综述：人工智能在颅内动脉瘤检测、破裂风险评估与预后评价中的应用：最新进展与临床整合

《Diagnostics》：Artificial Intelligence for Intracranial Aneurysm Detection, Rupture-Risk Prediction, and Prognosis Evaluation: Recent Advances and Clinical Integration

　　

颅内动脉瘤破裂是出血性卒中的主要原因，也是导致人类死亡的重要因素。随着人工智能（artificial intelligence，AI）的出现，特别是机器学习（machine learning，ML）和深度学习（deep learning，DL）的发展，一系列新方法被引入以改善动脉瘤检测、破裂评估、风险预测和预后评价。本叙述性综述综合了通过PubMed、Scopus、Web of Science和IEEE Xplore检索确定的21项同行评审研究的结果，检索时间覆盖2025年6月至9月。所综述的研究基于临床、形态学、影像组学和血流动力学数据，考察了AI在动脉瘤检测、破裂评估与风险预测以及预后评价中的应用。所综述的研究采用了不同的AI方法，包括传统ML算法、卷积神经网络（convolutional neural network，CNN）、基于Transformer的模型、影像组学和多模态模型。多项研究报告了在动脉瘤检测、分割、破裂评估和预后评价方面令人鼓舞的性能，部分方法的表现优于传统临床评分系统。然而，仍存在重要局限性，包括频繁使用小样本或单中心数据集、外部验证有限，以及影像采集协议和特征提取方法的异质性。AI在支持颅内动脉瘤管理方面展现出强大潜力。然而，仍需进一步研究，特别是通过多中心和外部验证、改进模型可解释性和鲁棒性，以及更好地将这些系统整合到临床工作流程中。

1. 1.
   引言

颅内动脉瘤的评估和管理中已有多种成熟的临床评分系统，包括PHASES和UIATS。在特定临床场景中也提出了其他风险分层方法，如格拉斯哥动脉瘤评分。然而，这些方法未能充分反映动脉瘤破裂风险的动态性和多因素性质。此外，机器学习的最新发展催生了一批AI驱动的模型，这些模型整合了患者病史、血流模拟和影像生物标志物等细粒度数据。此类模型旨在将动脉瘤分类为高风险或稳定型，从而辅助临床医生更有效地进行临床评估。这些技术不仅用于评估动脉瘤破裂风险，也用于分析临床症状。动脉瘤破裂后，快速评估并识别受累区域有助于实现更快、更有效的干预，从而提高及时干预的概率，避免进一步损害并改善患者生存率。例如，可利用影像技术及时进行评估，并确定哪种干预技术最有利于治疗成功。尽管前72小时被认为是干预最关键的窗口期，但手术干预并非总能在此最佳时间窗内实施。已有专门研究利用AI技术展示并量化患者在接受手术治疗后的预后。本文将对若干此类文献进行综述，以更好地评估其应用现状。AI在颅内动脉瘤分析中的一般工作流程如图1所示，涵盖从数据源信息收集到模型开发和临床整合的完整流程。

1. 2.
   文献筛选与综述方法

本研究为叙述性文献综述，主要关注AI在颅内动脉瘤检测、破裂风险预测和预后评估中的最新进展。本综述旨在提供当前方法论和新兴趋势的结构化、最新概述，而非进行正式的系统评价或荟萃分析。作者通过检索PubMed、Scopus、Web of Science和IEEE Xplore等主要科学数据库筛选文献，检索时间为2025年6月至9月。纳入综述的文献主要发表于2020年至2025年间，以反映AI方法及其临床整合的最新发展。检索策略基于关键词组合，如"颅内动脉瘤"、"人工智能"、"机器学习"、"深度学习"、"破裂预测"、"影像组学"和"动脉瘤检测"。通过所选文献的参考文献追踪确定了其他相关出版物。所有标题、摘要和结论均经过相关性筛选，去除重复文献，并根据方法学相关性和对综述目标的贡献对全文文章进行评估。综述主要纳入直接涉及颅内动脉瘤检测、破裂风险预测、预后评估、分割或AI辅助影像分析的研究。最终纳入21项研究，这些研究来自多个国家和地区，反映了国际社会对AI在医学中应用日益增长的兴趣。

1. 3.
   动脉瘤破裂的临床与形态学预测因子

3.1 临床预测因子

临床特征仍是评估动脉瘤稳定性和破裂风险的基础。高血压通过诱导内皮功能障碍、内弹力层破坏和进行性血管壁退变，同时放大血流动力学应力，是最强的可改变破裂风险因素之一。年龄方面，虽然动脉瘤患病率随年龄增长而增加，但破裂风险呈非线性模式，年轻患者常表现为侵袭性动脉瘤生物学特征，而老年患者则因累积性血管壁脆弱性和合并症而发生破裂。吸烟通过加速细胞外基质降解、损害胶原交联并增强慢性炎症，研究显示吸烟约使破裂风险加倍。家族史和遗传因素方面，埃勒斯-当洛斯综合征、常染色体显性多囊肾病和马凡综合征等疾病易导致多发性动脉瘤和更早破裂。性别方面，女性尤其绝经后女性因雌激素介导的血管变化而具有更高的破裂风险。

3.2 形态学预测因子

基于CTA、MRA和DSA获得的形态学特征可提供对生物力学应力和血管壁完整性的洞察。动脉瘤大小和尺寸比方面，大小>7 mm增加破裂风险，尺寸比已在多项研究中得到验证。纵横比方面，纵横比>1.6与血流紊乱和炎症性血管壁退变相关。不规则血管壁形态方面，囊泡、分叶和子囊与破裂密切相关。位置方面，后交通动脉、前交通动脉和基底动脉尖动脉瘤因复杂的分叉部血流动力学而表现出更高的破裂风险。壁面剪切应力方面，异常壁面剪切应力状态驱动内皮损伤或炎症，AI模型将壁面剪切应力与影像组学和形态学因素整合。既往蛛网膜下腔出血史方面，既往动脉瘤破裂史与其他现存动脉瘤破裂风险增加相关，反映了潜在的血管脆弱性。

1. 4.
   人工智能用于颅内动脉瘤破裂评估与风险预测

多项研究探索了ML和DL技术在颅内动脉瘤破裂评估和风险预测中的应用。这些方法通过整合临床、形态学、影像组学和血流动力学特征等多样化数据源，旨在改进传统临床评分系统。一项PRISMA指导的系统评价总结了2013年至2023年间考察ML方法评估动脉瘤破裂和稳定性的文献，模型使用了从经典ML算法到DL方法再到影像组学/CFD增强框架的多种方法。报告的特异性和敏感性往往超过传统临床评分，表明AI方法在不稳定性预测方面具有前景。但所分析研究普遍存在样本量较小、缺乏多中心数据、影像和分割方案异质性显著、缺乏金标准参考、外部验证不一致以及潜在的自动化偏差等问题。另一项基于PRISMA的荟萃分析从10,307条记录中纳入20项研究，涵盖超过20,000个动脉瘤。模型在内部验证中表现强劲，在许多情况下优于PHASES和ELAPSS等传统评分，但大多数缺乏外部验证。一项回顾性研究评估了TransIAR Net，这是一种端到端3D深度学习模型，可直接从CTA体数据预测动脉瘤破裂状态，其性能优于基于形态学的基线模型。Delucchi等人使用贝叶斯网络映射破裂风险因素之间的相互依赖关系，确定了动脉瘤大小、位置、家族史和诊断年龄与破裂直接相关，贝叶斯网络提供了可解释的概率推理。更广泛的荟萃分析证据包括36项研究、超过22,000名患者，基于25种不同算法，总体表明ML技术比传统评分系统具有更高的特异性和改进的AUC。在血流动力学信息方面，一项基于112名患者的研究使用时间速度信息学框架分析速度场的时间动态，支持向量机实现了AUC为0.92、准确率为86%的预测性能。然而，对于小于5 mm的小型颅内动脉瘤，现有模型可靠性明显降低。在多发性颅内动脉瘤患者中，基于形态学和解剖特征的ML模型实现了AUC为0.843。此外，基于影像的框架已实现从血管造影数据自动预测破裂风险，一项研究结合nnU-Net血管分割和PointNet++特征提取，随机森林达到最佳性能。最后，一项多中心队列研究使用商业Viz ANEURYSM 3D CNN系统分析了1191例CTA扫描，结果表明AI工具可有效增强临床检测并减少观察者间差异。

1. 5.
   人工智能用于颅内动脉瘤预后与结局预测

AI方法越来越多地应用于颅内动脉瘤患者以预测临床结局和预后。ML模型通过整合临床特征、影像发现以及部分情况下的血流动力学参数等异质数据源，旨在改善风险分层和支持个性化决策。一项针对229例后循环动脉瘤患者的回顾性研究使用ML模型识别与破裂和复发相关的因素，发现年龄、动脉瘤大小、高血压和吸烟史与复发密切相关。Minardi等人考察了ML模型预测破裂前交通动脉瘤显微手术夹闭后结局的能力，整合了临床、影像学和术中及术后特征。Zhang等人应用多种模型预测动脉瘤性蛛网膜下腔出血患者的结局，确定了中性粒细胞-淋巴细胞比率为关键预测因子，全连接神经网络表现最佳。Lei等人提出了一种改进的XGBoost框架结合优化特征选择算法，用于预测血管内治疗后六个月结局，性能优于逻辑回归、支持向量机和反向传播神经网络。Shi等人的综述总结了AI在颅内动脉瘤管理中的新兴应用。Habibi等人进行的系统评价和荟萃分析表明，人工神经网络、支持向量机和集成方法可成功预测治疗后的闭塞和复发。

1. 6.
   深度学习与基于影像的颅内动脉瘤检测方法

影像组学通过从CTA和MRA等影像模态中提取高维定量特征，可揭示视觉检查可能遗漏的细微影像模式。深度学习方法可直接分析血管影像进行动脉瘤检测、分类和分割。影像模态的选择对AI模型的性能和临床适用性有重大影响。CTA提供高空间分辨率，TOF-MRA提供无辐射血管成像，DSA因其优越的时空分辨率仍是血管表征的参考标准。Hu等人进行了一项综合性多中心研究，使用超过16,000例CTA扫描创建了检测颅内动脉瘤的深度学习模型，实现了0.957的患者水平敏感性，优于人工阅片者并显著缩短了解读时间，超过90%的临床医生对其整合表示高度信心。Ham等人开发了基于TOF-MRA的自动动脉瘤检测和分割框架，采用基于骨架的3D补丁提取策略，结合语义分割和辅助分类分支，内部准确率为0.91，外部准确率为0.88。Hlavata等人提出了一种基于CT扫描的高计算效率CNN架构，仅由三个卷积层组成，实现了98%的分类准确率，几乎匹配更深层模型的性能，同时计算需求极低。Paralic等人构建了混合3D CNN-ConvLSTM架构，整合空间和时间信息，实现了97.8%的准确率。Gilotra等人的综述指出，U-Net、DeepMedic和RetinaNet等架构在回顾性研究中敏感性接近90-100%的阈值。

1. 7.
   深度学习架构

在综述的颅内动脉瘤检测、分割和风险评估研究中，最佳结果主要得益于深度学习架构的支持。卷积神经网络及其衍生架构在该领域占主导地位，3D CNN、U-Net、残差网络以及结合循环或注意力机制的混合模型进一步扩展了捕获体积、上下文和时间特征的能力。

7.1 卷积架构

经典CNN广泛用于从血管造影和断层数据中提取形态学和纹理线索。轻量级2D CNN在动脉瘤分类中实现了约98%的准确率，同时保持低计算成本。更深的残差变体如ResNet50-152提供增强的泛化能力，但需要更多数据和计算资源。

7.2 面向分割的框架

基于U-Net的架构已被广泛采用。带有注意力和多任务学习的3D U-Net解决了TOF-MRA图像中的类别不平衡问题，实现了0.91的内部准确率和0.88的外部准确率，同时保持了对小动脉瘤的敏感性。

7.3 混合与时间模型

3D CNN-ConvLSTM架构联合建模血管造影扫描中的空间和时间信息，实现了97.8%的准确率，优于2D CNN基线。此类混合设计反映了向血流动力学和影像数据多模态融合的转变。

7.4 注意力与基于Transformer的模型

新兴研究正在探索注意力机制和视觉Transformer，通过关注3D体数据中的显著区域来增强特征定位和上下文感知。3D Transformer-CNN模型通过建模血管网络中的长程依赖关系，性能优于传统CNN。

7.5 训练策略与数据增强

由于动脉瘤数据集可用性有限，训练常采用跨模态迁移学习、数据增强和正则化等策略。分割任务常用Dice和交叉熵相结合的混合损失函数。多中心数据和合成数据生成对模型泛化和临床转化仍至关重要。

7.6 从检测到风险预测

虽然大多数架构侧重于检测动脉瘤，但下一代深度学习模型正朝着整合临床变量与血流动力学和影像组学特征以产生定量破裂风险评估的方向发展。

1. 8.
   评估与验证

综述研究使用了广泛的性能指标和验证策略。常用评价指标包括准确率、F1分数、敏感性、特异性、精确率和受试者工作特征曲线下面积，以及校准图。大多数团队实施了交叉验证技术，部分研究同时进行了内部和外部验证。仅有限数量的研究纳入了外部验证数据集，部分研究报告了在独立数据集上评估时预测性能的小幅下降。ML模型在与既定临床评分系统直接比较时经常表现出优越的判别能力。在影像中心的工作中，ML系统提高了检测和分割准确性，并与放射科医生有效协作。AI系统的临床实施应在判别指标之外进行评估，需仔细评估校准、阈值选择以及假阳性和假阴性预测的潜在影响。

1. 9.
   可解释性与信任

基于AI的动脉瘤分析系统越来越多地整合SHAP、LIME和显著性图等可解释性工具。这些技术有助于识别哪些特征或影像区域对模型预测贡献最大，并可能提高临床医生在高风险决策场景中的信心。然而，可解释性技术因其对数据集组成、特征相关性和模型架构的敏感性而难以实施。技术可解释性并不总能转化为临床上有意义的可解释性。文献还强调模型可靠性可能因患者亚组而异，特别是小动脉瘤的预测性能降低。端到端框架通过结合自动分割和特征提取，有助于提高模型流程的透明度。Hu等人的研究表明，用于CTA颅内动脉瘤检测的深度学习模型在多家医院获得了超过90%的临床医生接受度。

1. 10.
   临床整合挑战

AI系统在受控研究环境中表现强劲，但重大障碍限制了临床部署。影像异质性和诊断变异性影响影像组学和几何特征的可重复性。实时临床工作流程约束要求快速、稳健的PACS集成AI工具。临床医生需要可解释的AI和高风险治疗决策的置信度指标。AI误分类引发了未解决的医疗法律问题。神经影像数据的隐私约束限制了数据集共享能力，联邦学习可能有所帮助但仍具挑战性。大多数AI动脉瘤研究是回顾性的，临床采用前需要前瞻性试验。尽管研究性能令人鼓舞，但只有有限数量的颅内动脉瘤分析AI系统已推进到常规临床部署或监管批准。

1. 11.
   讨论

尽管AI在颅内动脉瘤管理中的应用提供了显著的性能提升，但仍面临可重复性、泛化性以及建立临床信任方面的挑战。跨学科合作对于改进模型、在多机构数据集中验证以及开发临床上有意义的风险沟通方式至关重要。综述研究表明，AI模型的性能在很大程度上取决于数据类型、临床任务和验证方法。由于数据集、样本量、影像模态、验证方法和评估结局的差异，这些研究报告的性能不能总是直接比较。类别不平衡是另一个重要局限性。方法学细节报告的变异性也限制了研究间的比较。从临床角度看，模型开发期间获得的高性能并不一定表明在不同医院、扫描仪、患者群体或临床工作流程中具有相同性能。AI模型的临床价值不仅取决于其报告的准确率或AUC，还取决于外部验证、鲁棒性、可解释性以及在不干扰现有工作流程的情况下支持临床决策的能力。

1. 12.
   结论

本综述强调了AI、ML和DL在颅内动脉瘤检测、破裂风险预测和预后评估中日益增长的作用。多项研究在提高动脉瘤检测准确性、支持破裂风险分层和辅助预后评估方面展示了令人鼓舞的结果。综述研究还展示了AI架构和分析方法的快速演进，包括基于CNN的模型、基于Transformer的模型、影像组学框架和多模态预测系统。然而，重要局限性仍然存在，包括数据集异质性、外部验证有限、影像方案变异以及临床整合和可解释性方面的挑战。未来研究应侧重于多中心验证、改进模型可解释性、增强不同人群中的鲁棒性，以及将这些技术整合到现有临床工作流程和决策支持系统中。总体而言，尽管在验证、鲁棒性和临床整合方面仍存在重大挑战，基于AI的方法代表了改善颅内动脉瘤检测、破裂风险预测和预后评估的有前景方向。