第一作者：李翔宇，向思诗
通讯作者：李桂林
作者单位：首都医科大学宣武医院神经外科
REF: Li X, Xiang S, Li G. Application of artificial intelligence in brain arteriovenous malformations: Angioarchitectures, clinical symptoms and prognosis prediction. Interv Neuroradiol. Published online March 22, 2024. doi:10.1177/15910199241238798
PMID: 38515371
人工智能（AI）在医学领域迅速发展，利用其智能和自动化特性管理各种疾病。脑动静脉畸形（AVM）尤为引人注目，近年来发展迅速并取得了显著成果。本文旨在总结AI在管理AVM中的应用。回顾了1999年至2022年在PubMed上发表的文献，讨论了AI在AVM管理中的应用。AI算法已应用于AVM管理的各个方面，尤其是在机器学习和深度学习模型方面。自动病变分割或描绘是一个有前景的应用，可以进一步发展和验证。利用基于放射学的分析的机器学习算法进行预后预测是另一个有意义的应用。AI已被广泛应用于AVM管理。本文总结了当前研究进展、局限和未来研究方向。
脑动静脉畸形（AVM）是由供血动脉、引流静脉和异常的血管组织构成的畸形血管结构。它们通常发生在20至40岁之间。主要临床表现包括出血、癫痫、头痛和局灶性神经功能障碍。出血是最常见且危险的表现形式。研究报告称，与破裂的AVM相关的死亡率可能达到11%。诊断还依赖于影像技术，如磁共振成像（MRI）和数字减影血管造影术（DSA）。定量磁共振血管造影术（QMRA）等技术可以检测血流。治疗选择包括保守措施、显微外科切除、血管内栓塞、立体定向放射外科（SRS）和多模式联合治疗。显微外科切除旨在完全去除病变；SRS可以减小体积和血流，尽管过程相对较长；血管内栓塞可以闭塞危险的结构。在一些AVM经栓塞后可能发生自发性闭塞。
管理AVM面临挑战，其中弥散性在手术结果预测和出血风险中起关键作用。准确评估弥散性对临床医生制定治疗计划至关重要；然而，实现客观评估仍然具有挑战性。此外，AVM的分割也是一个主要难题。确定血管、神经组织和脑实质之间的空间关系对于优化治疗策略至关重要。此外，精确的预后预测对治疗具有重要的指导意义。
人工智能（AI）已在医学领域广泛应用，利用其强大的处理和分析能力。与传统的人工识别相比，人工智能具有强大的客观性、高精度和减少时间消耗的优势。机器学习是人工智能的一个子集，其核心概念是通过模型训练进行自动学习。它可以分为几种主要类型，包括监督学习、无监督学习、强化学习和深度学习。在监督学习中，算法通过标记的训练数据学习，以预测和分类新的未知数据。无监督学习涉及处理未标记的数据和任务，例如通过发现数据中的模式和结构进行聚类和降维。强化学习侧重于通过试错学习优化决策策略。深度学习模拟了神经网络的学习机制，在某些脑血管疾病的检测中发挥了作用。此外，人工智能领域还涵盖了计算机视觉和自然语言处理等子领域。
目前，国内外的研究已将人工智能技术纳入AVM管理，强调对弥散性的评估、病灶结构的自动分割和预后预测。本文旨在汇编最新的人工智能技术在AVM中的应用进展，评估其作用并为临床医生提供有价值的见解。
人工智能可以预测临床症状。传统的回归分析方法通常用于预测临床症状，然而，这些方法存在局限性，特别是在处理非线性关系、多重共线性和异常值方面。相比之下，机器学习方法可以克服这些问题。最近，Saggi等人提出使用监督式机器学习算法来预测儿科患者的出血表现。该研究利用了186名儿科患者的数据，机器学习模型确定了发病时的大小和患者年龄作为预测出血表现的两个最关键因素。在多变量逻辑回归分析中，发病时的年龄被认为不是出血症状的预测因素。这表明机器学习可以识别传统回归分析方法未能识别的预测因素。然而，该研究排除了无症状患者，可能引入了偏倚。此外，监督学习模型的输出严重依赖于输入变量的选择，可能会给这三个模型引入偏倚。我们预计在未来将采用更大、更全面的数据集来应用机器学习方法。
将AI应用于临床症状预测的挑战在于将机器学习算法与传统的回归方法结合起来，提取新的临床风险预测特征。随后的研究可以探索将这两种方法结合起来，或者开发新的算法，包括无监督的机器学习技术，用于预测临床症状。
传统回归方法在预测预后和并发症方面一直起着关键作用，通过分析相关因素并估计临床症状的可能性。然而，这些方法面临诸如数据偏差、多重共线性和假设等局限性。相比之下，人工智能提供了更强大的解决方案，并提供了更准确的预测。2016年，Asadi等人评估了使用监督式机器学习技术预测血管内治疗后的预后和并发症的可行性。他们应用人工智能技术分析了患者的临床表现、影像和其他数据。机器学习模型在预测结果方面表现出了异常的准确性，达到了97.5%的优越率，显著高于标准的传统回归分析模型（43%）。它确定了出现或缺失的病灶瘘管是最重要的因素。然而，机器学习模型在最佳性能时非常依赖于大型训练数据集。只使用代表性的训练数据可能会影响模型的准确性。此外，机器学习算法本身并不会揭示影响因素之间真实的潜在关系。在另外两项研究中，模糊c均值聚类在机器学习中被用来区分T2加权MR图像上的组织成分，从而便于血管、脑组织和脑脊液的百分比量化。目标是探索组织成分与放射诱导变化（RICs）之间的关系。两个团队利用FCM创建了一个自动分割算法，用于识别和量化动脉瘤形成的组分。该算法包括四个主要步骤：首先，定义一个覆盖完整AVM体积的感兴趣区域（ROI），包括其规定的治疗剂量。在ROI内，应用FCM算法根据T2加权MR序列信号强度对AVM组分进行分类，如血管、脑组织和脑脊液（CSF）。这个迭代过程持续到所有体素强度值被分类到它们最佳匹配的聚类中。随后，计算ROI内每个聚类组分（血管、脑组织和CSF）的体积和比例。最后，将使用FCM聚类得到的自动分割结果与手动分割结果进行比较。他们共同认为，脑组织比例较高的区域更有可能出现RICs。Lee CC等人获得了79.5%的Dice相似性指数，以及73.5%的敏感性和85.5%的特异性。Huang等人在他们的报告中引入了由分割结果得出的“紧凑度指数”的概念，定义为血管容积与脑组织。虽然提出的指数可能有助于指导未破裂AVM的治疗决策，但仍需要额外的临床证据。Oermann等人引入了一种机器学习模型，利用人口统计学和血管结构特征来预测AVM进行SRS治疗的临床结果。与现有的临床预测系统如Spetzler-Martin分级系统和弗吉尼亚放射外科AVM量表相比，他们的模型表现出了更好的性能，最大AUC达到了0.71。另一方面，Meng等人开发了一种模型，用于预测SRS后残留AVM的结果，通过提取放射学和剂量学特征。他们的剂量学SVM模型实现了0.78的AUC，表明剂量学特征可能对治疗过程的影响比病变本身更大，突显了临床医生对剂量分配的谨慎需求。这些模型的良好表现展示了机器学习作为预测SRS后结果的创新方法的潜力，并有助于临床预后。
理解AVMs复杂病变需要在血管结构、结构分析和可视化方面采取关键步骤，极大地促进了个体化治疗。AVMs的三维（3D）分割和可视化在此起着重要作用。人工智能能够准确实现血管结构和病变分割，便于临床医生方便地对病灶进行特征分析。
在过去两年中，许多团队已经开始对深度学习和机器学习在分割AVM组件方面的应用表现出越来越浓厚的兴趣。深度学习方法是一种通过卷积神经网络从AVM患者的MRI/MRA图像自动分割脑血管的方法。中国台湾的Lee CC等人利用模糊C均值聚类进行无监督分类，分割MRI上的畸形团，量化血管、脑实质和脑脊液的比例。尽管该算法的性能不及上述深度学习方法，但它仍然可以相对准确地对AVM组分进行分类。中国台湾的另一个研究团队类似地利用了一种用于分割AVM组分的方法，并介绍了紧凑性指数的概念，正如前面所讨论的那样。
表2回顾了1999年至2022年间在血管结构学中应用人工智能的相关出版物，揭示了ML模型在该领域的巨大潜力。 总之，未来ML训练算法在分割方面的应用可能会受到重视。我们应该努力改进算法、优化功能、整合血流动力学信息、利用AI进行三维可视化和弥散性评估，并开发更多创新模型。
随着人工智能的迅速发展，其在医疗领域的作用不断扩大。目前，人工智能主要应用于AVM治疗的立体定向放射外科。大量的图像数据库的可用性使得人工智能能够学习，实现自动化功能，节省人力和物资资源。本文简要概述了人工智能在AVM管理中的最新应用，涵盖了临床症状和预后预测、血管结构学和辅助定位。此外，还讨论了未来发展中的局限和挑战。
李桂林 教授
首都医科大学宣武医院
首都医科大学宣武医院神经外科主任医师。
2003年毕业于中国协和医科大学，获得医学博士学位。硕士生导师，北京市学科骨干。宣武医院神经外科脑血管病中心主诊医师。中国医师协会出血性脑血管病神经介入专业委员会副主任委员，中国卒中协会脑血管外科分会常务委员，中国卒中协会复合手术分会常务委员，中国研究型医院协会脑血管病专业委员会常务委员，中国脑血管病杂志编委。
擅长：复杂脑动脉瘤、脑动静脉畸形、硬脑膜动静脉瘘、脊髓血管畸形的介入和手术治疗。
主要从事脑血管病的临床研究，是科技部十三五重大慢病项目子课题“复合手术治疗弓上颅外段动脉狭窄合颅内动脉的风险和收益的评估”负责人，已发表SCI文章20余篇
点击/识别二维码，前往李桂林 教授学术主页
查看更多精彩内容
声明：脑医汇旗下神外资讯、神介资讯、神内资讯、脑医咨询、Ai Brain 所发表内容之知识产权为脑医汇及主办方、原作者等相关权利人所有。
投稿邮箱：NAOYIHUI@163.com
未经许可，禁止进行转载、摘编、复制、裁切、录制等。经许可授权使用，亦须注明来源。欢迎转发、分享。
