颅内动脉瘤治疗中Pipeline Embolization Device尺寸选择的多模态深度学习与知识增强智能决策支持系统

《CNS Neuroscience & Therapeutics》：Multimodal Deep Learning and Knowledge-Enhanced Intelligent Decision Support System for Pipeline Embolization Device Size Selection in Intracranial Aneurysm Treatment

　　

本研究旨在开发端到端智能决策支持系统NeurAneuNet，以自动化颅内动脉瘤治疗中Pipeline Embolization Device（PED）的尺寸与着陆区选择，从而降低对操作者经验的依赖并提升规划一致性。方法上，NeurAneuNet整合多模态深度学习与知识增强：采用双路径注意力U-Net++处理三维旋转造影（3DRA）图像实现动脉瘤分割；提取知识增强的几何与临床特征；通过张量分解融合五种特征模态；并利用高阶Kolmogorov–Arnold网络（KAN）预测最优PED尺寸与着陆区。研究使用600例动脉瘤数据（含210例PED治疗病例）进行开发与验证，并以21例独立临床队列评估现实效用。结果方面，动脉瘤分割Dice系数为0.874±0.03，PED尺寸分类准确率91.8%，直径预测误差0.24±0.10 mm；独立测试中首要推荐与专家共识一致率达95.2%；辅助临床医生时规划时间减少44.8%，NASA-TLX认知负荷由33±8降至21±5。结论为NeurAneuNet在自动化PED治疗规划中展现出临床相关准确性与效率，为颅内动脉瘤介入提供稳健智能支持，并为复杂医学场景可泛化AI驱动决策框架奠定基础。

研究背景与立项依据

颅内动脉瘤破裂可致蛛网膜下腔出血（subarachnoid hemorrhage, SAH），30天死亡率达40%–50%。Pipeline Embolization Device（PED）作为首个血流导向装置改变了复杂颅内动脉瘤治疗范式，但其疗效高度依赖尺寸选择与母体血管内部精准放置。当前临床工作流存在三重瓶颈：传统分割与测量耗时且观察者间变异大；关键解剖参数手动测量缺乏一致性；PED尺寸与着陆区确定需整合形态、几何与血流动力学多维参数，即便资深术者亦难高效完成。虽有深度学习在血管分割上取得进展（如多尺度注意力与拓扑约束网络），但尚缺从影像到治疗规划的端到端决策框架。为此，研究人员开发NeurAneuNet，桥接分割、知识增强特征提取、多模态融合与规划推荐。

主要技术方法概览

研究人员自中国人民解放军总医院第一医学中心采集2017年9月至2025年2月颈内动脉海绵窦段至交通段间颅内动脉瘤患者数据，其中210例接受PED（Medtronic Pipeline Flex/Shield）治疗，另390例非PED病例用于分割与测量建模；PED队列按7:1:2分训练/验证/测试，并自第六医学中心取21例独立外部队列做临床效用评估。技术链涵盖：局部自适应归一化与多尺度高斯金字塔各向异性扩散预处理；双路径注意力残差U-Net++配WGAN-GP对抗训练做动脉瘤分割；Marching Cubes提取中心线几何参数，ComplEx张量分解获知识图谱嵌入经双向GRU融合并由CP分解做五模态（图像/几何/知识/表格/时序）外积高阶融合；基于Kolmogorov–Arnold表征定理构多项式基的高阶KAN输出型号分类、直径长度回归（混合密度网络负对数似然）及带几何约束损失的着陆区预测；八卡A100上分五阶段联合训练（分割预训200轮、对抗100轮、几何知识150轮、融合KAN120轮、端到端微调50轮），余弦退火与贝叶斯调参。

研究结果

3.1 整体模型性能分析：在内部测试集（n=42）NeurAneuNet动脉瘤分割Dice 0.874±0.03，微小型（<5 mm）Dice 0.748±0.08；HD95 4.5±1.6 mm，平均表面距0.52±0.15 mm，灵敏度92.5%、特异度97.8%。颈宽边界Dice 0.865±0.03。PED型号分类准确率均数91.8%（区间87.2%–94.2%），直径误差0.24±0.10 mm，短PED长误1.08–1.45 mm、长PED 1.50–1.82 mm；近侧着陆偏移1.52±0.47 mm、远侧2.38±0.69 mm。外部21例队列首推与专家标准一致20/21（95.2%）。形态参数Bland–Altman显示AI与手工最大径偏差+0.09~+0.12 mm，ICC 0.872–0.941。

3.2 模型性能细析：按形态复杂度指数（MCI）分层，规则（MCI<0.3）Dice 0.891、准确率94.9%；高复杂（MCI≥0.6）降至0.848与87.2%。宽颈（≥0.5）准确率89.7%低于窄颈93.4%。单发动脉瘤Dice 0.882、准确率93.2%显著优于多发（0.856、88.5%，p<0.05），直径/长度误差与着陆偏移均以多发更高。

3.3 多模态融合与特征贡献：单用图像特征准确率79.4%（贡献34.2%），几何75.6%（28.5%），知识/表格/时序分别15.6%/10.3%/11.4%；消融去掉图像跌12.4%、几何跌8.2%。张量分解融合91.8%优于拼接86.3%与双线性89.2%。模态交互张量示图像-几何占32.5%、几何-知识24.8%，且交互强度与病例复杂度正相关（r=0.68）。融合后类内距降42.3%、类间距增35.7%。

3.4 临床应用统计评估：6名术者（高/中/初各2）在21例上双盲对照，AI辅助使全体规划时间672±225 s降至371±51 s（p<0.01），初级由933±76降至381±51 s；NASA-TLX由33±8降至21±5；医师-最优标准一致率由83.3%（105/126）升至96.0%（121/126），中级由80.9%升至95.2%，初级由69.0%升至92.9%，高级维持100%。

讨论部分总结

研究人员指出NeurAneuNet分割Dice与TransBTS相当且HD95低8.2%，各临床阈值达标率97.3%（Dice≥0.85）等逾九成。短PED优于长PED、近端优于远端、大径长径误差大均契合解剖复杂性。失败模式三主类为复杂形态（62.3%）、边界不清（24.5%）、微动脉瘤（13.2%），近型号阈值±0.1 mm案精度降3.5%。张量分解融合较传统法在宽颈动脉瘤提5.4%–9.8%。局限含单中心数据、巨/微动脉瘤样本少、未纳血流动力学模拟、未评术后安全与闭塞、仅Medtronic两款PED。未来方向列六条：多中心异构数据+域适应/联邦学习、WGAN合成罕见解剖、耦计算流体力学或图神经网络、加术后随访、真实部署迭代、扩多品牌FD。

结论翻译

本研究呈递NeurAneuNet——一个整合多模态深度学习与知识增强的端到端智能决策支持系统。通过结合3DRA图像分割、几何特征提取、知识图谱嵌入、基于张量分解的多模态融合与高阶KAN，NeurAneuNet实现从3DRA图像到PED尺寸选择与着陆区放置的全自动引导。系统在临床相关准确性、效率与适用性上表现突出，为颅内动脉瘤介入提供稳健智能支持，并为其他复杂医学决策挑战的AI驱动方案提供可泛化框架。

（注：全文依原文浓缩，未引文献标号与图号，上标下标以示，如Dice 0.874±0.03、HD⁹⁵、±0.10 mm、Kolmogorov–Arnold、3DRA、NASA-TLX等皆循原文大小写与上下标；作者Zhihong Wen等及期刊CNS Neuroscience均保留原貌。）