引用本文： 王永刚, 史振宇, 符伟国. 基于人工智能和影像组学的腹主动脉瘤研究进展. 中国普外基础与临床杂志, 2022, 29(8): 1090-1094. doi: 10.7507/1007-9424.202112089 复制
腹主动脉瘤（abdominal aortic aneurysm，AAA）是最常见的主动脉瘤，是一种危及生命的疾病[1]，目前治疗方式主要依赖于开放手术修复（open surgery repair，OSR）或腔内修复术（endovascular aortic repair，EVAR） [2-3]。临床上最常用的评估AAA的手段为电子计算机断层扫描血管造影（computed tomography angiography，CTA），如何有效地定量测量和精确表征AAA的特征，并充分利用特征间复杂的关系指导预后预测和提高预测准确性有极为广阔的临床应用前景和价值。近年来人工智能（artificial intelligence，AI）尤其是其中的机器学习（mechanical learning，ML）和深度学习（deep learning，DL）算法[4-7]，已广泛应用于医学的各个领域，为诊断、治疗和预后预测提供指导；此外，影像组学相关的报道也越来越多[8-10]。然而迄今为止，其在AAA的研究相对较少。笔者就AI和影像组学在AAA领域的研究进展进行综述，旨在为AAA的研究和临床决策提供新的思路。具体将从特征提取、风险预测和其他3个方面进行综述。
1 特征提取
1.1 形态学特征（AI-DL）
目前，CTA是评估AAA的主要手段，研究者尝试对AAA、血栓和钙化实现全自动分割。传统图像分割大多为通过基于强度的半自动算法（水平集、主动形状模型和图形切割）结合先验形状来解决，大多数被提出的算法都需要用户交互/先前的管腔分割。它们的性能在很大程度上依赖于复杂的参数调优，影响了其鲁棒性和在临床实践中的适用性[11-15]。AI，特别是DL和图形处理单元（graphics processing units，GPUs）的发展，使得全自动分割成为可能[16]。
通过对AAA、血栓和钙化的全自动分割，可以缩短分析时间、增加复现性；可以获得良好的初始近似，用于进一步形态学特征的表征。由于特征标准化，全自动分割有望成为日常临床实践中的辅助工具，协助指导临床医生进行诊断、风险评估、确定治疗方案以及临床研究。① AAA全自动分割：Wang等[17]利用卷积神经网络（convolutional neural network，CNN）进行多模态医学AAA图像分割，通过对CT和磁共振（magnetic resonance，MR）图像进行端到端训练，经过5 500次迭代后，CT融合的验证精确度与单独模型非常接近（99.1% 比 98.8%），MR融合的验证准确率为98.5%，比单独模型的验证准确率高了1.2%。Lareyre等[18]开发了一种全自动软件系统，能够自动检测主动脉管腔和AAA特征，包括存在的血栓和钙化，对40例患者进行测试，其瘤腔体积与人工标记重叠达97%，敏感度为92%，特异度为99.97%。Mohammadi等[19]利用CNN自动分割、检测和诊断AAA，所设计的CNN分类器将腹部分为4个部分即腹部区域、主动脉、体缘和骨骼。其整体准确度、精确度和敏感度分别为97.93%、97.94%和97.93%，所提出的分类器对主动脉区域检测的准确率为98.62%。② 钙化与血栓全自动分割：Graffy等[20]利用CNN实现主动脉钙化自动分割和评分，在对812例患者验证中与Agatston评分一致性的r2=0.84，该结果提示此算法支持个性化和基于人群的钙化评估。而对于血栓全自动分割， López-Linares等[21]提出了一种新的基于深度卷积神经网络（deep convolutional neural networks，DCNN）的方法，该方法是建立在全卷积网络（fully convolutional network，FCN）和整体嵌套边缘检测（holistically-nested edge detection，HED）的基础上用于血栓自动分割，在13例患者术后CTA中进行训练、验证和测试，其测试结果显示：Dice系数为0.82±0.07，假阴性率为0.16±0.11，假阳性率为0.18±0.08。 Caradu等[22]使用了一种新的全自动软件（PRAEVAorta），对100例AAA患者的CTA进行自动分割，结果显示：AAA主动脉腔的体积相似度为0.95±0.04，瘤腔血栓的体积相似度为0.91±0.07，总体积的相似度为0.98±0.01，平均Dice系数为0.95±0.0.01。
1.2 影像组学特征（影像组学-ML）
尽管形态学特征在AAA的诊疗中起至关重要的作用，但是对于复杂解剖学形态的AAA，传统的特征提取方法存在许多缺陷。例如，我们可以看到AAA的形状，但更多形态学特征无法被描述。更不用说我们根本无法看到的纹理等特征。实体肿瘤在空间和时间上都存在异质性，这限制了基于分子检测的侵入性活检的使用，而影像组学则能以非侵入性的方式捕捉肿瘤内的异质性[8]，近年来，由于非肿瘤性疾病的常规影像诊断存在定性和定量的问题，它已逐渐被应用于非肿瘤性疾病中[23-28]。但是影像组学在AAA领域的研究相对较少，或更准确地称为纹理分析，因为这些研究大部分是通过CT灰度/像素强度直方图以区分病变组织的异质性。① 基于纹理分析的血栓分割：Maiora等[29]创建了一个交互式的血栓分割系统，是利用灰度共生矩阵（gray level co-occurrence matrix，GLCM）和局部二值模式（local binary pattern，LBP）通过主动学习来实现的，并在对包含不同数量CT切片（216～560张）的8例患者中得到了初步验证。② 基于纹理分析的风险预测： Kotze等[30]利用CT信号异质性预测AAA扩张，并在50例患者中进行测试，CT纹理分析结果显示，粗纹理与AAA氟脱氧葡萄糖（fluorodeoxyglucose，18F-FDG）的最大标准化摄取值成反比（P=0.003），中等粗纹理与AAA扩展显著相关（P=0.030），18F-FDG的最大标准化摄取值与AAA扩张成反比（P=0.015）。García等[31]从EVAR术后动脉瘤血栓样本中应用3种常规纹理分析方法，即GLCM、灰度行程矩阵（gray level run length matrix，GLRLM）和灰度差分法（gray level difference method，GLDM），以及作者提出的一种新方法—局部共生灰度行程矩阵（run length matrix of local co-occurrence matrices，RLMLCM）开发一种试验性的计算机支持的内张力诊断系统。 此外，从EVAR术后CT图像中获得的纹理特征也可以用来辨别不同内漏的转归，GLCM、GLRLM和GLDM能够区分有利或不利的转归，准确率分别为（93.41±0.024） %、（90.17±0.077） % 和（81.98±0.045） %[32]。 ③ 基于影像组学的风险预测：Charalambous等[33]利用影像组学特征构建的支持向量机（support vector machine，SVM）分类模型预测EVAR术后Ⅱ型内漏的转归，第1个月和第6个月的影像组学特征预测1年AAA的扩张，受试者工作特征（receiver operating characteristic，ROC）曲线下面积（area under the curve，AUC）分别为0.89和0.96。
2 风险预测
血管外科学会（Society for Vascular Surgery，SVS）和欧洲血管外科学会（European Society for Vascular Surgery，ESVS）指南[34-35]定义了AAA患者的管理建议，其治疗的决定主要依赖于对AAA增长及破裂风险与手术风险之间平衡的评估。
2.1 增长与破裂（AI-ML）
SVS和ESVS指南[34-35]建议大多数无症状的小AAA患者应接受影像学监测，直到AAA直径大于55 mm或AAA快速扩张。① 增长预测：Hirata等[36]通过对AAA主干中轴线、无瘤腔血栓主干中轴线等参数构建模型，对50例小AAA ［直径为（38.5±6.2）mm］ 患者进行预测，结果显示AAA的主干中轴线和AAA面积与AAA扩张显著相关（r=0.472、P＜0.01，r=0.416、P＜0.01），ML预测AAA显著扩张（直径＞4 mm/年）优于AAA主干中轴线（AUC分别为0.86和0.78）。Lee等[37]基于流动介导的扩张（flow mediated dilatation，FMD）预测AAA增长，利用ML对入组患者前瞻性记录12个月时的增长数据，79例患者在24个月时进一步记录了增长数据，其结果显示在12个月和24个月时，有85%和71%的患者的AAA直径误差在2 mm以内。 ② 破裂风险：Erhart等[38]对无症状的15例男性AAA患者进行有限元分析（finite element analysis，FEA），来计算壁面峰值应力（peak wall stress，PWS）以及最高和最低破裂风险指数（rupture risk index，RRI）的区域，其结果显示，相较于低破裂风险区域，由FEA估计的高破裂风险区域包含了更多的组织病理学改变。Joldes等[39]通过对48例AAA患者的初步验证，提出了基于生物力学动脉瘤破裂风险预测（biomechanics based prediction of aneurysm rupture risk，BioPARR）的AAA分析软件，该软件有助于评估AAA破裂风险。 Canchi等[40]探讨了在AAA破裂或未破裂的情况下，临床指标和形态学参数之间的潜在相关性。 Jordanski等[41]提出了一种基于ML的方法，用于计算壁面剪应力（wall shear stress，WSS）分布来预测破裂风险，为了解AAA的几何参数、血液密度、动态黏度和速度与WSS分布之间的关系，研究采用多元线性回归、多层感知器（multi-layer perceptron，MLP）和高斯条件随机场（gaussian conditional random fields，GCRF） 3种方法，其结果显示：GCRF有最高的决定系数（coefficient of determination），为0.930～0.948。
2.2 手术风险（AI-ML）
既往手术风险预测模型，例如格拉斯哥动脉瘤评分（glasgow aneurysm score，GAS）、 国家手术质量改进计划（National Surgical Quality Improvement Project，NSQIP），新英格兰血管研究小组（Vascular Study Group of New England，VSGNE）等在AAA患者术后预测方面表现欠佳，尤其是EVAR术后风险预测[42-45]。而ML作为AI中常用的方法，具有利用特征之间复杂而微妙的关系进行预测的潜力，已逐渐应用于医学各个领域[5-6]，ML也逐渐应用于AAA相关的研究。
基于ML的风险预测：Rengarajan等[46]用7个特征（6种形态学特征和1个生物力学特征）来评估AAA患者适合哪种手术方式（择期/紧急修复），k近邻（k-nearest neighbor，KNN）分类器产生的特异度可高达96%。 Monsalve-Torra等[47]基于ML的方法来预测OSR住院患者死亡率，入组310例患者，包括57个属性的特征，这些属性分为4个集群：患者的基本数据、临床病史、手术数据和术后数据。采用MLP、径向基函数（radial basis function，RBF）神经网络和贝叶斯神经网络的方法，其结果显示贝叶斯神经网络的预测准确率可高达96.1%。Wise等[48]利用人工神经网络（artificial neural network，ANN）预测AAA破裂后OSR/EVAR的住院死亡率，并与多元逻辑回归和 Glasgow评分模型进行比较，结果显示多元逻辑回归、ANN和Glasgow评分模型的AUC分别为0.85±0.04 、0.88±0.04和0.77±0.06。 Karthikesalingam等[49]通过对761例患者术前AAA形态学特征进行量化，并随访5年的支架移植物相关并发症，采用ANN方法预测移植物相关并发症并区分哪些患者为低风险，哪些患者为高风险，在验证数据集中，ANN将44.4%的患者划分为低风险组，低风险组5年无移植物相关并发症者的占比为95.9%，高风险组的占比为67.9%（P＜0.001）。Kordzadeh等[50]对250例患者的26个术前特征建立ML预测模型，结果显示贝叶斯神经网络在测试集中预测Ⅰ型、Ⅱ型和Ⅲ型内漏的总体准确率＞86%。
3 其他
① 患者管理： 影像监测不足被认为是导致AAA破裂的最重要因素。Kim等[51]报道利用AI促进放射科质量、信息学负责人利用IT解决方案来实现内容整合、结果沟通和患者随访。② 模拟支架部署：利用计算机基于FEA方法可用于模拟支架在体内部署，以指导临床应用。Medtronic （Santa Rosa，CA，USA）和Cook Medical （Bloomington，Indiana，USA）两款支架在3例患者中模拟的结果显示与实际支架几何形状匹配，尤其是在AAA的近端和远端[52]；在大部分扭曲的AAA中，FEA方法模拟结果提示支架移植物的横截面面积减少可高达57%，并且动脉瘤内贴璧塌陷面积明显高于外贴壁塌陷面积[53]；在3例短瘤颈、扭曲瘤颈和髂动脉扭曲的患者中使用AnacondaTM（Terumo company，Inchinnan，UK）支架进行模拟，其结果显示病例的体内和体外血管中心线最大位置误差分别为11.8 mm和4.1 mm，提示此支架即使在扭曲的AAA患者中，也可以实现精确模拟[54]。③ 数据挖掘：大数据方法评价EVAR与OSR的生存结果，利用Medicare数据库中的7 826例患者进行仿真模拟，采用了基于DL的分析策略，结果显示对于短期和长期死亡率，EVAR都具有生存优势[55]。 Chakshu等[56]利用虚拟患者数据库，提出了一种利用循环神经网络（recurrent neural network，RNN）对心血管系统进行逆向分析的方法。通过输入3条非侵入性血管（颈动脉、股动脉和肱动脉）的压力波形，借助长短期记忆网络（long short-term memory，LSTM）反演计算出人体各血管的血压波形，并用于检测AAA及其严重程度，这种借助无创或微创测量工具进行生物医学应用的方法，有可能减少对复杂和侵入性诊断工具的依赖。
4 总结和展望
尽管AI和影像组学在AAA领域的研究仍处于起步阶段，但是通过自动定量测量和精确表征AAA的形态学和影像组学特征，将更加有助于AAA成像的解释和分析。此外，还可以利用特征间复杂的关系指导预后预测和提高预测的准确性，并提出个性化的治疗及随访方案，旨在实现AAA的精准医疗。
重要声明
利益冲突声明：本文全体作者阅读并理解了《中国普外基础与临床杂志》的政策声明，我们没有相互竞争的利益。
作者贡献声明：王永刚负责检索和整理文献，设计文章框架，撰写论文；史振宇指导修订论文，提供建议；符伟国提供指导性支持以及论文终审。
腹主动脉瘤（abdominal aortic aneurysm，AAA）是最常见的主动脉瘤，是一种危及生命的疾病[1]，目前治疗方式主要依赖于开放手术修复（open surgery repair，OSR）或腔内修复术（endovascular aortic repair，EVAR） [2-3]。临床上最常用的评估AAA的手段为电子计算机断层扫描血管造影（computed tomography angiography，CTA），如何有效地定量测量和精确表征AAA的特征，并充分利用特征间复杂的关系指导预后预测和提高预测准确性有极为广阔的临床应用前景和价值。近年来人工智能（artificial intelligence，AI）尤其是其中的机器学习（mechanical learning，ML）和深度学习（deep learning，DL）算法[4-7]，已广泛应用于医学的各个领域，为诊断、治疗和预后预测提供指导；此外，影像组学相关的报道也越来越多[8-10]。然而迄今为止，其在AAA的研究相对较少。笔者就AI和影像组学在AAA领域的研究进展进行综述，旨在为AAA的研究和临床决策提供新的思路。具体将从特征提取、风险预测和其他3个方面进行综述。
1 特征提取
1.1 形态学特征（AI-DL）
目前，CTA是评估AAA的主要手段，研究者尝试对AAA、血栓和钙化实现全自动分割。传统图像分割大多为通过基于强度的半自动算法（水平集、主动形状模型和图形切割）结合先验形状来解决，大多数被提出的算法都需要用户交互/先前的管腔分割。它们的性能在很大程度上依赖于复杂的参数调优，影响了其鲁棒性和在临床实践中的适用性[11-15]。AI，特别是DL和图形处理单元（graphics processing units，GPUs）的发展，使得全自动分割成为可能[16]。
通过对AAA、血栓和钙化的全自动分割，可以缩短分析时间、增加复现性；可以获得良好的初始近似，用于进一步形态学特征的表征。由于特征标准化，全自动分割有望成为日常临床实践中的辅助工具，协助指导临床医生进行诊断、风险评估、确定治疗方案以及临床研究。① AAA全自动分割：Wang等[17]利用卷积神经网络（convolutional neural network，CNN）进行多模态医学AAA图像分割，通过对CT和磁共振（magnetic resonance，MR）图像进行端到端训练，经过5 500次迭代后，CT融合的验证精确度与单独模型非常接近（99.1% 比 98.8%），MR融合的验证准确率为98.5%，比单独模型的验证准确率高了1.2%。Lareyre等[18]开发了一种全自动软件系统，能够自动检测主动脉管腔和AAA特征，包括存在的血栓和钙化，对40例患者进行测试，其瘤腔体积与人工标记重叠达97%，敏感度为92%，特异度为99.97%。Mohammadi等[19]利用CNN自动分割、检测和诊断AAA，所设计的CNN分类器将腹部分为4个部分即腹部区域、主动脉、体缘和骨骼。其整体准确度、精确度和敏感度分别为97.93%、97.94%和97.93%，所提出的分类器对主动脉区域检测的准确率为98.62%。② 钙化与血栓全自动分割：Graffy等[20]利用CNN实现主动脉钙化自动分割和评分，在对812例患者验证中与Agatston评分一致性的r2=0.84，该结果提示此算法支持个性化和基于人群的钙化评估。而对于血栓全自动分割， López-Linares等[21]提出了一种新的基于深度卷积神经网络（deep convolutional neural networks，DCNN）的方法，该方法是建立在全卷积网络（fully convolutional network，FCN）和整体嵌套边缘检测（holistically-nested edge detection，HED）的基础上用于血栓自动分割，在13例患者术后CTA中进行训练、验证和测试，其测试结果显示：Dice系数为0.82±0.07，假阴性率为0.16±0.11，假阳性率为0.18±0.08。 Caradu等[22]使用了一种新的全自动软件（PRAEVAorta），对100例AAA患者的CTA进行自动分割，结果显示：AAA主动脉腔的体积相似度为0.95±0.04，瘤腔血栓的体积相似度为0.91±0.07，总体积的相似度为0.98±0.01，平均Dice系数为0.95±0.0.01。
1.2 影像组学特征（影像组学-ML）
尽管形态学特征在AAA的诊疗中起至关重要的作用，但是对于复杂解剖学形态的AAA，传统的特征提取方法存在许多缺陷。例如，我们可以看到AAA的形状，但更多形态学特征无法被描述。更不用说我们根本无法看到的纹理等特征。实体肿瘤在空间和时间上都存在异质性，这限制了基于分子检测的侵入性活检的使用，而影像组学则能以非侵入性的方式捕捉肿瘤内的异质性[8]，近年来，由于非肿瘤性疾病的常规影像诊断存在定性和定量的问题，它已逐渐被应用于非肿瘤性疾病中[23-28]。但是影像组学在AAA领域的研究相对较少，或更准确地称为纹理分析，因为这些研究大部分是通过CT灰度/像素强度直方图以区分病变组织的异质性。① 基于纹理分析的血栓分割：Maiora等[29]创建了一个交互式的血栓分割系统，是利用灰度共生矩阵（gray level co-occurrence matrix，GLCM）和局部二值模式（local binary pattern，LBP）通过主动学习来实现的，并在对包含不同数量CT切片（216～560张）的8例患者中得到了初步验证。② 基于纹理分析的风险预测： Kotze等[30]利用CT信号异质性预测AAA扩张，并在50例患者中进行测试，CT纹理分析结果显示，粗纹理与AAA氟脱氧葡萄糖（fluorodeoxyglucose，18F-FDG）的最大标准化摄取值成反比（P=0.003），中等粗纹理与AAA扩展显著相关（P=0.030），18F-FDG的最大标准化摄取值与AAA扩张成反比（P=0.015）。García等[31]从EVAR术后动脉瘤血栓样本中应用3种常规纹理分析方法，即GLCM、灰度行程矩阵（gray level run length matrix，GLRLM）和灰度差分法（gray level difference method，GLDM），以及作者提出的一种新方法—局部共生灰度行程矩阵（run length matrix of local co-occurrence matrices，RLMLCM）开发一种试验性的计算机支持的内张力诊断系统。 此外，从EVAR术后CT图像中获得的纹理特征也可以用来辨别不同内漏的转归，GLCM、GLRLM和GLDM能够区分有利或不利的转归，准确率分别为（93.41±0.024） %、（90.17±0.077） % 和（81.98±0.045） %[32]。 ③ 基于影像组学的风险预测：Charalambous等[33]利用影像组学特征构建的支持向量机（support vector machine，SVM）分类模型预测EVAR术后Ⅱ型内漏的转归，第1个月和第6个月的影像组学特征预测1年AAA的扩张，受试者工作特征（receiver operating characteristic，ROC）曲线下面积（area under the curve，AUC）分别为0.89和0.96。
2 风险预测
血管外科学会（Society for Vascular Surgery，SVS）和欧洲血管外科学会（European Society for Vascular Surgery，ESVS）指南[34-35]定义了AAA患者的管理建议，其治疗的决定主要依赖于对AAA增长及破裂风险与手术风险之间平衡的评估。
2.1 增长与破裂（AI-ML）
SVS和ESVS指南[34-35]建议大多数无症状的小AAA患者应接受影像学监测，直到AAA直径大于55 mm或AAA快速扩张。① 增长预测：Hirata等[36]通过对AAA主干中轴线、无瘤腔血栓主干中轴线等参数构建模型，对50例小AAA ［直径为（38.5±6.2）mm］ 患者进行预测，结果显示AAA的主干中轴线和AAA面积与AAA扩张显著相关（r=0.472、P＜0.01，r=0.416、P＜0.01），ML预测AAA显著扩张（直径＞4 mm/年）优于AAA主干中轴线（AUC分别为0.86和0.78）。Lee等[37]基于流动介导的扩张（flow mediated dilatation，FMD）预测AAA增长，利用ML对入组患者前瞻性记录12个月时的增长数据，79例患者在24个月时进一步记录了增长数据，其结果显示在12个月和24个月时，有85%和71%的患者的AAA直径误差在2 mm以内。 ② 破裂风险：Erhart等[38]对无症状的15例男性AAA患者进行有限元分析（finite element analysis，FEA），来计算壁面峰值应力（peak wall stress，PWS）以及最高和最低破裂风险指数（rupture risk index，RRI）的区域，其结果显示，相较于低破裂风险区域，由FEA估计的高破裂风险区域包含了更多的组织病理学改变。Joldes等[39]通过对48例AAA患者的初步验证，提出了基于生物力学动脉瘤破裂风险预测（biomechanics based prediction of aneurysm rupture risk，BioPARR）的AAA分析软件，该软件有助于评估AAA破裂风险。 Canchi等[40]探讨了在AAA破裂或未破裂的情况下，临床指标和形态学参数之间的潜在相关性。 Jordanski等[41]提出了一种基于ML的方法，用于计算壁面剪应力（wall shear stress，WSS）分布来预测破裂风险，为了解AAA的几何参数、血液密度、动态黏度和速度与WSS分布之间的关系，研究采用多元线性回归、多层感知器（multi-layer perceptron，MLP）和高斯条件随机场（gaussian conditional random fields，GCRF） 3种方法，其结果显示：GCRF有最高的决定系数（coefficient of determination），为0.930～0.948。
2.2 手术风险（AI-ML）
既往手术风险预测模型，例如格拉斯哥动脉瘤评分（glasgow aneurysm score，GAS）、 国家手术质量改进计划（National Surgical Quality Improvement Project，NSQIP），新英格兰血管研究小组（Vascular Study Group of New England，VSGNE）等在AAA患者术后预测方面表现欠佳，尤其是EVAR术后风险预测[42-45]。而ML作为AI中常用的方法，具有利用特征之间复杂而微妙的关系进行预测的潜力，已逐渐应用于医学各个领域[5-6]，ML也逐渐应用于AAA相关的研究。
基于ML的风险预测：Rengarajan等[46]用7个特征（6种形态学特征和1个生物力学特征）来评估AAA患者适合哪种手术方式（择期/紧急修复），k近邻（k-nearest neighbor，KNN）分类器产生的特异度可高达96%。 Monsalve-Torra等[47]基于ML的方法来预测OSR住院患者死亡率，入组310例患者，包括57个属性的特征，这些属性分为4个集群：患者的基本数据、临床病史、手术数据和术后数据。采用MLP、径向基函数（radial basis function，RBF）神经网络和贝叶斯神经网络的方法，其结果显示贝叶斯神经网络的预测准确率可高达96.1%。Wise等[48]利用人工神经网络（artificial neural network，ANN）预测AAA破裂后OSR/EVAR的住院死亡率，并与多元逻辑回归和 Glasgow评分模型进行比较，结果显示多元逻辑回归、ANN和Glasgow评分模型的AUC分别为0.85±0.04 、0.88±0.04和0.77±0.06。 Karthikesalingam等[49]通过对761例患者术前AAA形态学特征进行量化，并随访5年的支架移植物相关并发症，采用ANN方法预测移植物相关并发症并区分哪些患者为低风险，哪些患者为高风险，在验证数据集中，ANN将44.4%的患者划分为低风险组，低风险组5年无移植物相关并发症者的占比为95.9%，高风险组的占比为67.9%（P＜0.001）。Kordzadeh等[50]对250例患者的26个术前特征建立ML预测模型，结果显示贝叶斯神经网络在测试集中预测Ⅰ型、Ⅱ型和Ⅲ型内漏的总体准确率＞86%。
3 其他
① 患者管理： 影像监测不足被认为是导致AAA破裂的最重要因素。Kim等[51]报道利用AI促进放射科质量、信息学负责人利用IT解决方案来实现内容整合、结果沟通和患者随访。② 模拟支架部署：利用计算机基于FEA方法可用于模拟支架在体内部署，以指导临床应用。Medtronic （Santa Rosa，CA，USA）和Cook Medical （Bloomington，Indiana，USA）两款支架在3例患者中模拟的结果显示与实际支架几何形状匹配，尤其是在AAA的近端和远端[52]；在大部分扭曲的AAA中，FEA方法模拟结果提示支架移植物的横截面面积减少可高达57%，并且动脉瘤内贴璧塌陷面积明显高于外贴壁塌陷面积[53]；在3例短瘤颈、扭曲瘤颈和髂动脉扭曲的患者中使用AnacondaTM（Terumo company，Inchinnan，UK）支架进行模拟，其结果显示病例的体内和体外血管中心线最大位置误差分别为11.8 mm和4.1 mm，提示此支架即使在扭曲的AAA患者中，也可以实现精确模拟[54]。③ 数据挖掘：大数据方法评价EVAR与OSR的生存结果，利用Medicare数据库中的7 826例患者进行仿真模拟，采用了基于DL的分析策略，结果显示对于短期和长期死亡率，EVAR都具有生存优势[55]。 Chakshu等[56]利用虚拟患者数据库，提出了一种利用循环神经网络（recurrent neural network，RNN）对心血管系统进行逆向分析的方法。通过输入3条非侵入性血管（颈动脉、股动脉和肱动脉）的压力波形，借助长短期记忆网络（long short-term memory，LSTM）反演计算出人体各血管的血压波形，并用于检测AAA及其严重程度，这种借助无创或微创测量工具进行生物医学应用的方法，有可能减少对复杂和侵入性诊断工具的依赖。
4 总结和展望
尽管AI和影像组学在AAA领域的研究仍处于起步阶段，但是通过自动定量测量和精确表征AAA的形态学和影像组学特征，将更加有助于AAA成像的解释和分析。此外，还可以利用特征间复杂的关系指导预后预测和提高预测的准确性，并提出个性化的治疗及随访方案，旨在实现AAA的精准医疗。
重要声明
利益冲突声明：本文全体作者阅读并理解了《中国普外基础与临床杂志》的政策声明，我们没有相互竞争的利益。
作者贡献声明：王永刚负责检索和整理文献，设计文章框架，撰写论文；史振宇指导修订论文，提供建议；符伟国提供指导性支持以及论文终审。