综述：人工智能在小型未破裂颅内动脉瘤（≤7 mm）破裂风险分层中的应用：系统综述与荟萃分析

《Journal of Imaging Informatics in Medicine》：Artificial Intelligence for Rupture Risk Stratification of Small Unruptured Intracranial Aneurysms (≤?7 mm): A Systematic Review and Meta-analysis

　　

摘要

小型未破裂颅内动脉瘤（UIAs；≤ 7 mm）总体上具有显著的破裂风险，然而传统评分工具（PHASES、ELAPSS）在该亚组中的表现接近随机水平。本系统综述和Meta分析评估了基于人工智能的模型在小型UIA破裂风险预测中的汇总诊断准确性，并比较了不同算法架构之间的性能。该研究已在PROSPERO前瞻性注册（CRD420251142915），并按照PRISMA-DTA/PRISMA-S标准进行。于2025年10月检索了MEDLINE、Scopus和Web of Science数据库，并于2026年6月更新。纳入的研究将机器学习（ML）、深度学习（DL）、影像组学或计算流体力学集成模型应用于小型UIA。采用三水平随机效应模型，使用限制最大似然估计和Knapp-Hartung校正对受试者工作特征曲线下面积（AUC）进行汇总；通过多变量Meta回归探讨异质性。分别使用QUADAS-3和METRICS评估偏倚风险和报告质量。共纳入10项研究（2019—2025年），涉及5409例患者、7057个动脉瘤和62个模型。汇总AUC为0.793（95% CI 0.754–0.827），敏感性为0.713，特异性为0.780。传统ML的AUC最高（0.827），其次是统计模型（0.779）和DL（0.741）。Meta回归解释了76.2%的方差；统计模型类别是性能较差的唯一显著预测因子（p = 0.002）。10项研究中有9项存在高偏倚风险。未检测到发表偏倚（p = 0.186）。基于人工智能的模型，尤其是传统ML集成架构，在小型UIA破裂风险分层中表现出中等至良好的判别准确性，显著优于传统评分工具。多中心前瞻性注册研究、破裂前影像学方案和可解释的人工智能框架对于支持透明的神经外科决策至关重要。

小型未破裂颅内动脉瘤（UIAs；≤ 7 mm）总体上具有显著的破裂风险，然而传统评分工具（PHASES、ELAPSS）在该亚组中的表现接近随机水平。本系统综述和Meta分析评估了基于人工智能的模型在小型UIA破裂风险预测中的汇总诊断准确性，并比较了不同算法架构之间的性能。该研究已在PROSPERO前瞻性注册（CRD420251142915），并按照PRISMA-DTA/PRISMA-S标准进行。于2025年10月检索了MEDLINE、Scopus和Web of Science数据库，并于2026年6月更新。纳入的研究将机器学习（ML）、深度学习（DL）、影像组学或计算流体力学集成模型应用于小型UIA。采用三水平随机效应模型，使用限制最大似然估计和Knapp-Hartung校正对受试者工作特征曲线下面积（AUC）进行汇总；通过多变量Meta回归探讨异质性。分别使用QUADAS-3和METRICS评估偏倚风险和报告质量。共纳入10项研究（2019—2025年），涉及5409例患者、7057个动脉瘤和62个模型。汇总AUC为0.793（95% CI 0.754–0.827），敏感性为0.713，特异性为0.780。传统ML的AUC最高（0.827），其次是统计模型（0.779）和DL（0.741）。Meta回归解释了76.2%的方差；统计模型类别是性能较差的唯一显著预测因子（p = 0.002）。10项研究中有9项存在高偏倚风险。未检测到发表偏倚（p = 0.186）。基于人工智能的模型，尤其是传统ML集成架构，在小型UIA破裂风险分层中表现出中等至良好的判别准确性，显著优于传统评分工具。多中心前瞻性注册研究、破裂前影像学方案和可解释的人工智能框架对于支持透明的神经外科决策至关重要。