编辑推荐：
为评估颈动脉斑块稳定性，研究人员结合 AI 与超声影像组学开展研究，可有效区分斑块稳定性，助力临床。
# 人工智能与超声影像组学携手，为颈动脉斑块稳定性评估带来新曙光
在健康的长河中，脑卒中犹如一颗随时可能引爆的 “炸弹”，严重威胁着人们的生命与健康。它是全球范围内导致残疾和死亡的主要原因之一，其中缺血性脑卒中更是 “常客”。其发病机制错综复杂，涉及动脉粥样硬化、血栓形成等多种因素，而颈动脉斑块在这一过程中扮演着至关重要的角色。
颈动脉斑块如同血管中的 “不定时炸弹”，根据其稳定性可分为易损斑块和稳定斑块。易损斑块具有活跃的炎症反应、较大的脂质核心、较薄的纤维帽等特征，一旦破裂，血栓就会随着血流进入颅内动脉，引发闭塞性事件，对大脑造成严重损伤。因此，早期识别和评估颈动脉斑块的稳定性，对于预防缺血性脑卒中意义非凡。
随着医学影像技术的发展，超声检查凭借其简单、低成本、高诊断准确率等优势，成为评估颈动脉斑块的首选方法。然而，传统超声检查在诊断易损斑块时存在诸多局限性，如操作角度受限、医生经验差异以及斑块形态和成分复杂等，导致诊断效率低下。
在这样的背景下，南京医科大学附属南京脑科医院等机构的研究人员开展了一项研究，旨在利用人工智能（AI）技术辅助超声图像中斑块的分割，结合超声影像组学，评估颈动脉斑块的稳定性，并分析其诊断准确性。该研究成果发表在《BMC Medical Imaging》上。
研究人员采用回顾性诊断准确性研究方法，选取了 202 例缺血性脑卒中患者作为研究对象。这些患者均来自南京医科大学附属南京脑科医院，时间跨度为 2022 年 1 月 1 日至 2023 年 12 月 31 日。根据颈动脉彩色多普勒超声检查结果，患者被分为易损斑块组（85 例）和稳定斑块组（117 例）。随后，研究人员从两组中分别随机选取部分病例作为建模组和验证组。
在研究过程中，研究人员运用了多种关键技术方法。首先，使用荷兰飞利浦公司生产的 EPIQ5 和 EPIQ7 系列彩色多普勒超声诊断设备对患者进行颈动脉斑块检测，通过设定特定的超声探头工作频率，详细检查颈动脉各部位，并根据斑块形态特征进行分类。接着，利用基于 AI 的图像分割方法，在软件 MATLAB 上对原始超声图像进行处理，实现斑块区域的自动分割。之后，由两位经验丰富的超声医师对分割后的图像进行分析，借助自研软件从感兴趣区域（ROI）提取 1414 个影像组学特征。最后，运用最小绝对收缩和选择算子（LASSO）方法对这些特征进行降维和选择，构建支持向量机（SVM）模型，并通过受试者工作特征（ROC）曲线分析评估模型性能。
研究结果令人欣喜。在临床特征方面，训练组和验证组患者在年龄、性别等部分特征上存在差异，但在 BMI、糖尿病、高血脂等方面差异具有统计学意义。通过 LASSO 回归，研究人员筛选出 43 个影像组学特征，并以此建立了 SVM 分类器。该模型在训练组中的曲线下面积（AUC）达到 89.42%（95% 置信区间：80.74 - 98.10%），灵敏度为 79.84%，特异性为 93.10%；在验证组中，AUC 为 82.73%（95% 置信区间：71.64 - 93.81%），灵敏度为 81.82%，特异性为 80.00%。此外，影像组学列线图在预测斑块稳定性方面，比临床列线图更具优势，当阈值概率大于 20% 时，能为患者带来更多益处。
研究结论表明，将 AI 技术用于超声图像中斑块的分割，结合影像组学模型分析，可高效区分颈动脉斑块的稳定性，为临床预测缺血性脑卒中提供重要的诊断依据。不过，该研究也存在一定的局限性。作为回顾性研究，其结果可能受到超声图像质量、操作人员和设备差异等因素的影响，且研究仅在单中心开展，限制了研究结果的普遍性。此外，影像组学技术的应用对专业技术要求较高，在临床推广方面还面临挑战。
尽管如此，这项研究依然具有重要意义。它为医学影像分析提供了一种高效准确的方法，展示了 AI 在医学领域的巨大潜力。未来，研究人员可通过开展前瞻性研究、扩大研究范围进行外部验证以及探索多模态数据融合等方式，进一步提高诊断准确性，为患者提供更精准的医疗服务，在预防和管理缺血性脑卒中的道路上迈出更加坚实的步伐。
