一种全自动的深度学习流程系统，用于颈动脉斑块分割和多对比度核磁共振成像（MRI）下的斑块脆弱性分类：一项多中心研究

《BMC Medicine》：A fully automated deep learning pipeline system for carotid plaque segmentation and vulnerability classification on multi-contrast MRI: a multicenter study

　　

摘要

背景

颈动脉易损斑块的破裂是缺血性中风的主要原因。然而，利用医学影像准确识别高风险斑块在很大程度上依赖于放射科医生的专业技能。本研究旨在开发一种人工智能（AI）系统，利用高分辨率血管壁成像（HR-VWI）技术自动分割和分类颈动脉斑块，以辅助诊断工作流程。

方法

研究共纳入了2019年1月至2025年7月期间来自四个中心的1315名患者的1610条颈动脉数据，这些患者均接受了多对比度HR-VWI检查。数据集被划分为训练集、内部测试集、外部测试集和前瞻性测试集。开发了一种完全自动化的颈动脉斑块处理系统（CFAPS），用于执行斑块分割和易损性分类。分割性能通过Dice相似系数（DSC）进行评估，分类性能通过曲线下面积（AUC）进行评估，并通过Grad-CAM热图和组织病理学结果进行可视化。对比了CFAPS与放射科医生的诊断性能和效率。在对前瞻性队列患者进行¹⁸F-FDG PET/MRI检查时，还比较了CFAPS分类的易损斑块组和稳定斑块组的最大标准化摄取值（SUVmax）以及组织与背景比值（TBR）。此外，还对两个随访中心的患者进行了Kaplan-Meier分析，以评估无中风生存情况。

结果

CFAPS在内部测试集、外部测试集和前瞻性测试集上的DSC分别为0.863?±?0.064、0.855?±?0.122和0.857?±?0.069。在易损性分类方面，其AUC分别为0.942（95%置信区间[CI]：0.899–0.975）、0.884（95% [CI]：0.837–0.924）和0.923（95% [CI]：0.872–0.963）。Grad-CAM能够定位高风险特征，这一结果得到了组织病理学的验证（准确率为0.881，κ?=?0.73）。CFAPS的表现优于经验较少的放射科医生（斑块成像经验2年），并将分析时间从每例71.63秒缩短至0.53秒，同时提高了读取者间的不一致性（κ值从0.49–0.57提高到0.72–0.75）。CFAPS识别的易损斑块的SUVmax和TBR显著高于稳定斑块（p值均<0.001）。此外，CFAPS的风险分类与患者的无中风生存情况显著相关（中心1：HR?=?4.34，p<0.001；中心2：HR?=?8.89，p<0.001）。

结论

CFAPS系统利用多对比度HR-VWI实现了颈动脉斑块的全自动、稳健且可解释的分割和风险分层，显示出强大的泛化能力和临床实用性。

背景

颈动脉易损斑块的破裂是缺血性中风的主要原因。然而，利用医学影像准确识别高风险斑块在很大程度上依赖于放射科医生的专业技能。本研究旨在开发一种人工智能（AI）系统，利用高分辨率血管壁成像（HR-VWI）技术自动分割和分类颈动脉斑块，以辅助诊断工作流程。

方法

研究共纳入了2019年1月至2025年7月期间来自四个中心的1315名患者的1610条颈动脉数据，这些患者均接受了多对比度HR-VWI检查。数据集被划分为训练集、内部测试集、外部测试集和前瞻性测试集。开发了一种完全自动化的颈动脉斑块处理系统（CFAPS），用于执行斑块分割和易损性分类。分割性能通过Dice相似系数（DSC）进行评估，分类性能通过曲线下面积（AUC）进行评估，并通过Grad-CAM热图和组织病理学结果进行可视化。对比了CFAPS与放射科医生的诊断性能和效率。在对前瞻性队列患者进行¹⁸F-FDG PET/MRI检查时，还比较了CFAPS分类的易损斑块组和稳定斑块组的最大标准化摄取值（SUVmax）以及组织与背景比值（TBR）。此外，还对两个随访中心的患者进行了Kaplan-Meier分析，以评估无中风生存情况。

结果

CFAPS在内部测试集、外部测试集和前瞻性测试集上的DSC分别为0.863?±?0.064、0.855?±?0.122和0.857?±?0.069。在易损性分类方面，其AUC分别为0.942（95%置信区间[CI]：0.899–0.975）、0.884（95% [CI]：0.837–0.924）和0.923（95% [CI]：0.872–0.963）。Grad-CAM能够定位高风险特征，这一结果得到了组织病理学的验证（准确率为0.881，κ?=?0.73）。CFAPS的表现优于经验较少的放射科医生（斑块成像经验2年），并将分析时间从每例71.63秒缩短至0.53秒，同时提高了读取者间的不一致性（κ值从0.49–0.57提高到0.72–0.75）。CFAPS识别的易损斑块的SUVmax和TBR显著高于稳定斑块（p值均<0.001）。此外，CFAPS的风险分类与患者的无中风生存情况显著相关（中心1：HR?=?4.34，p<0.001；中心2：HR?=?8.89，p<0.001）。

结论

CFAPS系统利用多对比度HR-VWI实现了颈动脉斑块的全自动、稳健且可解释的分割和风险分层，显示出强大的泛化能力和临床实用性。