北京天坛医院神经介入放射学的QingLin Liu等应用动脉瘤形态特征，构建机器学习模型预测动脉瘤的稳定性。结果发表于2019年9月《Stroke》杂志。

——摘自文章章节

人工智能在医学领域，已用于协助精确地发现、定性肺癌、脑瘤、乳腺癌和前列腺癌等病变和监测其发展；也开始用于动脉瘤的检测、破裂风险的预测等。判别颅内动脉瘤，尤其是小动脉瘤的稳定性，对于制定治疗决策至关重要。最近，北京天坛医院神经介入放射学的QingLin Liu等应用动脉瘤形态特征，构建机器学习模型预测动脉瘤的稳定性。结果发表于2019年9月《Stroke》杂志。

研究者根据719例动脉瘤患者的临床症状和病历记录评估动脉瘤的稳定性，以及采用Python软件包的PyRadiomics软件观察动脉瘤的形态特征。将其中420例三维最大直径范围4mm～8mm的动脉瘤纳入研究。制作有或无临床特征表现的动脉瘤形态的机器学习模型，分析决定动脉瘤稳定性的形态因素，并筛选预测动脉瘤稳定性的最佳模型和评估临床特征与不稳定动脉瘤形态的关系。

研究通过PyRadiomics软件自动生成动脉瘤12个特征性的形态。回归分析发现，动脉瘤壁平整度是预测动脉瘤稳定性的最重要的形态学特征，其次是球形比例失调、最大二维直径切面和表面积。将表面积、球形比例失调、平整度、高脂血症、多发动脉瘤、大脑中动脉和颈内动脉动脉瘤等因素纳入最终预测模型（表1）。在预测性能方面，模型的曲线下面积达到0.853。不稳定动脉瘤壁的致密性（衡量形状相对于球体的紧凑程度）、球形比例失调和平整度较低。而在高血压患者中，球形比例失调较高。

表1. 预测动脉瘤稳定性的最终回归模型。

该研究结论是，通过PyRadiomics软件自动生成的动脉瘤形态特征可以用于预测动脉瘤的稳定性。决定动脉瘤稳定性的最重要因素是动脉瘤壁的平整度，其次是高血压可诱导动脉瘤壁重塑，使其更不规则，促进动脉瘤的扩大和破裂。