摘要
背景：神经外科高度依赖植入式生物材料，颅内动脉瘤（IAs）的血管内治疗即为典型范例，因为线圈、血流调节器和囊内装置只有依靠囊内血栓机化及瘤颈的内皮覆盖才能实现持久闭塞，而这两者均受局部血流环境影响。计算流体力学（CFD）可解析该环境，但速度过慢且过于依赖求解器，无法满足临床或器械设计需求。图神经网络与几何深度学习可直接在表征血管解剖结构和植入支架的非结构化网格上运行，被提出作为弥补这一差距的技术。方法：检索截至2026年7月29日的四个数据库，查找基于图或几何深度学习应用于动脉瘤几何形态且具有血流动力学或临床结局的原始研究。筛选和提取由双人独立完成；偏倚风险采用PROBAST及人工智能信号项评估，报告遵循TRIPOD+AI，综合遵循SWiM。结果：共纳入12项研究（2021年至2026年）：7项临床研究（1965个动脉瘤，外加81个外部数据）和5项计算研究（最多984个几何模型）。学习到的几何表征在区分破裂、增长和栓塞术后再通方面优于形态学指标，随后优于PHASES评分，内部验证的曲线下面积达到0.795至0.97。图与点云代理在数秒内（而非数小时）以2%至5%的归一化误差复现了血流动力学场，一种基于Transformer的图网络预测了反应曲面上动脉瘤内血栓形成的范围和时间。两项研究达到了外部验证，一项实现了临床效用；一项外部测试中鉴别能力从0.85降至0.71，基于患者解剖结构的代理误差从4.1%升至19.1%。没有任何模型在植入器械后的几何模型上进行过训练。此外，7项临床研究中有5项对横断面破裂状态进行分类，而非前瞻性地预测未来破裂。结论：图与几何深度学习已大幅降低了血流动力学分析的计算负担，但向未见过的患者特异性解剖结构实现可靠推广仍是相关挑战。共享的患者特异性基准、预设外部验证、校准报告以及将训练语料扩展至植入式解剖结构，是迈向神经血管生物材料虚拟评估的必要下一步。
