基于多模态数据融合的机器学习模型提升腹主动脉瘤破裂风险评估：几何学、生物力学与临床参数的整合研究

【编辑推荐】为解决传统腹主动脉瘤(AAA)直径标准无法有效预测小动脉瘤破裂的问题，研究人员通过机器学习(LogR/SVM/GNB)整合临床数据、几何形态和生物力学参数(FEA)，构建多参数预测模型。结果显示模型将破裂识别准确率从直径标准的58%提升至90.2%，生物力学参数贡献度最高，为AAA精准诊疗提供新范式。

　　

腹主动脉瘤(Abdominal Aortic Aneurysm, AAA)如同体内定时炸弹，其破裂死亡率高达80%。目前临床主要依赖直径阈值（男性≥55 mm、女性≥50 mm）决定手术干预时机，但令人震惊的是约15%的小AAA仍会发生破裂。这种"一刀切"的标准显然忽视了生物力学应力分布、血管壁特性等关键因素，导致大量患者要么承受过度治疗风险，要么错失救治良机。

为突破这一困境，来自欧洲的研究团队在《European Journal of Vascular and Endovascular Surgery》发表了一项开创性研究。他们首次将机器学习(ML)与多维度数据融合，构建了包含几何学参数、生物力学特征和临床指标的预测体系。研究团队采用病例对照设计，收集了107例破裂AAA（平均直径86.3 mm）和200例未破裂AAA（平均直径57 mm）的计算机断层血管造影(CTA)影像，通过有限元分析(FEA)提取壁面应力等生物力学参数，结合患者年龄、性别等临床数据，训练了逻辑回归(LogR)、支持向量机(SVM)等四种ML模型。

关键技术方法包括：1) 基于CTA影像的三维几何重建与FEA模拟；2) 五折交叉验证的ML模型训练；3) SHAP值驱动的特征重要性排序。特别关注了直径≤70 mm亚组的预测性能，以验证模型对小AAA的适用性。

【结果】
Objective
研究证实传统直径标准对整体样本的识别准确率仅58%，虽敏感性达99%（几乎不漏诊），但特异性仅36%（大量假阳性）。

Methods
通过五折交叉验证，ML模型显著提升预测性能：LogR准确率90.2%，SVM-Lin 89.48%，且生物力学参数在SHAP分析中贡献度超越直径指标。

Results
在≤70 mm亚组中，直径标准准确率骤降至44.2%，而LogR仍保持82.5%的准确率，证实多参数模型对小AAA更具预测优势。

Conclusion
研究首次证明壁面应力等生物力学参数比直径更能预测破裂风险，ML模型可减少30%不必要的AAA修复手术。

这项研究颠覆了AAA管理的传统范式，其重要意义在于：1) 提出"生物力学危险阈值"新概念，推动个体化风险评估；2) 为小AAA的主动监测提供决策依据；3) 建立的SHAP可解释性框架增强了临床对AI模型的信任度。作者建议下一步在前瞻性队列中验证模型性能，并探索将FEA参数整合至临床工作流的可行性。