用于基于人工智能(AI)的血管内导航(endovascular navigation)的血管几何特征表征(Vascular Geometry Characterization)
《International Journal of Computer Assisted Radiology and Surgery》：Vascular geometry characterization for AI-based endovascular navigation
编辑推荐：
目的 机械取栓(Mechanical Thrombectomy, MT)是急性缺血性卒中的时间依赖性干预手段，但受限于神经放射学家及专科中心短缺而难以普及。强化学习(Reinforcement Learning, RL)有望实现血管内导航自动化并提高可及性，然
目的 机械取栓(Mechanical Thrombectomy, MT)是急性缺血性卒中的时间依赖性干预手段，但受限于神经放射学家及专科中心短缺而难以普及。强化学习(Reinforcement Learning, RL)有望实现血管内导航自动化并提高可及性，然而现有模型缺乏评估导航难度的标准化框架以用于模型训练与评估。本研究旨在识别与导航难度相关的血管形态学指标，并开发用于定量提取血管特征的自动化流程，为未来建立血管复杂度分级奠定基础。方法 从61例患者的计算机断层扫描血管造影(Computed Tomography Angiography, CTA)中分割血管树，利用自定义流程测量主动脉弓类型(aortic arch type)、牛型弓(bovine arch)存在与否、血管长度、迂曲度(tortuosity)、发出角度(take?off angle)及反向弯曲(reverse curves)数量。采用软演员?评论家(Soft Actor?Critic, SAC) RL算法进行120 s自主导航，使用混合效应线性及logistic回归分析结局。结果 左侧：牛型弓与Ⅱ/Ⅲ型主动脉弓分别使导航时间增加30.19 s与37.92 s，更高迂曲度(β = 118.20)进一步延长操作时间并降低成功概率。右侧：Ⅱ/Ⅲ型主动脉弓使操作时间延长45.94 s，每额外一个反向弯曲关联3.96 s时间延长及更低成功率。结论 上述发现首次证明MT智能体导航难度受血管几何特征显著影响。所提出的自动化流程可实现血管特征的客观定量表征，为未来开发标准化复杂度分级及RL模型评估提供基础，而非旨在证明临床可推广的自主导航能力。研究人员用于自动血管指标量化的代码详见 http://github.com/SurgicalDataScienceKCL/AI-VascularGeometryCharacterisation
论文解读：《用于基于人工智能(AI)的血管内导航(endovascular navigation)的血管几何特征表征(Vascular Geometry Characterization)》
该论文发表于International Journal of Computer Assisted Radiology and Surgery。
研究背景
机械取栓(Mechanical Thrombectomy, MT)是大血管闭塞所致急性缺血性卒中的金标准治疗，但农村及偏远地区因缺乏神经放射学专家及专科中心导致及时救治受限。强化学习(Reinforcement Learning, RL)被认为是支持或自动化MT术中血管内导航、提升基层可及性的潜在手段，然而当前RL模型缺乏标准化的血管形态学量化指标来评估导航难度，致使不同研究间模型性能难以比较。此外，现有开源基准多依赖简化血管几何，真实患者血管数据集稀缺且未对血管几何复杂度进行定量描述。临床研究表明血管解剖（如迂曲度tortuosity）影响操作时间，但哪些具体血管特征最显著关联导航难度尚无共识。因此，建立自动化、标准化的血管几何量化流程并明确其与RL智能体导航表现的关系具有重要研究价值。
研究人员通过开展基于61例真实患者CTA衍生血管树的自动化血管特征提取，结合为每个解剖环境单独训练的Soft Actor?Critic(SAC) RL自主导航智能体，利用混合效应回归模型分析血管几何指标与导航结局（操作时间、成功率、路径比path ratio）的关联，首次系统揭示了影响AI?based血管内导航难度的关键解剖因素，并提出可保护患者隐私的血管特征量化与基准测试框架。
主要关键技术方法
研究人员选取经伦理批准的61例患者CTA数据，使用3D Slicer及Vascular Modeling Toolkit(VMTK)分割脑动脉血管树并提取中心线(centerline)。基于自定义Python(v3.12.4)流程自动量化八项血管形态几何指标：主动脉弓类型（按头臂干Brachiocephalic Artery, BCA起源至弓顶垂直距离＜1倍/1～2倍/＞2倍左颈总动脉Left Common Carotid Artery, LCCA平均直径分为Ⅰ/Ⅱ/Ⅲ型）、牛型弓(bovine arch，BCA与LCCA共干)、CCA起源至颈总动脉分叉长度、迂曲度（测地长度/欧氏长度）、BCA/右颈总动脉Right Common Carotid Artery, RCCA/LCCA起始平均半径、发出角度take?off angle（分支近段中心线与主动脉弓方向矢量夹角）、反向弯曲reverse curves数量（局部中心线段与全树奇异值分解主轴夹角＞100°）。针对每例血管树分别训练SAC RL智能体完成降主动脉顶端→RCCA及→LCCA两项导航任务，各进行20次评估（超时120 s）。采用含随机截距的混合效应线性模型分析连续结局（操作时间、路径比），混合效应logistic回归分析二分类成功与否，通过赤池信息量准则(Akaike Information Criterion, AIC)优选变量组合(p＜0.05为显著)。
研究结果
Vascular morphological, geometrical, and demographic metrics
右侧CCA长度均值(163.8 mm)大于左侧(145.9 mm)且变异更大，右侧路径迂曲度(1.31)高于左侧(1.19)；反向弯曲主要见于右侧路径且在个体间差异大。
Performance metrics distribution
左侧导航成功率低于右侧（均值0.293 vs 0.593，中位数0.100 vs 0.850），左侧操作时间更长（均值91.7 s vs 62.5 s，中位数114.7 s vs 44.9 s），右侧路径比更接近目标（均值0.760 vs 0.610）。
Association between vascular features and outcomes
左侧路径比模型中牛型弓显著降低路径比(β = ?0.14, p＜0.05)；左侧时间模型中牛型弓(β = 30.19 s)、Ⅱ/Ⅲ型主动脉弓(β = 37.92 s)及增大之迂曲度(β = 118.20)均显著延长导航时间，logistic模型显示这些特征亦降低成功概率；较大LCCA发出角度与更高导航成功几率相关(OR = 1.86, p＜0.05)。右侧路径比模型中牛型弓显著降低路径比(β = ?0.27, p＜0.05)；右侧时间模型中Ⅱ/Ⅲ型主动脉弓(β = 45.94 s)及反向弯曲数增加(β = 3.96 s/个)显著延长操作时间，二者亦显著降低导航成功概率(分别为β = ?0.45, β = ?0.04, p＜0.05)；较大BCA发出角度与更高右侧导航成功几率相关(OR = 1.18, p＜0.05)。
讨论与结论
讨论指出，既往关于发出角度及动脉起始半径影响导航难度的论述多源于专家经验而非系统量化评估，而牛型弓及主动脉弓分型对MT的影响报道不一。本研究发现Ⅱ/Ⅲ型主动脉弓双侧均显著延长导航时间并降低成功率；左侧牛型弓延长操作时间系因其改变LCCA起始致导航更复杂，而右侧RCCA独立起源于BCA故不受影响；迂曲度仅在左侧（CCA段）呈显著关联，右侧因AIC准则未入选，可能与导航止点仅至CCA分叉（不含颈内动脉Internal Carotid Artery, ICA虹吸部）及基于RL一致性仿真有关；反向弯曲主要见于右侧BCA?RCCA路径且与更差表现相关，左侧少见故无显著效应。局限性含导航为in silico RL仿真未与术者对照、每血管单独训练限制跨解剖泛化探讨、导航仅至CCA未延至ICA、样本量适中限制非线性建模、未纳入年龄性别等临床变量。未来需扩大队列、临床验证及拓展至远端血管段，并探索基于难度分层的解剖泛化训练。
结论（译文）
研究人员证明了系统量化血管几何并探究其与MT中基于RL导航表现关联的可行性。首次建立了客观提取血管形态几何特征并评估其与导航结局关系的自动化流程。确定主动脉弓类型、牛型弓存在及反向弯曲数为显著影响导航难度的关键解剖因素。该工作凸显了结合自动血管指标量化与RL仿真以标准化复杂度评估和模型评价之潜力。所提框架基于CTA衍生血管中心线运行，可在不共享原始影像前提下实现多中心性能比对与基准测试，从而兼顾患者隐私。本文中RL被用作标准化in silico操作者以探测解剖依赖性导航难度，而非旨在演示临床可推广的自主导航。未来研究应扩展数据集、纳入临床验证并将框架推向真实血管内导航及大规模标准化RL模型评估。
