《npj Digital Medicine》：Deep learning based volumetric analysis of infrarenal abdominal aortic aneurysms characterized on CTA
编辑推荐：
本研究针对传统二维测量在腹主动脉瘤(AAA)评估中的局限性，开发了一种基于改进nnU-Net的深度学习算法，实现了对EVAR术前术后CTA图像的自动化三维容积分析。该模型在内部验证中显示出优异的性能(DSC=0.972)，并在跨三大洲的多中心外部验证中保持了良好的泛化能力，同时将测量时间缩短56%，为AAA的精准监测提供了可靠工具。
腹主动脉瘤作为美国第15大死亡原因，影响着约6%的人群，其发病率仍在持续上升。当前临床实践中，计算机断层扫描血管成像(CTA)是评估AAA的金标准，特别是在手术规划和术后监测中发挥着关键作用。尽管血管外科学会指南推荐使用垂直于血流中心线的最大直径(DMAX)进行动脉瘤大小评估，但这种方法存在明显的观察者间差异，且无法全面反映动脉瘤囊的三维形态变化。
传统的二维测量方法难以捕捉动脉瘤囊的伸长和扭曲，而这些特征只能通过三维评估才能准确表征。近年来研究表明，三维容积分析在检测动脉瘤大小变化、表征其空间行为和评估动脉瘤相关风险方面更为敏感。然而，手动容积测量既耗时又费力，且缺乏标准化技术，限制了其在临床实践中的广泛应用。
为解决这一临床难题，由David Weiss、Thomas Hager等研究人员组成的国际团队在《npj Digital Medicine》上发表了最新研究成果。他们开发了一种基于深度学习的创新算法，能够对肾下腹主动脉瘤进行自动化的三维分割和容积测定，无论患者是否接受过血管内动脉瘤修复(EVAR)手术。
该研究采用改进的nnU-Net架构，在训练过程中引入了局部对比度归一化和局部响应归一化等预处理步骤，以降低不同CT扫描仪带来的偏差。与原始nnU-Net仅测试2D和3D CNN配置不同，该改进模型还整合了2.5D CNN、2D胶囊网络和3D胶囊网络，显著提升了模型的分割性能。
研究人员使用了来自耶鲁大学医学院的176例术前术后CTA研究（共35,915张切片）进行模型训练，内部验证集包含44例研究，外部验证集则涵盖了来自美国、欧洲和亚洲三个机构的60例研究，确保了模型的广泛适用性。
关键技术方法包括：使用改进的nnU-Net架构进行图像分割；采用多中心数据集进行训练和验证；通过PACS集成环境评估临床工作流效率；使用Dice相似系数(DSC)、Hausdorff距离和Jaccard系数等指标量化分割性能；采用Bland-Altman分析和Pearson相关系数评估容积测量一致性。
内部验证结果
模型在内部验证数据集上表现出优异的分割性能，总动脉瘤的平均Dice相似系数为0.972±0.013， lumen（流明）为0.963±0.017。AI生成的动脉瘤容积与金标准数据呈现极强相关性，总动脉瘤容积的Pearson相关系数达0.998，血栓容积为0.996。Bland-Altman分析显示，总动脉瘤、lumen和血栓容积的偏差范围在-1.41至1.09 cm3之间。
外部验证结果
在包含60例术前术后CTA研究的外部验证中，模型保持了良好的性能，总动脉瘤的中位Dice相似系数为0.969，lumen为0.961。尽管外部验证集的图像切片厚度显著大于内部数据集(1.975mm vs 0.774mm)，AI预测的总动脉瘤和血栓容积仍与金标准数据呈现极强相关性(r=0.960, r=0.940)。仅有一例异常值因模型将十二指肠组织误判为动脉瘤部分而导致性能下降，凸显了图像质量对模型性能的影响。
PACS集成效率提升
在模拟临床环境中，该算法展现出显著的工作流加速效果。血管外科医生手动测量总动脉瘤和lumen容积的平均时间分别为209.2秒和197.9秒，而nnU-Net生成分割掩模的平均时间显著降低至92.1秒和91.7秒，实现了56.0%和53.7%的时间节省。特别是在EVAR术后研究的lumen分割中，算法实现的时间节省高达57.3%。
研究结论表明，这种基于深度学习的网络能够对CTA显示的肾下腹主动脉瘤进行自动化、可靠的三维分割和容积分析。与现有研究相比，该模型具有机构无关性，基于广泛的外部验证证明了其可重复性。与医生手动容积测量相比，该工具显示出显著的时间效率提升。
该研究的创新性在于首次提供了针对术前术后AAA分割算法的广泛多中心外部验证，涵盖了三大洲、10种CT扫描仪和不同的实践环境。此外，研究还首次实现了PACS集成的AAA容积分析工具，并进行了新颖的时间效率分析，这些都是以往研究中缺乏的关键要素。
尽管该模型在大多数情况下表现出色，但在动脉瘤特别扭曲的病例中性能有所下降。此外，研究仅限于CTA图像，对于非对比CT图像的模型性能需要进一步研究。未来工作应包括复杂动脉瘤配置（如肾旁或胸腹主动脉瘤）的进一步训练和验证，以及在前瞻性患者队列中进行直接临床验证。
这项研究为AAA的精准医疗提供了重要工具，通过自动化三维容积分析有望改善患者预后，优化临床工作流程，并为血管外科建立新的参考标准奠定基础。随着进一步验证和优化，这种深度学习驱动的方法有望改变AAA的临床管理范式，实现更个性化、更有效的患者护理。
