《npj Digital Medicine》：Deep learning based volumetric analysis of infrarenal abdominal aortic aneurysms characterized on CTA
編輯推薦：
本研究針對傳統二維測量在腹主動脈瘤(AAA)評估中的局限性，開發了一種基于改進nnU-Net的深度學習算法，實現了對EVAR術前術后CTA圖像的自動化三維容積分析。該模型在內部驗證中顯示出優異的性能(DSC=0.972)，并在跨三大洲的多中心外部驗證中保持了良好的泛化能力，同時將測量時間縮短56%，為AAA的精準監測提供了可靠工具。
腹主動脈瘤作為美國第15大死亡原因，影響著約6%的人群，其發病率仍在持續上升。當前臨床實踐中，計算機斷層掃描血管成像(CTA)是評估AAA的金標準，特別是在手術規劃和術后監測中發揮著關鍵作用。盡管血管外科學會指南推薦使用垂直于血流中心線的最大直徑(DMAX)進行動脈瘤大小評估，但這種方法存在明顯的觀察者間差異，且無法全面反映動脈瘤囊的三維形態變化。
傳統的二維測量方法難以捕捉動脈瘤囊的伸長和扭曲，而這些特征只能通過三維評估才能準確表征。近年來研究表明，三維容積分析在檢測動脈瘤大小變化、表征其空間行為和評估動脈瘤相關風險方面更為敏感。然而，手動容積測量既耗時又費力，且缺乏標準化技術，限制了其在臨床實踐中的廣泛應用。
為解決這一臨床難題，由David Weiss、Thomas Hager等研究人員組成的國際團隊在《npj Digital Medicine》上發表了最新研究成果。他們開發了一種基于深度學習的創新算法，能夠對腎下腹主動脈瘤進行自動化的三維分割和容積測定，無論患者是否接受過血管內動脈瘤修復(EVAR)手術。
該研究采用改進的nnU-Net架構，在訓練過程中引入了局部對比度歸一化和局部響應歸一化等預處理步驟，以降低不同CT掃描儀帶來的偏差。與原始nnU-Net僅測試2D和3D CNN配置不同，該改進模型還整合了2.5D CNN、2D膠囊網絡和3D膠囊網絡，顯著提升了模型的分割性能。
研究人員使用了來自耶魯大學醫學院的176例術前術后CTA研究（共35,915張切片）進行模型訓練，內部驗證集包含44例研究，外部驗證集則涵蓋了來自美國、歐洲和亞洲三個機構的60例研究，確保了模型的廣泛適用性。
關鍵技術方法包括：使用改進的nnU-Net架構進行圖像分割；采用多中心數據集進行訓練和驗證；通過PACS集成環境評估臨床工作流效率；使用Dice相似系數(DSC)、Hausdorff距離和Jaccard系數等指標量化分割性能；采用Bland-Altman分析和Pearson相關系數評估容積測量一致性。
內部驗證結果
模型在內部驗證數據集上表現出優異的分割性能，總動脈瘤的平均Dice相似系數為0.972±0.013， lumen（流明）為0.963±0.017。AI生成的動脈瘤容積與金標準數據呈現極強相關性，總動脈瘤容積的Pearson相關系數達0.998，血栓容積為0.996。Bland-Altman分析顯示，總動脈瘤、lumen和血栓容積的偏差范圍在-1.41至1.09 cm3之間。
外部驗證結果
在包含60例術前術后CTA研究的外部驗證中，模型保持了良好的性能，總動脈瘤的中位Dice相似系數為0.969，lumen為0.961。盡管外部驗證集的圖像切片厚度顯著大于內部數據集(1.975mm vs 0.774mm)，AI預測的總動脈瘤和血栓容積仍與金標準數據呈現極強相關性(r=0.960, r=0.940)。僅有一例異常值因模型將十二指腸組織誤判為動脈瘤部分而導致性能下降，凸顯了圖像質量對模型性能的影響。
PACS集成效率提升
在模擬臨床環境中，該算法展現出顯著的工作流加速效果。血管外科醫生手動測量總動脈瘤和lumen容積的平均時間分別為209.2秒和197.9秒，而nnU-Net生成分割掩模的平均時間顯著降低至92.1秒和91.7秒，實現了56.0%和53.7%的時間節省。特別是在EVAR術后研究的lumen分割中，算法實現的時間節省高達57.3%。
研究結論表明，這種基于深度學習的網絡能夠對CTA顯示的腎下腹主動脈瘤進行自動化、可靠的三維分割和容積分析。與現有研究相比，該模型具有機構無關性，基于廣泛的外部驗證證明了其可重復性。與醫生手動容積測量相比，該工具顯示出顯著的時間效率提升。
該研究的創新性在于首次提供了針對術前術后AAA分割算法的廣泛多中心外部驗證，涵蓋了三大洲、10種CT掃描儀和不同的實踐環境。此外，研究還首次實現了PACS集成的AAA容積分析工具，并進行了新穎的時間效率分析，這些都是以往研究中缺乏的關鍵要素。
盡管該模型在大多數情況下表現出色，但在動脈瘤特別扭曲的病例中性能有所下降。此外，研究僅限于CTA圖像，對于非對比CT圖像的模型性能需要進一步研究。未來工作應包括復雜動脈瘤配置（如腎旁或胸腹主動脈瘤）的進一步訓練和驗證，以及在前瞻性患者隊列中進行直接臨床驗證。
這項研究為AAA的精準醫療提供了重要工具，通過自動化三維容積分析有望改善患者預后，優化臨床工作流程，并為血管外科建立新的參考標準奠定基礎。隨著進一步驗證和優化，這種深度學習驅動的方法有望改變AAA的臨床管理范式，實現更個性化、更有效的患者護理。
