基于深度学习和影像组学的CTA自动鉴别破裂与未破裂颅内动脉瘤
本研究回顾性纳入两家医院1007例颅内动脉瘤患者,利用3D CNN自动检测、分割动脉瘤并提取形态学特征,结合PyRadiomics提取影像组学特征,构建SVM、RF、MLP三种模型鉴别破裂与未破裂动脉瘤。外部测试集AUC分别为0.85、0.88、0.86,三种模型间无显著差异。全自动流程可在1分钟内完成评估,有望提高临床效率。
要点
- 3D CNN可自动检测、分割动脉瘤并计算21个形态学特征,全流程<1分钟。
- SVM、RF、MLP三种模型外部测试AUC为0.85~0.86,性能无显著差异。
- 最终保留13个特征(6个形态学+7个影像组学)与动脉瘤破裂相关。
核心结论
- 基于CTA的深度学习与影像组学模型可较准确鉴别破裂与未破裂颅内动脉瘤,外部测试AUC达0.85~0.86。
- 全自动分割与形态学测量流程可在1分钟内完成,显著提升临床效率。
研究设计与样本
- 回顾性多中心研究,训练集来自医院1(363个破裂动脉瘤、535个未破裂动脉瘤),独立外部测试集来自医院2(63个破裂、190个未破裂)。
- 采用3D CNN(CerebralDoc®,两个级联ResUNet)自动检测和分割动脉瘤,PyRadiomics提取影像组学特征,构建SVM、RF、MLP三种分类模型。
- 参考标准为常规脑CT或DSA证实的自发性蛛网膜下腔出血及动脉瘤诊断,由两名8年以上经验神经放射医师确认。
关键影像表现/征象
- 自动计算21个形态学特征(17个动脉瘤特征+4个载瘤血管特征)和14个影像组学特征,降维后13个特征与破裂相关。
- 13个特征包括7个影像组学特征(均为形状特征)、1个载瘤血管特征和5个动脉瘤特征(直径、体积、垂直高度、纵横比、尺寸比等)。
- 破裂动脉瘤在原始研究中更多位于前交通/大脑前动脉(32.2%)和大脑中动脉(16%),未破裂动脉瘤更多位于颈内动脉(74.6%)。
诊断标准与关键数值
- SVM、RF、MLP在训练集AUC分别为0.86、0.90、0.88,在外部测试集AUC分别为0.85、0.85、0.86。
- Delong检验显示三种模型间无显著差异(SVM vs RF p=0.76;SVM vs MLP p=0.57;RF vs MLP p=0.43)。
- 敏感度与特异度在AUC最佳截断点(Youden指数最大)确定,具体数值未在原文中给出。
临床应用与阅片要点
- 对多发动脉瘤伴蛛网膜下腔出血者,可将CTA上传平台自动识别并标注责任动脉瘤,辅助快速决策。
- 模型可在1分钟内完成分割、形态学测量和破裂状态评估,适合急诊场景。
- 阅片时可关注自动提取的形态学特征(直径、体积、垂直高度、纵横比、尺寸比)及载瘤血管直径。
局限性
- 回顾性横断面研究,需前瞻性长期随访验证。
- 全部受试者为亚洲人,种族差异可能影响模型泛化性。
- 许多蛛网膜下腔出血患者因立即手术被排除,破裂与未破裂病例数不平衡可能影响模型准确性。
全文中译11 节 · 点击展开
引言
颅内动脉瘤(IA)是一种常见且危及生命的严重神经系统疾病,由颅内动脉壁异常膨出或扩张引起[1]。随着医学影像技术的快速发展,越来越多的IA被发现,普通人群中的发病率超过3%。动脉瘤破裂可导致严重后果,死亡率为40%。幸存者可能遭受长期神经系统后遗症和生活质量下降[2]。在临床实践中,约85%的自发性蛛网膜下腔出血(SAH)由颅内动脉瘤破裂引起[3]。然而,部分动脉瘤破裂患者并未表现为蛛网膜下腔出血。另一方面,对于多发性动脉瘤患者,尽管存在蛛网膜下腔出血,但难以确定哪个动脉瘤发生了破裂。因此,准确识别IA状态对于临床治疗和预后评估至关重要[4, 5]。破裂动脉瘤需要及时手术,而未破裂动脉瘤的治疗存在争议。部分未破裂动脉瘤可能终生无症状[6],而无论是血管内治疗还是显微外科治疗都可能增加并发症风险[7]。
计算机断层扫描血管造影(CTA)是一种无创、高效且准确的IA检测方法[8]。尽管数字减影血管造影(DSA)仍是金标准,但其有创性和耗时性限制了临床应用,此外还有高成本和并发症的问题[9]。目前,CTA检测IA的准确率已达97%–100%[10],具有替代DSA的巨大潜力[11]。一些研究[12, 13]关注了CTA中破裂与未破裂动脉瘤的形态学差异,发现若干形态学特征与动脉瘤破裂相关,如瘤颈直径、动脉瘤长度、高度、宽度、表面积、体积等。其他研究已证明影像组学在利用CTA图像对破裂与未破裂颅内动脉瘤进行分类方面具有价值[14]。然而,这些研究的准确率不够高,缺乏大样本和外部独立验证。另一方面,动脉瘤分割和形态学测量均需手动操作,非常耗时且高度依赖放射科医生的经验。完成每例病例的重建、分割和分析可能需要约30分钟。
卷积神经网络(CNN)[15]是最常用的深度学习方法之一。它在医学领域已展现出巨大潜力,如疾病检测、分割、诊断和预测[16, 17]。在既往研究中,我们开发了一种基于CNN的人工智能模型,用于识别头部动脉并检测颅内动脉瘤[15, 16]。整个自动分割和重建过程耗时不到一分钟。本研究收集了大样本和多中心样本。颅内动脉瘤的检测、分割和形态学参数测量均自动完成,并建立了不同的机器学习模型,在外部数据集中进行独立测试,以帮助区分破裂与未破裂颅内动脉瘤。
材料与方法
伦理声明
本研究经重庆大学附属中心医院研究伦理委员会批准,豁免知情同意。
患者
回顾性纳入2016年10月23日至2021年6月22日在重庆大学附属中心医院(医院1,781例患者)和重庆医科大学附属第二医院(医院2,226例患者)诊断为颅内动脉瘤的1007例患者。本研究的纳入标准为:(1)年龄超过18岁的成年患者;(2)由两名具有8年以上经验的神经放射科医师组成的团队通过CT血管造影诊断为颅内动脉瘤。若存在不确定性,则使用数字减影血管造影(DSA)进一步确认。排除标准包括:(a)严重的图像伪影;(b)临床资料不完整;(c)梭形、夹层、创伤性、感染性动脉瘤。所有动脉瘤分为两组:破裂组包括经常规脑CT记录或经数字减影血管造影确认附近存在自发性蛛网膜下腔出血的动脉瘤,且无其他潜在诱因(创伤、夹层或局部或全身感染);未破裂组包括无蛛网膜下腔出血或相关临床症状的动脉瘤。医院1排除168例患者,包括29例梭形动脉瘤患者、20例夹层动脉瘤患者、2例创伤性动脉瘤患者、50例严重图像伪影患者和67例临床资料不完整患者。医院2排除79例患者,包括11例梭形动脉瘤患者、9例夹层动脉瘤患者、9例创伤性动脉瘤患者、19例严重图像伪影患者和31例临床资料不完整患者。研究设计的流程图见图1。
临床资料收集与脑CTA
临床资料包括性别、年龄、吸烟状况(吸烟超过十年)、酗酒(酒精依赖和成瘾)以及高血压。所有头部CTA图像采集自四台不同的CT设备:联影760 64,中国上海;通用电气公司,LightSpeed 64,美国;通用电气公司,Optima 660 64,美国;佳能医疗,Canon Aquilion ONE 320,东芝,日本。所有扫描采用相似的扫描参数:100至120 kV和自动mas;层厚:0.5至0.625 mm;螺距:0.984至0.975;重建厚度:1 mm;重建间隔:0.5至0.625 mm。对比剂采用智能跟踪法注射。每位患者在上肢肘前静脉放置标准静脉套管针,使用自动双筒注射器注射对比剂。静脉团注50 mL碘海醇(350mgI/ml)和30 mL生理盐水。注射速率为4.0 mL/s。CTA扫描采用轨迹跟踪技术启动,在升主动脉附近手动放置触发区域,阈值为110–120 HU,延迟8–10 s。
动脉瘤分割与形态学特征测量
一个三维卷积神经网络(动脉瘤分割),内嵌于CerebralDoc®中,被应用于从CTA图像中识别、分割动脉瘤并计算形态学特征。该网络由两个级联的ResUNet模型组成。ResUNet1负责动脉瘤检测,ResUNet2负责分割。由于动脉瘤与整体背景之间比例严重不平衡,首先进行血管分割[17]以帮助去除动脉瘤检测中的噪声。进行了数据增强,如旋转、缩放和翻转,以丰富训练样本并提高模型鲁棒性。所有原始CTA图像和分割血管被裁剪为128 × 128 × 128的立方体块(图2)。详细信息在补充文件中介绍。
目标动脉瘤和载瘤血管的形态学特征被自动计算。总共获得了17个动脉瘤特征和4个载瘤血管特征,包括直径、宽度、高度、体积、瘤颈平面直径、相交角度、尺寸比、纵横比等。关于每个形态学特征的详细信息在补充材料中列出并解释。
Pyradiomics特征提取
放射组学[18]特征提取使用开源PyRadiomics软件包(版本3.0.1)进行。每位患者的图像通过以均值标准差为中心进行归一化,使用B样条插值重采样至1 × 1 × 1 mm³的体素大小,并在直方图中以固定箱宽25进行灰度离散化。提取了伸长率、平坦度、最短轴长度、最长轴长度、最大二维直径(列)、最大二维直径(行)、最大二维直径(层面)、最大三维直径、网格体积、最短轴长度、球形度、表面积、表面体积比和体素体积等特征[19, 20]。每个特征的详细信息可在以下网站获取 https://pyradiomics.readthedocs.io/en/latest/ 或在线文档[21]。所有特征在输入模型之前均进行Z分数归一化(图3)。
降维与模型构建
为了确定用于动脉瘤破裂判断的最相关特征,在预处理后的训练数据集中依次应用了selectKBest和基于L2的逻辑回归算法。selectKBest后p值小于0.05的所有特征被认为是逻辑回归模型具有统计学意义的候选特征。使用基于L2的正则化来获得最相关特征。进行交叉验证以建立基于L2的逻辑回归模型的最佳超参数。使用支持向量机(SVM)、随机森林(RF)和多层感知机(MLP)建立模型以区分破裂和未破裂动脉瘤。在训练数据集中应用五折交叉验证的网格搜索来优化模型超参数,然后应用于外部测试数据集以全面评估模型性能。使用敏感度、特异度、受试者工作特征曲线下面积(AUC)评估模型性能能力。各模型的敏感度和特异度在AUC上的最佳截断点确定,即约登指数(J = 敏感度 + 特异度−1)达到最大值的位置。使用Python(版本3.8.12)中sklearn包(版本0.23.2)的Delong检验比较RF、SVM和MLP模型之间的性能能力。
所有统计分析均使用社会科学统计软件包23.0版(SPSS Inc.,美国伊利诺伊州芝加哥)进行。连续变量使用两样本t检验,离散变量使用卡方检验。P值小于0.05被认为具有统计学意义。
结果
患者人口学特征
人口学、临床和影像学特征总结于表1。
来自医院1的363个破裂动脉瘤和535个未破裂动脉瘤纳入训练集。来自医院2的63个破裂动脉瘤和190个未破裂动脉瘤用于独立外部测试。对于医院1,破裂动脉瘤的位置如下:大脑前动脉或前交通动脉(117例,32.2%)、颈内动脉(171例,47.1%)、大脑中动脉(58例,16%)和后循环动脉(17例,4.7%)。81例(22.3%)患者有吸烟史,57例(15.7%)患者有酗酒史,304例(83.7%)患者有高血压。未破裂动脉瘤的位置如下:大脑前动脉或前交通动脉(47例,8.8%)、颈内动脉(399例,74.6%)、大脑中动脉(61例,11.4%)和后循环动脉(28例,5.2%)。109例(26.1%)患者有吸烟史,39例(9.3%)患者有酗酒史,304例(72.7%)患者有高血压。
医院2的患者全部用于独立外部测试。破裂动脉瘤的位置如下:大脑前动脉或前交通动脉(11例,17.5%)、颈内动脉(40例,63.5%)、大脑中动脉(11例,17.5%)和后循环动脉(1例,1.6%)。18例(28.6%)患者有吸烟史,12例(19.0%)患者有酗酒史,26例(41.3%)患者有高血压。未破裂动脉瘤的位置如下:大脑前动脉或前交通动脉(17例,8.9%)、颈内动脉(150例,78.9%)、大脑中动脉(16例,8.4%)、后循环动脉(7例,3.7%)。45例(26.6%)患者有吸烟史,28例(17.2%)患者有酗酒史,93例(57.1%)患者有高血压。
特征选择和模型性能
对于每个动脉瘤,CerebralDoc®自动计算21个形态学特征,Pyradiomics获得14个影像组学特征。经过selectKBest后,保留了33个特征。在基于L2的逻辑回归模型中,绝对系数大于均值的13个特征被认为与确定破裂状态最相关,包括7个影像组学特征、1个载瘤血管特征和5个动脉瘤特征(图4A)。基于L2的逻辑回归的最佳C为1291.55,通过五折交叉验证根据准确率确定(图4B)。
在训练集中,SVM、RF和MLP的AUC分别为0.86、0.90、0.88。在外部测试集中,SVM、RF和MLP的AUC分别为0.85、0.85、0.86。详细的敏感度和特异度绘制于图5。Delong检验显示三个模型之间无显著差异(SVM与RF比较,p = 0.76,z评分 = 0.30;SVM与MLP比较,p = 0.57,z评分 = 0.56;RF与MLP比较,p = 0.43,z评分 = 0.79)。
讨论
评估颅内动脉瘤的状态是选择临床治疗策略的关键。破裂动脉瘤的早期诊断和治疗可以显著降低死亡率和致残率。在本研究中,建立了支持向量机(SVM)、随机森林(RF)和多层感知机(MLP)模型,基于CTA图像判别破裂与未破裂颅内动脉瘤。它们在外部队列验证数据中均显示出0.85至0.86的高准确率。我们的结果表明,这些方法在临床实践中具有很大的潜在价值。它们可以使神经外科医生和介入医师更好地评估动脉瘤状态并规划手术。此前,Liu等[22]提取了719个动脉瘤的形态学特征以预测动脉瘤的稳定性,AUC为0.73。Zhu等[14]使用影像组学特征识别大脑中动脉中的破裂与未破裂动脉瘤,在验证集中获得AUC为0.738。与这些既往研究[22, 23]相比,我们的研究样本量最大、准确率最高。采用了外部验证,获得了更好的可靠性。另一方面,既往所有研究均使用传统人工方法分割、重建动脉瘤并测量形态学参数。每位患者至少需要30分钟,这大大降低了临床诊断效率。人工描绘动脉瘤导致医生巨大的工作量和视觉疲劳,可能降低准确性。在实际临床工作中,该方法对急诊患者不可行。我们的研究首次使用人工智能模型在CTA图像上自动检测、分割动脉瘤。我们的全自动模型可在1分钟内快速处理数据,获得稳定性良好的实时结果。对于日常临床工作中伴蛛网膜下腔出血的多发动脉瘤患者,将CTA图像上传至软件平台,通过平台分析可自动识别并标记责任动脉瘤。借助该系统,医生可以快速找到责任动脉瘤并及时处理。这可以大大提高医疗效率并节省医疗成本。
本研究从每个动脉瘤中提取33个特征,以建立用于区分破裂与未破裂动脉瘤的分类模型。经过最终特征选择,保留了13个被认为与动脉瘤破裂相关的特征,包括6个形态学特征和7个影像组学特征。六个形态学特征包括D(直径)、V(体积)、Wh(垂直于高度的最大距离)、AR(纵横比)、SR(尺寸比)和PD(载瘤血管直径)。D(直径)为从瘤颈中心至动脉瘤表面、且完全位于动脉瘤穹顶内的最大距离。大量研究[24, 25]表明,动脉瘤的D或体积越大,越可能发生破裂。国际未破裂颅内动脉瘤研究(ISUIA)[26]的结果显示,直径为13至24 mm者5年破裂率为14.5%,若直径大于25 mm,5年破裂率为40%。Wh为垂直于高度的最大距离。Kim等研究了57例破裂动脉瘤患者和198例未破裂动脉瘤患者,发现垂直高度是破裂的唯一显著预测因素。AR定义为D与瘤颈平面最大直径之间的比值。既往研究[27]已证实,较大的瘤颈直径和AR > 1.5是后交通动脉瘤破裂的关键因素。PD为载瘤血管的加权平均直径,从接近瘤颈平面近端点的5 mm处开始,至接近远端点的5 mm处结束[28]。它是唯一被保留的载瘤血管特征。SR(尺寸比)定义为D与PD之间的比值。Rahman等[29]已通过盲法试验证实SR与IA的破裂状态相关。SR越大,动脉瘤破裂风险越高。7个影像组学特征均为形状特征,包括伸长率、网格体积、体素体积、长轴长度、短轴长度、最短轴长度和最大3D直径。伸长率反映动脉瘤中两个最大主成分之间的关系。较小的伸长率已被证实是动脉瘤破裂的重要因素[19]。网格体积和体素体积主要反映动脉瘤的大小。既往研究[25, 26]发现,体积变化是与不规则颅内动脉瘤形成相关的独立因素,可能直接导致动脉瘤破裂。长轴长度、短轴长度和最短轴长度分别代表动脉瘤的最大轴长、第二轴长和最小轴长。轴长的差异可能诱发颅内动脉瘤的血流动力学变化,从而影响其稳定性。最大3D直径定义为肿瘤表面网格顶点之间最大的成对欧几里得距离。该特征可从三维角度反映动脉瘤的复杂参数,这是手动无法实现的。
我们的研究存在若干局限性。首先,这是一项回顾性横断面研究。需要一项前瞻性长期随访研究来进一步验证我们的模型。其次,研究中纳入的所有受试者均为亚洲人。不同种族或国家具有不同的生物学和病因学特征,这可能会增强模型的稳健性。最后,许多蛛网膜下腔出血患者因立即手术而被排除。破裂与未破裂病例数量之间的不平衡可能影响我们模型的准确性。在未来的研究中,我们将努力克服上述局限性,获取多民族和多国家的样本,并设计一项前瞻性动态纵向研究来验证我们研究结果的可靠性。
结论
在本研究中,我们建立了三个能够准确区分破裂与未破裂动脉瘤的分类模型。我们的全自动模型能够快速处理CTA数据并在一分钟内评估动脉瘤的状态。它极大地提高了诊断效率,对帮助临床实践中的早期诊断和治疗具有重要价值。
引用
- Feng, Zeng, Geng, et al. Automatic differentiation of ruptured and unruptured intracranial aneurysms on computed tomography angiography based on deep learning and radiomics. Insights Imaging. 2023. PMID: 37142819. doi:10.1186/s13244-023-01423-8
- 全文:PMC10160318(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10160318/
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。