编辑推荐：
【编辑推荐】为解决缺乏全面评估豆纹动脉 - 神经复合体（LNC）的影像生物标志物问题，研究人员基于 T1WI 影像，利用 ResNet18 提取豆纹动脉供血区特征，发现其与 FA、CBF 强相关，分类任务准确率达 100%。该成果为 LNC 评估提供新方法，具重要临床价值。
在脑血管疾病的研究领域，豆纹动脉（LSA）因其作为大脑中动脉的终末分支，管径纤细（平均壁厚仅 0.36 mm）且侧支循环有限，一直是研究的重点与难点。它所供血的基底神经节区域，包括尾状核（Ca）、苍白球（GP）、壳核（Pu）等，不仅是自发性脑出血（ICH）的高发地带（尤其是壳核，占比达 60%），还与动脉瘤、穿支动脉病、脑小血管病等多种严重疾病密切相关。然而，传统的影像学技术如流敏感黑血磁共振血管成像（FSBB MRA）、动脉自旋标记（ASL）和扩散张量成像（DTI），虽能分别评估血管形态、脑血流量（CBF）和神经纤维完整性（以分数各向异性 FA 值为指标），但临床实践中受限于时间和资源，难以同时进行多模态评估，导致缺乏能够综合反映 LSA 及其周围神经复合体（LNC，涵盖血管、神经纤维束和细胞外微环境的结构功能网络）状态的影像生物标志物。
为填补这一空白，上海理工大学控制科学与工程系联合上海浦东公利医院等机构的研究团队，开展了一项具有创新性的研究。他们开发了基于 ResNet18 的深度学习框架，旨在从 LSA 供血区域的 MRI 影像中提取特征，构建可全面评估 LNC 的新型影像生物标志物。这项研究成果发表在《BMC Medical Imaging》上，为脑血管疾病的精准诊断提供了全新思路。
研究团队采用回顾性队列研究，纳入 2021 年 1 月至 6 月在上海浦东公利医院接受全序列 MRI 检查（包括 T1WI、FSBB、DTI 和 ASL）的 79 例患者，其中 25 例合并糖尿病与高血压，27 例仅有糖尿病，27 例无基础疾病。研究的关键技术方法包括：
- 影像预处理与自动分割：利用 FreeSurfer 软件对 T1WI 影像进行颅骨剥离，再通过 ANTsPy 库将标准脑模板与患者影像配准，实现尾状核、苍白球、壳核等感兴趣区域（ROI）的自动分割，避免了传统手动标注的耗时与误差。
- 深度学习特征提取：构建 ResNet18 网络，从 ROI 中提取影像特征，并通过均方根误差（RMSE）分析特征与 DTI-FA、ASL-CBF 值的相关性；同时设计两项微调分类任务（Task1：LSA 根数分类；Task2：疾病类别分类），验证特征的临床适用性。
- 多模态影像分析：由两位资深神经影像医师手动评估 FSBB 影像中的 LSA 根数，测量 DTI 和 ASL 影像中 ROI 的 FA 和 CBF 值，作为深度学习模型的 “金标准”。
研究结果
1. 基线特征与影像数据
79 例患者平均年龄 63.97 岁，左右脑半球的 LSA 根数、ROI 的 FA 和 CBF 值均无显著差异（p 均 > 0.05），表明大脑两侧的 LNC 功能具有对称性。
2. 深度学习特征与传统影像指标的相关性
通过计算 RMSE 占 FA 和 CBF 均值的百分比（0.154%-0.213%），证实 ResNet18 提取的特征与神经纤维完整性（FA）和脑灌注（CBF）高度相关。例如，左侧尾状核（Ca (L)）的 RMSE 百分比为 0.187%，右侧壳核（Pu (R)）为 0.160%，均远低于 1%，说明模型能精准捕捉 LNC 的功能状态。
3. 特征可视化与分类性能
可视化分析显示，ResNet18 的浅层卷积层提取边缘、纹理等基础特征，深层则捕捉更抽象的结构特征。在分类任务中，Task1 对 LSA 根数的分类准确率达 100%，T-SNE 聚类图清晰区分了 3-9 根的样本；Task2 对三种疾病类别的分类准确率同样为 100%，验证了特征与糖尿病、高血压等血管性疾病的关联性。
4. 临床意义验证
研究发现，深度学习特征不仅能反映 LSA 的解剖特征（如根数），还能区分不同疾病状态。例如，糖尿病患者的 LSA 结构可能因代谢紊乱和血管内皮损伤而改变，高血压患者则可能因小动脉重构导致血流动力学异常，这些差异均被模型有效识别。
结论与讨论
这项研究首次通过深度学习整合多模态 MRI 信息，构建了可同时反映 LSA 血管结构、脑灌注和神经纤维功能的影像生物标志物。其核心价值体现在：
- 技术创新性：突破传统单模态影像的局限，通过 ResNet18 实现 “一站式” 评估，减少临床操作复杂性。
- 临床实用性：100% 的分类准确率虽与样本同质性（年龄 50-79 岁、严格排除严重脑病史）有关，但提示该模型在筛选 LSA 相关疾病高危人群中具有潜力，尤其适用于糖尿病、高血压患者的早期脑损伤评估。
- 研究局限性：样本量较小、缺乏单纯高血压亚组分析，且 ROI 分割基于厚层 T1WI 影像，可能影响精度。未来需扩大样本量，开展多中心验证，并探索其在脑小血管病、血管性认知障碍等更多疾病中的应用。
总体而言，该研究为 LNC 的综合评估提供了首个基于深度学习的影像生物标志物，有望推动脑血管疾病从 “单一指标诊断” 向 “多维度功能评估” 的范式转变，为早期干预和个性化治疗奠定基础。
