基于计算机断层扫描的机器学习在主动脉夹层风险评估中的应用：一篇叙述性综述

《Heart Failure Clinics》：Computed Tomography–Derived Machine Learning for Risk Assessment in Aortic Dissection: A Narrative Review

　　

章节摘录

关键要点

• •
  将机器学习（ML）应用于计算机断层扫描血管造影，可以超越传统的基于直径的指标，实现主动脉夹层的更高级风险分层。
• •
  深度学习模型能够量化假腔血栓形成和主动脉重塑，从而提高术后结果的预测准确性。
• •
  基于影像的生物标志物（如瘦腰大肌面积）提供了脆弱的客观测量指标，并与死亡风险相关。
• •
  将放射组学与临床和实验室数据相结合

未来方向

未来的研究应遵循标准化的报告框架，并根据共同标准协调影像协议，以提高可重复性并促进临床应用。此外，未来的研究应重点关注基于AI的模型在多种患者群体中的前瞻性多中心验证，以确认其普遍性和临床效用。在完成足够的验证研究后，应将这些工具整合到临床工作流程和放射学平台中。

总结

基于AI的工具有潜力改善主动脉夹层管理的多个方面，包括早期诊断、风险分层和术后并发症的预测。自动化图像分析在量化假腔血栓形成、主动脉形态和身体成分等特征方面显示出潜力，提供了使用传统方法难以评估的客观生物标志物。将影像数据与临床和实验室变量相结合可以进一步增强这一效果。

数据可用性声明

由于本工作是对已发表研究的综述，因此提取的数据集不会存入公共仓库。然而，根据合理请求，可以从相应作者处获取支持本文结论的数据。

伦理声明

鉴于本研究综合了已发表研究的数据，而未包含原始的患者级数据或动物实验数据，因此不需要正式的伦理授权。

临床注意事项

• •
  基于机器学习的CT分析能够比单独使用传统影像参数更早地识别出高风险主动脉夹层患者。
• •
  假腔特征（体积、血栓形成和灌注）是不良重塑的关键预测因素，应仔细评估。
• •
  身体成分指标（如瘦腰大肌面积）可以作为脆弱性和手术风险的实用影像生物标志物。
• •
  结合影像和实验室标记物的多模态模型（例如C反应蛋白）

伦理和资助

作者没有需要声明的利益冲突或资助情况。

致谢

无。

信息披露

作者声明没有利益冲突。