脑动静脉畸形(brain arteriovenous malformation,bAVM)是由于脑动脉与静脉之间存在异常通路而形成的缺乏正常毛细血管床的血管团[1],其年出血率为2%~4%,潜在的破裂出血风险是bAVM患者致残和死亡的主要原因之一[2-3]｡bAVM的精准诊断､个体化治疗方案制定及预后评估多依赖于高质量的影像学信息｡目前,临床上主要通过MRI､MR血管成像(MRA)､CT､CT血管成像(CTA)和DSA等传统影像学方法对bAVM进行评估｡

随着大数据处理､高性能计算和算法的不断进步,人工智能(artificial intelligence, AI)已在医学影像学分析领域取得一定进展｡AI通过学习海量影像学数据,可识别复杂的影像学模式､特征,并进行自动分割､分类和预测等[4]｡将AI技术引入bAVM的影像学研究,有望打破传统人工分析主观性强､效率低､难以捕捉细微病理特征等局限,提升诊断的准确性､治疗规划的精准性及预后评估的客观性｡本文旨在探讨AI技术在bAVM影像学中的应用进展,并对其目前所面临的挑战以及未来可能的改进方向进行论述｡

现代神经影像学为bAVM的诊疗提供了多模态评估手段,可直观呈现bAVM的形态､位置､大小及其与周围血管神经的关系,为临床诊断和治疗方案制定提供了关键依据[5]｡不同影像学技术在bAVM的诊断中各有优势｡CT及CTA通常为急诊环境下的首选,CT可快速明确急性出血,CTA可清晰显示bAVM的血管结构,包括畸形血管团､供血动脉和引流静脉,但其时间分辨率相较于DSA有限[6]｡DSA为诊断bAVM的“金标准”,可动态､实时提供血流动力学信息,精准呈现复杂的血管构筑,对于识别高危因素(如伴发动脉瘤､深部静脉引流)具有不可替代的作用,但其为有创检查,存在一定的并发症风险,如血管损伤､缺血并发症､对比剂过敏等[7-8]｡MRI及MRA作为无创检查手段,能多方位､多序列成像,对软组织的分辨能力强,可清晰显示畸形血管团及其与周围脑组织的关系[9]｡

影像学在bAVM的治疗评估中具有重要作用｡治疗前,通过影像学检查可评估病变的复杂程度,有助于医师选择最适宜的治疗方式,如手术切除､介入治疗或立体定向放射治疗等;治疗后,影像学检查可用于评估残留病灶､复发及并发症情况,为后续调整治疗策略提供重要信息｡随着影像学技术的不断发展,功能性MRI､弥散张量成像等技术进一步提高了临床医师对bAVM的认识和诊断水平[10-11],也为bAVM相关AI模型的构建提供了多维度信息｡

目前bAVM的临床诊疗仍存在多种局限｡(1)对复杂血管构筑(如畸形巢致密性､引流静脉模式)bAVM的诊断多依赖临床医师经验,存在一定的观察者间和观察者内差异[12];(2)bAVM立体定向放射等精准治疗需手动划分bAVM靶区,相对耗时费力且效率较低,难以标准化;(3)有研究表明,深部静脉引流､伴发动脉瘤等bAVM形态学特征与较高的破裂风险相关[13],但如何对未破裂bAVM患者进行精准的个体化风险预测仍为临床实践中的难点｡

AI不仅有助于实现影像阅片的自动化与标准化,也有望通过深度挖掘影像学数据中人类视觉无法感知的预测性信息识别高危未破裂bAVM患者｡高质量的影像学数据是AI分析的基础,因此图像预处理(去噪､对比度增强及图像配准)是AI应用于bAVM影像学的首要环节,旨在消除原始图像中的伪影和噪声,优化图像质量,并将不同模态或不同时间点的图像精确配准至同一空间坐标系,而上述操作均可基于AI进行自动化处理[14]｡机器学习与深度学习是AI的重要分支[15],机器学习可从复杂的影像学数据中自动学习规律,提取出传统方法难以捕获的高维､抽象特征,这些特征可能蕴含与bAVM血流动力学特征､破裂风险或预后相关的深层信息[16]｡深度学习尤其是卷积神经网络(convolutional neural network,CNN)可通过模拟人类视觉系统对MRI､CT等的图像进行深度分析,精准识别并自动分割出bAVM的畸形血管团边界､供血动脉和引流静脉走行[17]｡bAVM的病理生理过程为高流速分流—动脉扩张—静脉高压—血管壁退化[18],传统影像学主要捕捉这一过程的宏观形态学结果,如识别可见的动脉瘤或扩张的静脉,而基于AI的影像组学技术可量化血管壁在长期血流动力学应力下产生的微观纹理和强度变化,这些量化特征有望成为反映bAVM血管壁稳定性更直接､更敏感的影像学生物标志物[19-20]｡数据融合技术在AI应用中发挥着重要作用,其可整合不同来源､不同模态的影像学数据,并结合患者的临床信息(如年龄､症状､病史等)进行综合分析[21-22]｡将MRI对软组织的高分辨能力和DSA对血管的显示能力相融合可提高bAVM诊断的准确性[23-24]｡通过多源信息的整合与优化,AI或可为临床医师提供更全面､准确的bAVM诊断依据,为制定个体化治疗方案提供有力支持｡

畸形血管团的精确划分和血管构筑学分析是制定bAVM治疗方案的基础,对于行立体定向放射治疗的患者,放射剂量能否精准覆盖靶区直接决定其疗效和安全性,且治疗时需最大限度地保护周围正常脑组织[25]｡传统的手动影像学分割较为耗时费力,且可能因操作者经验不同而存在一定差异｡深度学习可提供高效､可重复的自动化解决方案,CNN和Transformer网络等监督学习网络可学习输入图像特征与像素级标签之间的映射关系,以识别病灶边界或输出像素级分割结果[26-27]｡

近年来,多项研究对深度学习和机器学习在分割bAVM病灶中的应用进行了探索｡2019年,Wang等[28]提出使用三维V-Net的深度学习模型分割CT图像中的bAVM区域,并采用深层监督方法对不同层次输出进行融合,但该方法仅可分割bAVM的大致区域,无法获得病灶的精准血管结构｡2020年,Fu等[29]的研究首先采用区域建议网络对CT图像中的bAVM病灶进行定位,再使用V-Net对感兴趣区进行语义分割｡2022年,Simon等[30]应用支持向量机对bAVM的MRI或MRA图像中血管进行初始标注,并经临床医师对标签质量进行优化以训练U-Net神经网络模型,从而实现bAVM血管分割｡2024年Hong等[31]使用目标检测网络(YOLOv5和YOLOv8)在MRA图像中快速定位bAVM病灶,并结合分割网络(U-Net和U-Net++)对畸形血管团进行像素级精确分割,但该网络训练基于监督学习方法,需临床医师耗费大量时间和精力标注bAVM病灶｡Dong等[12]将经过2名神经外科医师标注的时间飞跃法MRA图像数据集用于构建深度学习模型,以自动分割bAVM病灶,并量化了其体积｡上述研究表明,AI特别是深度学习为bAVM的血管构筑和三维可视化提供了高效且客观的工具[17],但全监督学习模型(如U-Net++､YOLO)对大规模､高质量手动标注的依赖性是其临床应用的瓶颈｡如何利用少量标注或无标注数据进行高效训练(即弱监督或半监督学习)是该领域未来研究的方向｡

未破裂bAVM的出血风险是影响临床决策的重要因素｡传统的Spetzler-Martin分级系统主要用于评估bAVM手术风险,其在预测bAVM自然病程中的出血风险方面存在局限性[32-33]｡AI可深度挖掘并整合来自多模态影像学(如CTA､MRA､DSA)的bAVM特征,包括畸形团大小､形态､致密性､引流静脉类型(浅表或深部)､是否并存动脉瘤､病灶内部血流动力学特征(灌注水平､压力梯度､血液停滞指数)等[34],还可纳入患者的临床特征,包括年龄､高血压病史､既往出血史､癫痫发作情况等,进而挖掘上述特征与bAVM出血风险之间可能存在的复杂非线性关系[35-36]｡

目前机器学习已逐渐应用于预测bAVM出血风险｡在儿童bAVM研究中,Saggi等[37]纳入单中心186例bAVM患儿(年龄< 18岁),应用3种机器学习算法(随机森林､梯度提升决策树和自适应提升算法)分别构建模型以量化临床与血管构筑特征预测出血风险的效能,并与传统多因素Logistic回归分析进行比较,结果显示,3种机器学习算法构建的模型均显示bAVM体积和发病年龄是预测患儿发生出血的重要因素,但年龄在多因素Logistic回归分析中无统计学意义(P=0.21),提示其生物学相关性可能被线性模型低估｡另外,机器学习在处理多中心临床数据方面也具有一定优势｡Venkataram等[38]收集221例未破裂bAVM患者的基线数据,结合5位多学科专家的治疗共识,构建并验证了预测个体化bAVM首选治疗策略(保守治疗､血管内栓塞)的自动化机器学习模型,结果显示,该模型在测试集(66例)的受试者工作特征曲线下面积(area under the curve, AUC)为0.88,准确率为74%｡在深度学习方面,一项研究基于DSA影像构建了结合卷积神经网络和循环神经网络的深度学习混合网络模型,以即时自动化评估bAVM出血风险,结果显示,混合网络模型在bAVM患者的测试集(27例)中预测出血的准确率为76%,AUC为0.75,而基于传统血管构筑学分析模型预测bAVM出血的准确率为69%,AUC为0.76,二者诊断性能相当[39]｡

多模态数据融合深度学习模型可有效处理和整合异构数据,通过学习识别bAVM深层特征预测出血风险｡Zhang等[40]纳入586例bAVM患者,将通过CTA图像提取的高维影像组学特征与传统的临床危险因素(包括病灶直径､引流静脉狭窄､深部引流､深部位置和相关动脉瘤等)相结合,并采用堆叠机器学习模型进行分析,结果显示,传统的临床危险因素模型预测bAVM破裂风险的AUC为0.688,而传统临床危险因素与影像组学特征结合模型预测bAVM破裂风险的AUC为0.780,预测性能明显改善｡Zhang等[41]基于896例bAVM患者DSA提取定量血流动力学特征(流出时间､淤滞指数等),并结合像素级血管结构特征(长度､密度､曲率等)及临床特征(年龄､病灶大小､位置､静脉瘤等)构建预测bAVM继发性出血风险的集成模型,结果显示,集成模型在独立验证集(106例)上的AUC达0.91,优于其他单一特征模型(临床特征模型AUC为0.70,血流动力学特征模型AUC为0.818,血管结构特征模型AUC为0.823)｡上述研究表明,多维度数据融合可能是实现精准预测bAVM出血风险的有效途径,AI对于处理此类高维异构数据具有一定优势｡

目前AI在影像学中的应用已逐渐延伸至bAVM治疗后的效果评估和并发症预测｡在预测治疗预后方面,Wu等[42]研究对比了基于影像组学的机器学习和深度学习模型在预测伽马刀治疗后bAVM闭塞率上的表现,结果显示,基于影像组学特征的随机森林分类器的预测平均准确率和AUC分别为(68.5±9.80)%和0.705 ± 0.086,而ResNet-34神经网络模型的平均准确率和AUC分别为(60.0±11.9)%和0.694±0.124,二者预测性能相当｡此外,Jiao等[43]开发了基于机器学习的集成模型,在635例患者MRA上自动分割bAVM病灶并自动识别其弥散性,结果显示,该模型识别bAVM弥散性的性能与神经放射科医师的判断结果高度一致(准确度达90%)｡Ho等[44]构建了一项基于T2加权成像进行自动分割的深度学习模型,量化bAVM患者(28例)接受立体定向放射治疗后常见的放射性脑损伤,结果显示,该模型与人工标注在病灶分割任务中的Dice相似系数为71.8%,其分割性能与人工标注相当,表明利用AI对bAVM放射性脑损伤体积进行纵向追踪和量化分析具有一定潜力｡

综上所述,AI可融合影像学与临床数据进行bAVM病情评估和破裂风险预测,以辅助医师早期､准确地识别高风险患者,优化治疗方案,并可持续监测治疗效果,进而改善患者预后｡

尽管AI在bAVM影像学研究中取得了一定成果,但将其转化为可靠的临床工具尚存在一定挑战。

目前医学AI的发展尚缺乏高质量､大规模､精准标注医学影像学数据集｡现有医学影像学数据集的规模较小,限制了深度学习模型的训练效果和泛化能力[15]｡小样本､高噪声､难标注是AI在bAVM影像学应用研究中面临的数据困境｡医学影像中的运动伪影､金属伪影､噪声等影响图像质量,精准标注bAVM病灶与血管结构需要经验丰富的神经影像学医师投入大量时间,且标注结果可能存在观察者之间的差异及主观性,因此现有AI模型诊断bAVM的准确率尚不能满足临床需求｡

模型的鲁棒性与泛化能力不足是AI应用于临床面临的核心技术挑战｡基于单中心数据集训练的模型在外部数据验证中的性能常会下降,这种现象被称为“域移”,其主要由不同医疗中心的扫描设备､成像参数及患者人群存在差异所致[45]｡该问题在现有bAVM影像学研究中较为明显,其原因可能为目前研究中的AI模型可重复性受到原始数据处理､特征提取或选择､分类器选择等可变性的限制,即存在大量的人工干预｡bAVM的血管构筑学､血流动力学特征及临床表现复杂且个体差异较大,病灶形态､供血和引流模式多样且可能伴随动脉瘤､深部引流等高危因素,因此构建可泛化至所有变异类型bAVM的AI影像学模型极具挑战｡目前基于机器学习和影像组学的bAVM影像学研究普遍存在一定的局限性,如缺乏严格的外部验证,多数研究为回顾性､单中心设计,导致模型的泛化能力和临床普适性受限｡

AI模型与临床工作流程的无缝整合对放射科医师的临床工作至关重要,切换多个软件界面､中断阅片流程的独立AI程序不利于临床应用｡AI工具需深度嵌入现有的影像､通信和报告系统中,成为医师工作流程中一个自然､高效的环节｡另外,数据偏见､算法错误的责任归属及患者知情同意等一系列复杂的伦理问题尚需妥善解决｡

整合静态和动态医学影像的多种信息有助于提高bAVM的检测､破裂出血风险预测和治疗精度[46]｡多模态影像学可通过整合不同成像技术的内在属性进行互补,从不同角度提取bAVM特征,如形态或纹理特征､血流动力学特征,进一步丰富诊疗依据｡此外,结合临床信息､基因组学､蛋白质组学､临床病理等多源数据或可有利于实现对bAVM更全面､多维度的分析,神经外科医师､影像科医师､软件工程师和生物医学工程师之间的深度跨学科协作或可成为加速AI在bAVM领域创新和临床转化的关键｡扩展信息来源并对其进行适当的集成或有利于进一步增强AI模型的预测性能,从而更全面地评估bAVM病理生理机制､临床表现和危险因素,为bAVM患者制定个体化治疗方案｡

AI模型泛化能力低通常是由训练数据的多样性不足所致[47]｡联邦学习不仅是解决数据隐私问题的技术手段,也是提升模型泛化能力的有效途径,其可连接多个数据“孤岛”,即各参与医疗机构在本地利用自身的bAVM影像与临床数据训练模型,仅将加密后的模型权重(非原始数据)上传至中央服务器进行参数聚合,形成全局模型,使模型在训练阶段融合来自不同设备､不同患者人群的数据,从而提升模型的泛化能力,在此基础上训练的医学影像模型或可为下游多种bAVM相关任务(如分割､预测)模型的构建提供强大的技术基础[48]｡

随着AI技术的不断成熟,关于AI在医学中角色的讨论从早期“AI将取代放射科医师”的论调,走向更为成熟和现实的“人机协同”范式｡AI作为临床医师的强大辅助工具,可将烦琐的bAVM影像学分割工作自动化,并为bAVM出血风险评估提供可量化的“第二意见”,也有助于增强临床医师的术中感知和操作能力｡未来或可使临床医师更专注于高级别的临床综合判断､多学科协作和人文关怀,最终形成全新､高效的诊疗模式｡

综上所述,AI已不是bAVM影像学领域的理论概念,而是正在迅速发展并展现出明确临床应用价值的技术,其涉及图像分割自动化､破裂风险预测､治疗反应评估等多个方面｡尽管在数据治理､模型泛化和临床监管等方面仍面临挑战,但随着多学科的深度交叉融合与创新,AI或将有力推动bAVM的诊疗进入精准化､个体化､智能化时代｡