深度学习驱动的多模态融合在脑血管影像、血流动力学建模及患者特异性3D打印中的系统综述

《3D Printing in Medicine》：Intelligent cerebrovascular intervention: a deep learning approach to multimodal image processing, hemodynamic modeling, and 3D printing

　　

摘要

背景

脑血管疾病，尤其是颅内动脉瘤，是全球范围内导致死亡和长期残疾的主要原因。深度学习与多模态影像、血流动力学建模及3D打印技术的融合，为个性化神经外科规划带来了变革性潜力。然而，该领域尚缺乏对方法学途径、验证框架和临床转化路径的全面综合总结。

目的

本研究对基于深度学习的脑血管影像处理、血流动力学建模及患者特异性3D打印方法进行全面分析，重点探讨多模态融合、方法学创新以及临床应用路径。

方法

遵循PRISMA指南，系统检索PubMed、IEEE Xplore、Scopus及Web of Science数据库中2015年至2026年发表的同行评审文献。纳入标准为采用深度学习进行脑血管影像分割、多模态融合、血流动力学预测或3D打印应用的研究。针对各方法学领域采用定制化工具进行质量评估。

结果

从1,847条初始记录中，127项研究符合纳入标准。主要发现包括：(1) 结合注意力机制的3D U-Net架构在主要脑血管分割中达到了最先进的性能（Dice系数：0.85–0.92），但对于直径<0.5 mm的血管性能显著下降；(2) 多模态融合策略已从早期的早融合/晚融合演进为整合Transformer和交叉注意力机制的混合架构，融合保真度较单模态方法提升15–25%；(3) 结合本征正交分解（POD）与LSTM网络的降阶模型实现了实时血流动力学预测，在<10个模态下保留了>99%的流动能量；(4) 生物力学表征显示，硅橡胶弹性体比当前3D打印材料（弹性模量：0.85–1.02 N/mm2）更接近天然血管组织（弹性模量：0.02–1.16 N/mm2），但两者均无法复现组织的非线性行为；(5) 可解释人工智能方法（Grad-CAM、SHAP、LIME）的使用日益增多，但缺乏标准化验证方案和临床专家参与评估。

结论

基于深度学习的多模态融合在推进脑血管外科规划方面展现了巨大潜力，但在小血管分割、生物力学材料保真度、标准化验证框架及前瞻性临床验证方面仍存在关键差距。未来研究应优先发展基础模型、物理信息神经网络、具有可编程特性的多材料3D打印技术以及以人为中心的可解释性评估，以促进临床转化。