計文章框架，撰寫論文；史振宇指導修訂論文，提供建議；符偉國提供指導性支持以及論文終審。