基于CT影像与临床特征融合的深度学习算法预测腹主动脉瘤快速进展

《Scientific Reports》：Deep learning algorithm for predicting rapid progression of abdominal aortic aneurysm by integrating CT images and clinical features

本研究针对腹主动脉瘤（AAA）进展预测的临床难点，开发了一种融合CT影像特征、几何形态参数与临床数据的多模态深度学习模型。通过回顾性分析561例患者的14,252张标注CT图像，模型在测试集上达到AUC 0.807，显著优于传统机器学习方法。该研究为个体化AAA风险分层提供了精准工具，有望优化临床干预时机选择。

　　

腹主动脉瘤（Abdominal Aortic Aneurysm, AAA）是一种潜伏在人体内的“沉默杀手”，作为血管壁病理性扩张的 degenerative disease（退行性疾病），它通常在被偶然发现时已形成显著扩张。临床上将AAA定义为主动脉直径超过正常值50%或大于30毫米的病变，其最危险的结局是瘤体破裂导致患者猝死。据统计，AAA是全球范围内心血管疾病死亡的前十大原因之一，尤其在60岁以上男性中发病率高达4%-8%。随着人口老龄化加剧，这一疾病的负担日益加重。

目前AAA的临床管理主要依赖定期影像学监测，当动脉瘤直径达到临界值（通常为5.5厘米）时考虑手术干预。然而，AAA的生长速度存在显著个体差异：有些患者的瘤体数年保持稳定，而另一些却在短期内快速扩张甚至破裂。这种不可预测性使得医生难以精准把握手术时机——过早干预可能让患者承受不必要的手术风险，而过晚发现则可能错过最佳治疗窗口。传统预测方法主要基于有限临床参数或生物力学模型，但往往难以捕捉复杂的多因素相互作用。

为解决这一临床痛点，韩国首尔大学研究团队在《Scientific Reports》上发表了创新性研究。他们开发了一种端到端的多模态深度学习（Deep Learning, DL）模型，通过整合CT影像的深层特征、基于标注的几何形态参数和临床指标，实现对AAA快速进展的精准预测。

关键技术方法

研究回顾性收集了Boramae医学中心（BMC）和首尔大学医院（SNUH）561例患者的14,252张增强CT轴向图像及临床资料。通过3D Slicer软件手动标注腹主动脉（从肾动脉至髂动脉分叉），并利用PyRadiomics包提取14项3D几何特征（如Elongation（伸长率）、Sphericity（球形度）等）。临床特征包括慢性阻塞性肺疾病（COPD）、糖尿病（DM）、吸烟状态等6项指标。深度学习框架采用改进的ResNet18卷积神经网络，对预处理后的CT图像进行特征提取，并与临床、几何特征融合建模。以年增长率2.5毫米为界定义快速进展组，通过五折交叉验证评估模型性能。

研究结果

队列特征与数据分布

SNUH队列（325例）与BMC队列（236例）在性别比例（86.5% vs 74.5%男性）、年龄（68.2±8.1 vs 73.1±8.9岁）等基线特征上存在显著差异（p<0.001），体现了真实世界数据的异质性。几何特征分析显示，SNUH患者的动脉瘤体积（Voxel Volume）、表面积等参数普遍大于BMC患者（p<0.001），但两组在Minor Axis Length（短轴长度）等关键形态指标上无显著差异，为模型跨中心验证提供了可行性基础。

多模态模型的预测性能

融合CT影像、临床和几何特征的多模态DL模型表现最优，测试集AUC达0.807，准确率0.758，显著优于单一模态模型（临床特征ML模型AUC 0.716；几何特征ML模型AUC 0.715）。值得注意的是，仅使用CT图像的DL模型（AUC 0.711）与传统ML模型性能相当，而逐步加入临床或几何特征后，AUC分别提升至0.743和0.780，证明多模态融合的有效性。

模态贡献度分析

通过沙普利值（Shapley value）量化各模态贡献发现，几何特征对AUC提升贡献最大（0.224），其次为CT影像特征（0.066），而临床特征贡献相对较低（0.021）。这一结果提示动脉瘤的3D形态学参数可能蕴含比传统临床指标更丰富的进展预测信息。

模型鲁棒性验证

DeLong检验证实，三模态DL模型与仅用CT影像（p=0.001）、CT+临床特征（p=0.021）等模型存在显著差异（p<0.05），但与CT+几何特征模型差异不显著（p=0.08），进一步验证了几何特征的核心作用。在不同进展阈值（2.0-3.0毫米/年）的敏感性分析中，2.5毫米/年的阈值在多数模型中保持稳定性能，支持其临床适用性。

结论与展望

本研究首次构建了融合多源数据的DL框架用于AAA进展预测，突破传统方法的局限性。其临床意义在于：

1. 1.
   个体化风险分层：通过整合影像细节与临床背景，模型可识别传统指标无法捕捉的高风险患者；
2. 2.
   优化监测策略：对预测为快速进展者缩短随访间隔，反之则避免过度医疗；
3. 3.
   方法学创新：为其他血管疾病的多模态预测研究提供范式。

局限性与未来方向包括：手动标注耗时且依赖专家知识，需开发自动分割算法；模型未纳入血流动力学等生物力学参数；需前瞻性多中心验证临床效用。随着人工智能与影像组学的深度融合，这种“影像-临床-几何”三位一体的预测模式有望成为精准医疗时代血管疾病管理的新标准。