2023年3月21日，上海交通大学电子信息与电气工程学院计算机系、认知机器与计算健康研究中心徐雷教授和涂仕奎副教授课题组，联合温州医科大学附属第一医院放射科杨运俊主任团队在Cell Press细胞出版社旗下期刊Patterns上发表了一篇题为“A deep-learning method for the end-to-end prediction of intracranial aneurysm rupture risk”的研究（博士生李培莹、硕士生刘永昌、周甲丰医生为共同第一作者）。为了能更高效精准地评估颅内动脉瘤的破裂风险从而促进临床医生对动脉瘤患者的精细化管理，降低患者的死亡率，他们提出了第一个端到端的破裂风险预测深度学习模型TransIAR。该模型能从3D-CTA图像数据中自动提取形态学特征用于构建模型来准确预测颅内动脉瘤是否发生破裂；并且该模型的效能显著优于基于人工特征的传统机器学习方法。另外，在临床实验中，TransIAR相比于医生通过手动测量获得的形态学参数构建的预测模型具有更高的准确率和更快的预测速度，进一步表明该模型具有潜在的临床应用前景。
研究亮点
提出了端到端的神经网络模型TransIAR来预测颅内动脉瘤的破裂风险；
该方法可以直接应用于CTA图像而无需再通过人工测量获得形态学特征；
该方法优于传统方法和相关的2D/3D方法；
临床研究证明了该方法的高效性与可靠性。
颅内动脉瘤是由于异常血流的长期影响而在颅内血管壁薄弱区域形成的病理性扩张，如图1所示。颅内动脉瘤在人群中的患病率约为3.2%，大部分的动脉瘤相对稳定，其破裂概率在0.25%到0.50%之间。但是一旦动脉瘤发生破裂，患者的死亡率超过50%。随着无创影像技术的不断发展，颅内未破裂动脉瘤的检出率不断增高。为了避免动脉瘤破裂带来的灾难性后果，可以通过线圈栓塞等手术进行预防性治疗；但是手术治疗也会引起一系列的并发症，从而导致患者死亡。这种矛盾的情况促使我们需要一个工具能精准预测出动脉瘤的破裂风险，辨别出可以保守治疗的低风险动脉瘤和需要手术干预的高风险动脉瘤，以降低动脉瘤患者的死亡率。
图2 破裂和未破裂的动脉瘤样本，图片下方的数字为动脉瘤的大小。
相关研究表明，动脉瘤本身及周围血管的形态学特征与动脉瘤破裂密切相关，如动脉瘤大小、瘤颈大小、纵横比、血管管径等。现有的预测动脉瘤破裂的方法可分为三类：基于阈值的方法、基于传统机器学习的方法和基于二维卷积神经网络的方法。基于阈值的方法通过计算出特征的阈值来预测动脉瘤破裂。然而，由于不同研究所含样本量及测量方法的不同，计算得出的阈值不同，如纵横比，有1.77、1.18、0.98等。且由于是用单个因素来预测，所以效能相对较低。如图2所示，破裂和未破裂的动脉瘤在大小上有很高的重合度，因此根据单个特征的阈值是无法准确预测其破裂风险的。基于传统机器学习的方法是通过将手动测量的形态学特征和患者的一般信息（如年龄、性别、病史等）用于传统机器学习构建出模型，如支持向量机，来预测破裂风险。然而形态学特征需要经验丰富的医生手动测量，耗时较长，且由于某些特征的定义不统一和测量过程主观性较强，该方法存在诸多不足。目前已有能自动测量形态学参数的方法（影像组学），但该自动测量的参数在预测能力上不如人工测量的参数，也有研究基于二维卷积神经网络的方法将动脉瘤的二维投影输入二维卷积神经网络来预测破裂风险，虽然改善了传统方法的缺陷，但是二维投影导致了一定的信息损失，从而只能提取到有限的特征。
同时，现有的方法主要关注动脉瘤的形态学特征，很少考虑其周围组织信息，如脑、硬脑膜、骨骼、神经等。有研究表明这些组织对动脉瘤的生长和破裂有显著影响，如周围组织对动脉瘤施加不对称的力，则会造成其不规则的形状，从而更加容易破裂。周围组织对动脉瘤的影响很难通过人工确定。这项研究提出一种多尺度的卷积神经网络学习动脉瘤及其邻近组织特征，并使用Transformer进一步建模来预测动脉瘤破裂风险。
综合考虑动脉瘤的大小和周围组织信息的多少，这项研究设计了多尺度的输入（边长为48和96的立方体），并使用宽度优先搜索的技术将动脉瘤及载瘤动脉提取出来共同作为输入，使得神经网络的注意力集中在动脉瘤的同时可以捕获充足的邻域信息，如图3所示。两个尺度的数据分别输入到两个结构相同的卷积神经网络中提取不同尺度的特征，将这些特征结合以后分割成多个特征块，部分特征块包含动脉瘤的信息，部分特征块包含邻域组织的信息。将这些块通过可学习的线性映射展平为一维向量，添加一个可学习的类别向量并为每个向量添加位置信息后输入到Transformer编码器中建模动脉瘤与周围组织之间的空间依赖关系。Transformer编码器输出的类别向量经过线性映射到低维度后被视为深度学习自动提取的形态学特征。
除了动脉瘤的形态学特征之外，辅助特征（患者的信息，如年龄、性别、病史等；动脉瘤的一些容易获得而无需测量的特征，如动脉瘤位置、动脉瘤形状、是否多发、是否子瘤等）也与动脉瘤的破裂风险相关。这项研究计算了所有收集到的特征的p值并使用Bonferroni校正，得出了对破裂风险有显著影响的辅助特征。将自动提取到的形态学特征与辅助特征融合以后使用多层感知机预测破裂风险。方法的整体框架如图4所示，在训练和测试过程中使用了数据增强的技术。在训练过程中，对每个样本进行随机旋转，生成更多的样本；在测试过程中，对每个样本的多个旋转变体分别预测后使用贝叶斯投票法确定最终的预测结果。
根据人工测量的形态学特征和辅助特征的p值，这项研究使用随机森林（RF）和支持向量机（SVM）两个传统机器学习方法作为基准。模型在平衡测试集上的结果如表1所示，加入辅助特征以后，RF和SVM的准确率分别提升了6.10%和4.88%。
表1 基于传统机器学习的方法，group A为人工测量的形态学特征，group B为辅助特征。
这项研究与相关的深度学习方法进行了对比，在平衡测试集上的结果如表2和表3所示。TransIAR相比其他方法有显著的优势，在没有辅助特征的情况下达到了89.02%的准确率，在有辅助特征的情况下达到了91.46%的准确率。
为了检验模型的泛化性能，这项研究收集了其他四家医院共43例样本作为外部测试集，结果如表4所示，TransIAR达到了93.02%的准确率，表明其具有强大的泛化性能，该表也体现了传统机器学习方法泛化性较差的缺陷。
这项研究还设计了临床实验以验证TransIAR模型的临床应用潜力。在临床实验中，给定CTA图像和已测量的形态学参数，两位医生（一位放射科医生和一位神经外科医生）独立地预测82个测试样本的破裂状态，医生的预测结果与TransIAR的对比如表5所示，TransIAR在预测准确率和时间效率上都超出了医生的水准，表明这项研究具有很大的临床应用潜力。
表5 临床诊断与TransIAR在平衡测试集上的结果。
此外，这项研究提出的方法可以很容易地扩展为一种端到端的颅内动脉瘤检测与破裂风险预测系统，将已有的检测模型的检测结果输入到破裂风险预测模型中即可在临床中实现快速的颅内动脉瘤检测与风险预测，有助于脑血管疾病的临床诊断与精准医疗。
论文原文刊载于Cell Press细胞出版社旗下期刊Patterns上，点击“阅读原文”或扫描下方二维码查看论文
A deep-learning method for the end-to-end prediction of intracranial aneurysm rupture risk
https://www.cell.com/patterns/fulltext/S2666-3899(23)00046-6
https://doi.org/10.1016/j.patter.2023.100709
1974年，我们出版了首本旗舰期刊《细胞》。如今，CellPress已发展为拥有50多本期刊的全科学领域国际前沿学术出版社。我们坚信，科学的力量将永远造福人类。
CellPress细胞出版社
