从像素到预后：深度学习在腹主动脉瘤影像分析中的前沿进展与系统综述

《IEEE Access》：From Pixels to Prognosis: Deep Learning Methods in Abdominal Aortic Aneurysm Imaging

本刊推荐：为解决腹主动脉瘤（AAA）精准诊断与量化评估的临床需求，研究人员系统综述了近十年（2015-2025）将深度学习（DL）技术应用于CT、CTA及MRI等先进影像模态的研究进展。分析表明，基于U-Net等架构的DL模型在动脉瘤分割任务中表现出色，Dice相似系数（DSC）普遍超过90%，但在模型可解释性、多中心数据验证及临床转化方面仍存挑战。该研究为开发鲁棒的AAA智能决策支持系统提供了重要参考基准。

　　

腹主动脉瘤（Abdominal Aortic Aneurysm, AAA）是一种潜伏性强、致死率高的血管疾病，其特征是腹主动脉局部异常扩张超过正常直径50%。由于多数患者早期无明显症状，动脉瘤往往在突发破裂时才被发现，而一旦破裂，死亡率可高达65%-85%。目前，计算机断层扫描血管成像（Computed Tomography Angiography, CTA）被视为术前规划和随访的“金标准”，但其影像解读高度依赖医师经验，且手动测量存在耗时、主观性强等问题。随着医学影像数据量的激增和人工智能技术的突破，如何利用深度学习（Deep Learning, DL）实现AAA的自动化、精准化分析，已成为心血管影像研究的热点。

为此，研究人员在《IEEE Access》上发表了题为《From Pixels to Prognosis: Deep Learning Methods in Abdominal Aortic Aneurysm Imaging》的系统综述，旨在全面梳理近十年来DL在AAA影像分析中的应用现状。研究团队严格遵循PRISMA（Preferred Reporting Items for Systematic Review and Meta-Analysis）指南，从Science Direct、IEEEXplore、Scopus、PubMed等数据库中筛选出67项符合标准的研究（发表时间为2015年至2025年2月），并从影像模态、预处理技术、DL架构、任务类型（分类、检测、分割、生成、预测）及性能表现等多个维度进行深入分析。

为系统开展本综述，作者团队主要采用了以下关键技术方法：首先，通过多数据库检索与PRISMA流程系统筛选文献；其次，根据QUADAS-II（Quality Assessment of Diagnostic Accuracy Studies-2）框架对纳入研究进行偏倚风险与适用性评估；此外，对DL模型的任务类型（如分割、分类等）、所处理的解剖语义（如管腔、血栓、钙化等）及影像模态（CT、CTA、MRI等）进行细致分类与数据提取；最后，利用Dice相似系数（Dice Similarity Coefficient, DSC）等指标对模型性能进行量化比较与可视化分析。

影像模态与数据特征

研究发现，CTA是最主流的影像模态（39项研究），因其能提供优异的血管细节；非增强CT（Non-Contrast CT, NCCT）和磁共振成像（Magnetic Resonance Imaging, MRI）应用相对较少。

多数研究采用私有数据集（58项），公共数据集使用较少，限制了结果的可复现性。影像切片尺寸以512×512像素为主，符合临床腹部CT标准。

预处理与数据准备技术

预处理流程对模型性能至关重要。手动分割是最常用的预处理步骤（19项研究），常用于标注动脉瘤管腔、壁及血栓等关键结构。强度归一化、窗位调整、区域提取（Region of Interest, ROI）和数据增强等技术也被广泛应用。

研究显示，结合ROI提取与数据增强的策略能有效提升模型鲁棒性。

深度学习任务与架构

在DL任务方面，分割研究占比最高（40项），主要采用U-Net及其变体（如3D U-Net、Attention U-Net）。

例如，Roby等人提出的基于U-Net的模型在管腔和血管外壁分割中DSC分别达到95.62%和96.58%。分类任务（8项）多使用迁移学习（如ResNet、VGG），在识别动脉瘤存在性上准确率可达99%以上。检测任务（3项）则尝试了YOLOv5、RetinaNet等架构。仅有少数研究涉及数据生成（5项）或预后预测（1项）。

模型性能与量化分析

分割模型在AAA相关结构（如管腔、血栓）的DSC普遍高于90%，但在钙化等细微结构分割上性能有所下降（DSC约70%~80%）。

然而，仅18项研究集成了动脉瘤尺寸、体积等量化分析模块，且多数未报告计算成本（如内存、耗时），这为临床部署带来不确定性。

质量评估与挑战

基于QUADAS-II的偏倚风险评估显示，多数研究在患者选择、指标测试等环节存在“高”或“不明”风险。尽管DL模型表现出优越的分割精度，但数据来源单一、缺乏多中心外部验证、模型可解释性不足以及临床转化标准缺失仍是当前领域的主要挑战。

本研究通过系统综述揭示了深度学习在腹主动脉瘤影像分析中的显著进展与现存局限。研究表明，基于U-Net等架构的DL模型能够高效、精准地实现AAA关键结构的自动化分割，为临床诊断、手术规划及长期随访提供了有力工具。然而，该领域仍面临数据异质性、模型泛化能力不足、量化分析功能欠缺以及计算资源透明度低等问题。未来研究应聚焦于构建多中心、标准化的大型数据集，开发可解释DL模型，并推动与血流动力学仿真、电子健康记录等多模态数据的融合，最终实现基于人工智能的个性化动脉瘤风险管理与临床决策支持。