综述：人工智能模型在未破裂颅内动脉瘤破裂风险预测中的评估：聚焦血管几何形态与血流动力学特征

（编辑推荐）本综述系统探讨AI模型整合血管几何特征与血流动力学参数（如WSS、OSI）在未破裂颅内动脉瘤（UIA）风险预测中的突破性进展，指出CFD联合机器学习（ML/DL）显著提升预测精度，为个体化诊疗提供新范式。

　　

Abstract
未破裂颅内动脉瘤（UIA）破裂风险的精准评估是神经血管领域的重要课题。传统基于动脉瘤大小和位置的临床模型预测效能有限，而融合几何形态与血流动力学参数的人工智能（AI）模型正逐步改写评估标准。

几何与血流动力学的协同作用
动脉瘤的破裂风险与其复杂的血管几何特征（如不规则形态、子囊形成）和血流动力学指标密切相关。计算流体力学（CFD）模拟揭示，低壁面剪切力（WSS）与高振荡剪切指数（OSI）会通过促炎微环境诱发血管壁退化，而局部血流漩涡则可能加速瘤壁重塑。

AI模型的范式革新
支持向量机（SVM）通过核函数处理非线性特征，在小型数据集表现优异；卷积神经网络（CNN）则能自动提取CTA/MRA影像中的三维几何特征。研究表明，整合WSS_max、OSI>0.3等参数的模型，AUC可达0.92，显著超越传统PHASES评分（AUC 0.68）。

临床转化挑战
当前瓶颈在于高质量多中心数据的获取——需包含4D血流MRI、高分辨率血管造影等模态。此外，AI模型的"黑箱"特性使得临床医生对预测结果存疑，SHAP值等可解释性算法的引入成为研究热点。

未来方向
下一代模型将结合流体-结构耦合分析（FSI），量化血流压力对瘤壁的机械应力。随着联邦学习技术的应用，跨机构数据协作有望突破样本量限制，最终实现从"一刀切"到"量体裁衣"的治疗决策跨越。