在国家自然科学基金项目（批准号：81830057）等资助下，南京大学医学院附属金陵医院放射诊断科张龙江、卢光明教授团队联合天津市第一中心医院、连云港市第一人民医院、南京脑科医院和北京深睿博联科技有限责任公司相关专家在基于人工智能的颅内动脉瘤自动化分割与检测研究方面取得进展。研究成果以“用于检测CT血管成像上颅内动脉瘤的临床应用型深度学习模型（A Clinically Applicable Deep Learning Model for Detecting Intracranial Aneurysm in Computed Tomography Angiography Images）”为题，于2020年11月30日在线发表在《自然·通讯》（Nature Communications）。论文链接：https://www.nature.com/articles/s41467-020-19527-w。
中国人群颅内动脉瘤的发病率约为7%，其破裂导致蛛网膜下腔出血的24小时死亡率高达37%。早期精准检出对颅内动脉瘤的临床管理和预后有重要意义。CT血管成像（CT angiography，CTA）是一种无创、方便、可靠的颅内动脉瘤检测手段，然而其诊断性能受到多种因素影响，如设备、工作经验等，导致了不同研究的诊断敏感性出现较大差异。近年来，深度学习技术在基于医学影像进行病变检测方面显示出了巨大潜力，利用深度学习有望提高CTA图像上颅内动脉瘤的检测效能并对临床实践产生积极影响。
该团队基于1177例经过“金标准”脑血管造影验证的CTA图像数据进行深度学习模型的训练，在深度学习算法方面，设计了基于编码器和解码器结构的分割模型，并融合空间信息和通道注意力模型，使用全局语义特征建模以增强网络对图像的分割效果，模型检测颅内动脉瘤的敏感性高达97.3%，假阳性率低至0.29个动脉瘤/例，每个病例处理时间仅为17.6秒。在独立内部验证数据中其敏感性为94.4%，在外部数据集中敏感性为84.6%。该模型对于图像质量的影响具有较高的容忍度。在和医生诊断(6名不同年资放射科医生及2名高年资神经外科医生)对比实验中，该模型显示出了更高的诊断敏感性（敏感性平均提高12.8%）和更快的诊断速度（耗时平均减少7.5秒）。在CTA的另一常用临床场景——急性缺血性脑卒中患者的验证中，该模型也展示了卓越的筛查能力，其阴性预测值高达99.0%，可作为排除脑动脉瘤患者的可靠工具。
该研究在较大程度上实现了颅内动脉瘤的智能化影像检测，可优化动脉瘤检测流程，有望对患者的及时处理和预后改善产生积极影响。目前，该模型的头颈CTA智能化影像后处理平台正在包括东部战区总医院在内等10余家医院试运行。