基于机器学习的颅内动脉瘤破裂状态预测：时变速度信息学(TVI)变量加速表征新方法

来自国际团队的研究人员针对颅内动脉瘤(IA)破裂状态评估的临床转化难题，创新性地将几何特征与机器学习(ML)回归模型结合，成功预测时变速度信息学(TVI)参数。研究表明ML预测的TVI参数对IA破裂状态的判断准确率达81.6%（AUC=0.88），其与CFD模拟结果的一致性甚至优于传统壁面剪切力指标，为无创化血流动力学评估开辟了新途径。

　　

这项突破性研究揭示了机器学习在脑血管疾病评估中的革命性应用。时变速度信息学(Temporal Velocity-Informatics, TVI)作为新兴技术，原本需要通过计算流体力学(CFD)模拟耗时获取三维速度场来量化动脉瘤内血流紊乱。科研团队另辟蹊径，利用112个已知破裂状态的颅内动脉瘤(IA)数据，构建了基于几何特征的ML预测模型。

令人振奋的是，ML预测的TVI参数展现出惊人的临床价值——预测动脉瘤破裂状态的曲线下面积(AUC)达到0.88，总体准确率81.6%。更值得关注的是，这些预测参数与CFD模拟获得的TVI指标具有高度一致性，甚至超越了传统壁面剪切力指标的预测能力。这项研究为临床医生提供了快速评估动脉瘤破裂风险的新工具，避免了复杂的CFD模拟过程，显著提升了诊疗效率。

研究还发现，ML模型对TVI变量的预测精度明显优于对血流剪切力相关指标的预测，这暗示TVI可能更适用于机器学习建模。该成果发表在专业期刊上，并配有直观的图形摘要，生动展示了这项交叉学科研究的创新价值。