文献速递神经外周血管CTMR

基于CT血管造影的深度学习模型评估颅内动脉瘤稳定性

Assessment of the stability of intracranial aneurysms using a deep learning model based on computed tomography angiography.
PubMed 文献 · Radiol Med · 2024-12-12

该研究回顾性分析1041例患者1227个动脉瘤的CTA图像,构建基于卷积神经网络或逻辑回归的6种模型,整合临床、形态学及深度学习特征预测动脉瘤稳定性。外部验证集中整合三者的Model F的AUC为0.9696,优于其他模型,但Delong检验显示Model F与Model B无显著差异(P=0.731)。

要点

  • Model F整合临床、形态学和深度学习特征,外部验证集AUC为0.9696,高于Model B的0.9665,但两者差异无统计学意义(P=0.731)。
  • 仅用临床特征的Model A外部验证集AUC为0.5706,提示单独临床因素不足以预测动脉瘤稳定性。
  • 基于CTA图像的深度学习特征Model C外部验证集AUC为0.8453,加入临床特征后Model D的AUC降至0.8395,结果不稳定。

核心结论

  • 基于卷积神经网络的深度学习模型整合临床、形态学和深度学习特征,在预测颅内动脉瘤稳定性方面优于其他模型。
  • 该深度学习模型有潜力评估颅内动脉瘤稳定性并支持临床决策。

研究设计与样本

  • 回顾性分析2011年8月至2021年5月连续入院的1041例患者1227个动脉瘤的临床和CTA数据。
  • 动脉瘤分为不稳定组(破裂、进展和有症状动脉瘤)和稳定组(偶然发现、无进展和无症状动脉瘤),随机分为训练集(833例患者991个动脉瘤)和内部验证集(208例患者236个动脉瘤)。
  • 外部验证集来自另一家医院的197例患者229个动脉瘤。
  • 构建6种基于卷积神经网络或逻辑回归的模型:Model A(临床特征)、Model B(形态学特征)、Model C(CTA图像深度学习特征)、Model D(临床+深度学习特征)、Model E(临床+形态学特征)、Model F(临床+形态学+深度学习特征)。
  • 参考标准为随访CTA或MRA显示动脉瘤进展(大小增加≥1 mm、形态改变或破裂)或破裂、有症状;无症状未破裂动脉瘤随访≥3个月。

关键影像表现/征象

  • 形态学特征包括动脉瘤位置(颈内动脉、大脑中动脉、大脑前动脉、前交通动脉、后交通动脉或后循环动脉)、起源(侧壁型或分叉型)、形状(规则或不规则)、数量、最大径、颈宽、深度、宽度、血流角、载瘤动脉直径及衍生指数(纵横比、尺寸比、深宽比、瓶颈因子)。
  • 不规则形状定义为有分叶或子囊;多发动脉瘤定义为单个患者存在超过2个动脉瘤。

诊断标准与关键数值

  • 外部验证集Model A(临床特征)AUC为0.5706,Model B(形态学特征)AUC为0.9665,Model C(深度学习特征)AUC为0.8453。
  • 外部验证集Model D(临床+深度学习)AUC为0.8395,Model E(临床+形态学)AUC为0.9597,Model F(临床+形态学+深度学习)AUC为0.9696。
  • 外部验证集Model C准确度0.7686、敏感度0.9057、特异度0.6504。
  • 训练集Model F的AUC为0.9654(95%CI 0.9560–0.9742),Model E为0.9470(95%CI 0.9342–0.9598),Model D为0.9310(95%CI 0.9153–0.9459)。
  • Delong检验显示外部验证集Model F与Model B差异无统计学意义(P=0.731)。

临床应用与阅片要点

  • 整合临床、形态学和深度学习特征的模型在外部验证集表现最佳,但作者指出仍需大型多中心研究进一步验证其结果。

局限性

  • 原文此处仅以「Limitations」为标题列出,未提供具体内容,原文未报告局限性。
全文中译11 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Radiol Med. 2024 Dec 12;130(2):248–57. doi: 10.1007/s11547-024-01939-z

引言

未破裂颅内动脉瘤(UIAs)在全球约3%的成人中被检出,在中国检出率为7% [1, 2]。过去几十年间,由于计算机断层扫描血管造影(CTA)和磁共振血管造影(MRA)等无创影像检查应用的增加,越来越多的UIAs被偶然发现。与MRA相比,CTA是一种广泛可用且具有成本效益的诊断技术,能够实现快速诊断,并以其高敏感性和特异性仍作为一线影像检查手段 [3, 4]。然而,即使对于经验丰富的放射科医师,小动脉瘤的诊断敏感性也相当低。例如,对于直径≤3 mm的动脉瘤,敏感性范围为64%至74.1% [5]。因此,近年来已有多篇描述将人工智能(AI)用于CTA的文章发表。值得注意的是,AI模型的整合显著缩短了检测时间并提高了动脉瘤的检出率 [3, 6–9]。

然而,检测时间的缩短和检出率的提高仍不够充分。约85%的非创伤性蛛网膜下腔出血(SAH)病例由颅内动脉瘤破裂(RIAs)引起 [10],但大多数UIAs并不会破裂 [11]。此外,UIAs的治疗方法很可能伴随操作相关并发症的风险。然而,部分UIAs尽管接受保守管理仍可能破裂,导致严重后果。动脉瘤随时间变化的稳定性是唯一可据以决定继续保守管理还是向患者建议治疗的参数,尽管该参数并不充分。因此,准确且及时地鉴别不稳定与稳定动脉瘤可优化临床决策,从而带来更好的预后 [12]。

动脉瘤稳定性的评估是复杂的,涉及许多因素。动脉瘤的一些临床特征和形态学特征,如年龄、SAH病史、吸烟史、最大径、形状和位置 [13–15],已被证明与动脉瘤不稳定性相关。UIA自然病程研究、ELAPSS评分(较早的SAH、位置、年龄>60岁、人群、大小和形状)和治疗评分用于帮助临床医师做出最佳决策 [14–17]。然而,这些研究主要基于传统的逻辑回归(LR)方法,且上述危险因素与动脉瘤稳定性之间的关系复杂。此类评分在临床环境中的使用因其低敏感性而受限 [18–21]。此外,传统LR存在若干局限性,如无法解决非线性问题、难以处理数据不平衡以及难以将真实分布拟合于数据,这些均可导致低敏感性。因此,评估动脉瘤的稳定性仍然困难。

人工智能已被用于检测和预测动脉瘤的破裂状态。机器学习(ML)是人工智能的一个分支,在评估非线性关系和复杂模式方面优于传统逻辑回归(LR)[22]。一些机器学习模型已被证明优于传统逻辑回归模型[23, 24]。然而,最近一项研究表明,机器学习模型在预测未破裂颅内动脉瘤(UIA)的破裂状态方面并不优于传统逻辑回归[25]。深度学习(DL)是机器学习的一个子集,使用多层神经网络(如卷积神经网络(CNN))从数据中自动学习特征。深度学习模型(DLM)通常需要大量数据进行训练,但能够自动学习更复杂的特征并实现更高的性能。在动脉瘤研究中,深度学习常用于基于CT血管造影(CTA)图像的动脉瘤自动检测和分割[3, 6–9],而机器学习常用于预测动脉瘤破裂风险评估[23, 25–28]。然而,很少有研究关注使用深度学习模型区分不稳定动脉瘤与稳定动脉瘤。因此,本研究的目的是构建一个能够在CTA图像上区分不稳定动脉瘤的深度学习模型。

方法

患者

本研究经巴南区人民医院和新桥医院机构审查委员会批准。由于研究的回顾性性质,免除个体知情同意的要求,数据已匿名化处理。回顾性分析2011年8月至2021年5月期间连续收入参与中心的动脉瘤患者的临床数据。本研究的排除标准如下:(1)年龄小于18岁;(2)非囊状动脉瘤(如梭形、夹层、创伤性或感染性动脉瘤);(3)诊断为血管疾病(如血管畸形和烟雾病);(4)临床或CTA图像数据不完整。

所有动脉瘤分为两组:稳定动脉瘤和不稳定动脉瘤。不稳定动脉瘤的标准包括破裂颅内动脉瘤(RIA)(更易发生再出血)、随访期间CTA或磁共振血管造影(MRA)显示动脉瘤进展(体积增大≥1 mm、形态改变或破裂)以及与神经系统症状(如眼睑下垂)相关的动脉瘤[16, 29, 30]。其余动脉瘤定义为稳定动脉瘤。无症状未破裂颅内动脉瘤通过CTA或MRA随访≥3个月以确定动脉瘤是否稳定。

临床和形态学特征的获取

从病历中收集患者临床特征,包括性别、年龄、饮酒状况、吸烟状况、高血压状况、糖尿病状况、脑血管硬化状况、心脏病状况和动脉瘤性蛛网膜下腔出血(SAH)病史。脑血管硬化定义为脑弥漫性动脉粥样硬化、管腔狭窄和小血管闭塞,诊断基于CTA或经颅超声。

所有CTA图像均传输至GE Advantage工作站(Advantage Windows 4.5)以生成三维容积渲染(VRs)。与既往研究相同,动脉瘤的形态学参数直接从3D-VRs上测量[31, 32]。所有CTA图像由两名观察者(一名具有10年血管成像经验,另一名具有20年神经放射学经验)分别独立评估,两名观察者对患者信息及稳定性状态均设盲。对于无症状未破裂颅内动脉瘤(UIAs)患者,使用动脉瘤的随访图像判断动脉瘤是否增大,并以首次CTA检查进行分析。连续数据取两名观察者所得的平均值进行计算。分类数据的差异由第三名阅片者(具有25年神经放射学经验)裁定。

动脉瘤的位置分类为颈内动脉(ICA)、大脑中动脉(MCA)、大脑前动脉(ACA)、前交通动脉(ACoA)、后交通动脉(PCoA)或后循环动脉(PCA)。分类形态学变量包括动脉瘤的起源(侧壁型或分叉型)、动脉瘤的形状(规则或不规则形状)及动脉瘤数目。位于载瘤动脉分叉处的动脉瘤定义为分叉型,仅起源于单一载瘤血管的动脉瘤定义为侧壁型[33]。伴有分叶或子囊的动脉瘤定义为形状不规则。多发性动脉瘤定义为单个患者存在超过2个动脉瘤。动脉瘤的大小(最大尺寸、瘤颈宽度、深度和宽度)、血流角(FA)及载瘤动脉直径均手工测量(图1)。此外,计算四项次级几何形态学指标,包括纵横比(AR,深度/瘤颈宽度)、尺寸比(SR,深度/载瘤动脉直径)、深宽比(DW,深度/宽度)及瓶颈因子(BF,宽度/瘤颈宽度)。这些变量已在既往文献中明确描述[31]。

图1 该图显示以下尺寸测量的方法:瘤颈宽度(动脉瘤瘤颈的最大横截面直径)、深度(瘤颈与瘤顶之间的最长直径)、宽度(垂直于深度的最大距离)、最大尺寸(以瘤顶最大直径或宽度表示的最大测量值)、血流角(动脉瘤深度向量与载瘤动脉中心线向量之间的角度)及载瘤动脉直径(定义为动脉的最大横截面直径) 查看原图 ↗

用于DL模型开发的动脉瘤拆分

两名神经放射科医师使用Dr. Wise多模态科研平台(https://keyan.Deepwise.com)在CTA图像上逐层手工标注动脉瘤轮廓。首先,将勾画的CT图像窗宽和窗位调整为(400, 1000)。随后根据动脉瘤轮廓确定动脉瘤的感兴趣区(ROI)(图2)。若存在任何差异,第三名阅片者(具有25年神经放射学经验)参与讨论以确定最终动脉瘤轮廓。动脉瘤分割完成后,所有图像被随机分为训练集和内部验证集,两集之间数据无重复。

深度学习(DL)建模过程包括图像预处理、特征提取和分类。在图像预处理方面,将动脉瘤最大层面的所有图像调整为112×112的固定尺度,以进行二维(2D)建模。然后,应用随机水平翻转、随机垂直翻转和30度随机旋转来增加数据量并提高训练集的利用率。在模型训练方面,使用了残差预训练网络(ResNet-34),这是一种经典的卷积神经网络(CNN)模型。在训练模型的过程中,我们更新参数。为了匹配类别数量,输出尺寸被改为2。

在训练过程中,批次大小和初始学习率分别设置为128和0.001。模型迭代的训练轮数为500。使用交叉熵损失(CrossEntropyLoss)函数计算模型预测与真实类别之间的损失。我们使用Adam优化算法迭代更新神经网络权重。我们从均匀分布中随机选取权重的初始值,偏置初始化为0。为了输出分类预测,如果在500个训练轮数内模型具有最高的准确率值,则选择最终的深度学习模型(DLM)。

图2 该图像显示了一个动脉瘤(a,箭头)和动脉瘤的感兴趣区域(b) 查看原图 ↗

不同模型的构建

基于三类特征(临床、形态学和DLM输出概率)构建了六种预测模型,以确定这些特征对预测动脉瘤稳定性的能力。模型A(临床特征):使用患者的一些基本临床特征,如年龄、性别和饮酒状况,通过逻辑回归(LR)机器学习算法构建模型A,以评估动脉瘤的稳定性。模型B(形态学特征):模型B与模型A的区别在于,模型B的输入变量与动脉瘤的形态学特征相关,如动脉瘤的位置和大小。模型C(CTA图像):该模型基于卷积神经网络(ResNet-34),从CTA图像中提取深度学习特征。模型D(临床特征和模型C的预测概率):将临床特征和模型C的DLM输出(预测概率)作为模型D的输入,然后通过LR算法构建模型D。模型E(临床和形态学特征):将临床特征和形态学特征作为模型E的输入,然后通过LR算法构建模型E。模型F(临床特征、形态学特征和模型C的预测概率):该模型F使用LR算法,以临床特征、形态学特征和模型C输出概率作为输入。

统计分析

统计分析使用SPSS软件(版本25.0,IBM Corp.,Armonk,NY,USA)和R软件(版本4.2.2;www.r-project.org)进行。分类特征以数量(%)表示,并使用卡方检验或Fisher精确检验进行分析。连续特征以均值±标准差报告,使用Shapiro–Wilk检验确定正态性,随后采用Student t检验或Mann–Whitney U检验。基于训练数据集,通过单因素和多因素LR分析筛选临床和形态学特征。LR算法用于机器学习建模以评估动脉瘤稳定性。我们通过受试者工作特征(ROC)曲线、曲线下面积(AUC)及95%置信区间(CI)、准确率、灵敏度、特异度、校准曲线和临床决策曲线分析来评估模型的性能和临床实用性。Delong检验用于比较不同方法之间ROC曲线的差异。P值<0.05被认为表示统计学显著性。

结果

本研究共纳入1041例患者、1227个动脉瘤(672个不稳定动脉瘤和555个稳定动脉瘤)。不稳定组和稳定组患者的临床特征及动脉瘤形态学参数见表1。稳定组中患有心脏病、糖尿病和脑血管硬化的患者比例高于不稳定组(P < 0.005),且患者年龄更大。所有形态学参数均与动脉瘤稳定性相关。

对于1227个动脉瘤,我们将数据集随机分为训练集(833例患者,547个不稳定动脉瘤和444个稳定动脉瘤)和内部验证集(208例患者,125个不稳定动脉瘤和111个稳定动脉瘤)(表S1)。除脑血管硬化和多发动脉瘤外,其他临床和形态学特征在训练集与内部验证集之间无显著差异。训练集中动脉瘤的临床和形态学特征见表2。多因素logistic回归显示,心脏病、脑血管硬化、多发动脉瘤、位于分叉处、形态不规则、最大尺寸和DW与动脉瘤稳定性相关。随后使用这七个因素和DLM输出概率构建了六种不同的模型。训练集、内部验证集和外部验证集的AUC、准确率、灵敏度和特异度见表3和图3。在训练集中,模型A表现相对较差,AUC值为0.585(95% CI,0.5589–0.6103)。另外两个预测模型(模型B和模型C)的AUC分别为0.9436(95% CI,0.9309–0.9564)和0.9299(95% CI,0.9138–0.9444),模型B优于模型C。模型F(0.9654,95% CI,0.9560–0.9742)整合了三种特征,优于模型D(0.9310,95% CI,0.9153–0.9459)和模型E(0.9470,95% CI,0.9342–0.9598)(图3a)。

内部验证集用于评估六种模型的泛化性和广泛适用性(表3)。结果显示,模型B、模型E和模型F具有出色的分类能力(所有AUC均> 0.90),模型E(0.9354,95% CI,0.9052–0.9599)略优于模型B(0.9214,95% CI,0.8910–0.9518)和模型F(0.9319,95% CI,0.8997–0.9597)(图3b)。

来自巴南区人民医院的共197例患者、229个颅内动脉瘤(IA)(106个不稳定IA和123个稳定IA)被纳入外部验证集(表S2)。脑血管硬化及动脉瘤的所有形态学特征均与动脉瘤稳定性相关。我们进一步使用该数据集验证了六种模型,发现模型B(0.9665,95% CI,0.9465–0.9836)的表现优于模型C(0.8453,95% CI,0.7876–0.8932)。同样,模型F(0.9696,95% CI,0.9505–0.9852)优于其他模型(表3和图3c),但Delong检验显示模型F与模型B之间无显著差异(P = 0.731)。

绘制校准曲线以观察分类模型的预测概率是否接近真实概率。校准曲线显示,模型F在训练集、测试集和外部验证集中均具有最佳拟合(图4)。在决策曲线中也观察到同样的现象(图5)。模型F的临床决策曲线在较宽的风险阈值范围内表现出高净获益和优异的临床适用性。与无模型决策、全模型决策及模型(A/B/C/D/E)决策相比,模型F显著提高了决策质量,且其曲线形状平滑稳定,证实了其在实际临床应用中的有效性。

表1 稳定组和不稳定组患者及颅内动脉瘤的特征 查看原表 ↗
表2 训练集中患者及颅内动脉瘤的特征 查看原表 ↗
表3 深度学习模型(DLM)识别不稳定动脉瘤的AUC、诊断准确率、灵敏度和特异度,以及模型F与其他模型之间Delong检验的结果 查看原表 ↗
图3 六种预测模型的ROC曲线。六种模型在训练集(a)、内部验证集(b)和外部验证集(c)中的AUC 查看原图 ↗
图4 通过校准曲线评估六种模型的预测概率。a:训练集;b:内部验证集;c:外部验证集 查看原图 ↗
图5 通过临床决策曲线分析评估六种模型的实际临床价值。a:训练集;b:内部验证集;c:外部验证集 查看原图 ↗

讨论

在本研究中,我们基于患者临床特征、常规形态学参数和CTA图像的深度学习(DL)特征开发了六种不同的模型用于预测动脉瘤稳定性;这些模型通过内部和外部数据集进行了验证。我们发现,整合了临床特征、常规形态学参数和CTA图像DL特征的模型F优于其他模型,可用于区分动脉瘤稳定性。

由于现有研究不一致,评估未破裂颅内动脉瘤(UIA)的稳定性仍是一个复杂的问题。若干临床因素,如年龄、女性、高血压、吸烟和过量饮酒,与动脉瘤稳定性相关[12, 32]。例如,根据PHASES评分,既往因破裂颅内动脉瘤(RIA)导致的蛛网膜下腔出血(SAH)被确定为UIA破裂的危险因素[13]。然而,根据ELAPSS评分,既往因RIA导致的SAH被认为对UIA生长有负面影响[16]。根据本研究中使用的PHASES评分和ELAPSS评分,高龄(分别> 70岁和> 60岁)与UIA破裂和生长风险增加相关[13, 16]。然而,另一项研究显示,年轻患者更可能患有RIA[14]。此外,一项对UIA几乎终身随访的研究报告称,年龄< 40岁、吸烟和女性与UIA生长相关,并且基于这三个因素的新评分系统显著优于ELAPSS评分[18]。这些评分的诊断准确性较差,因此需要进一步改进。同样,我们的结果表明,模型A(临床参数)在外部队列验证集中预测能力较差(AUC = 0.5706)。这意味着仅凭患者的临床因素不足以预测UIA的稳定性。

形态学特征是区分UIA稳定性的重要标志。UIA的大小和位置被用于治疗决策分层[34]。其他因素,如形状、AR、SR、DW、BF和FA,也被发现与动脉瘤稳定性相关[13–16, 23, 31, 32]。在本研究中,获得了类似的结果,并表明多发性动脉瘤的存在、位于分叉处、不规则形状、最大尺寸和DW是区分UIA稳定性最重要的形态学特征。即使仅使用五个特征,模型B(AUC = 0.9436)也能有效区分UIA的稳定性。此外,当将临床因素添加到形态学特征中时,模型E(AUC = 0.9470)的区分能力得到提高。这些结果进一步证明了形态学特征在识别UIA稳定性中的重要作用。

随着人工智能(AI)的不断发展,动脉瘤分割和自动诊断取得了巨大进展。然而,在区分未破裂颅内动脉瘤(UIAs)稳定性方面,AI的应用仍处于起步阶段。在中国,已有多个动脉瘤检测AI模型应用于临床实践,如Deepwise & League of PHD technology和联影智能,这些模型能够敏感地检测动脉瘤,但无法确定动脉瘤破裂的风险。机器学习和基于影像组学的研究已被用于识别动脉瘤破裂风险,但结果仍存在争议。Liu等证明,从PyRadiomics提取的形态学特征可用于评估动脉瘤稳定性,且平坦度是最重要的形态学决定因素[26]。一些研究表明,机器学习模型的表现优于传统逻辑回归(LR),PHASES评分方法也是如此,并具有将机器学习用于动脉瘤稳定性评估的潜力[23, 27]。然而,Calvin等报道,从血管造影图像中提取的影像组学特征在识别动脉瘤破裂风险方面没有额外价值[28]。此外,中国最近的一项多中心研究表明,机器学习模型在预测UIAs未来破裂状态方面并未优于传统LR[25]。因此,我们构建了基于卷积神经网络(CNN)的深度学习模型(DLM),使用CTA图像预测动脉瘤的稳定性。我们的深度学习特征模型(模型C)在外部验证集中的AUC为0.8453,准确率、灵敏度和特异度分别为0.7686、0.9057和0.6504。当将临床因素加入深度学习特征后,模型D在训练集和内部验证集中的AUC(分别为0.9310和0.8813)有所提高。然而,与模型C相比,模型D在外部验证集上的AUC(0.8395)下降。因此,深度学习特征模型的结果并不稳定。

特征组合可能更有助于区分动脉瘤的稳定性。Chen等报道,结合临床、动脉瘤形态学和血流动力学特征进一步提高了判别性能[25]。另一项研究显示,结合形态学和影像组学特征进一步提高了判别性能[35]。最近一项研究报道,结合临床、形态学和影像组学特征可改善UIA破裂的风险预测[36]。在我们的研究中,整合临床、动脉瘤形态学和深度学习参数的模型F在外部验证集中表现出最佳性能(AUC = 0.9696)。一方面,我们来自外部验证集的结果进一步提高了模型的可信度,并表明深度学习方法具有区分动脉瘤稳定性的潜力。另一方面,我们的结果也进一步证实,特征组合优于单一特征,但Delong检验显示模型F与模型B之间无显著差异。未来仍需一项大型多中心研究来进一步验证我们的结果。

本研究具有多项优势。第一,我们构建了六个模型,并基于大样本使用内部和外部验证数据集对其进行了验证。第二,深度学习(DL)特征已被使用并证实其在识别不稳定动脉瘤中发挥重要作用。第三,我们的结果表明,整合了动脉瘤临床、形态学和DL参数的深度学习模型(DLM)在预测动脉瘤稳定性方面优于其他模型。

局限性

本研究存在若干局限性。第一,这是一项回顾性研究,部分稳定动脉瘤在未来可能增大或破裂。因此,需要长期随访。第二,破裂颅内动脉瘤(RIA)的大小和形态可能发生变化,这可能产生潜在偏倚。第三,使用动脉瘤图像的最大层面构建二维模型,可能遗漏了一些可能影响动脉瘤稳定性的重要因素,可能导致偏倚。需要更先进的DL算法。第四,本研究中使用了基于卷积神经网络(CNN)的DLM来识别不稳定动脉瘤,未与其他DL算法进行比较;因此,我们不确定哪些方法更优。

结论

本研究描述了使用CTA图像开发基于CNN的DLM以评估动脉瘤稳定性。该DLM整合了动脉瘤的临床、形态学和DL参数,在评估动脉瘤稳定性方面优于其他模型,并有潜力辅助临床决策,以预防不稳定未破裂颅内动脉瘤(UIA)的破裂并避免对稳定UIA的不必要治疗。

补充信息

以下是电子补充材料的链接。补充文件1(DOCX 17 KB)

补充文件2(DOCX 17 KB)

引用

  1. Zeng L, Wen L, Jing Y, et al. Assessment of the stability of intracranial aneurysms using a deep learning model based on computed tomography angiography. Radiol Med. 2024. PMID: 39666223. doi:10.1007/s11547-024-01939-z
  2. 全文:PMC11870988(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11870988/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。