|
 |
图 人工智能自动化检测模型改善颅内动脉瘤诊断流程和性能
在国家自然科学基金项目（批准号：81830057、82102155）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教授、徐州医科大学附属医院胡春峰教授、香港大学俞益洲教授及其合作者在颅内动脉瘤人工智能影像检测研究方面取得进展。研究成果以“CT血管成像颅内动脉瘤的深度学习检测模型：一项来自中国的阶梯式、多中心、早期临床验证研究（A deep-learning model for intracranial aneurysm detection on CT angiography images in China: a stepwise, multicentre, early-stage clinical validation study）”为题，在《柳叶刀·数字医疗》（Lancet Digital Health）杂志发表，论文链接：https://www.thelancet.com/journals/landig/article/PIIS2589-7500(23)00268-6。
颅内动脉瘤在中国人群中的患病率为7.0%，其破裂是引起蛛网膜下腔出血（Subarachnoid hemorrhage，SAH）的主要原因，致残致死率高达50%。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。但由于颅内血管系统的复杂性，临床上对于尺寸相对较小的动脉瘤经常出现漏诊或误诊。近年来，人工智能（Artificial intelligence，AI）在基于医学影像的病变检测领域展现出了巨大潜力。但是，由于AI诊断在临床中的应用缺乏严格的验证流程，其对医生诊断效能的影响尚不清楚。
研究团队基于AI驱动的决策支持系统开发和探索性临床研究指南（Developmental and Exploratory Clinical Investigations of DEcision support systems driven by AI，DECIDE-AI），开展了基于全国15个省份、27家医院的多中心临床验证研究。团队使用大队列的16,546例CTA数据，构建了基于全局上下文建模网络（Global Context Network）和局部细粒度网络（Local Fine-grained Network）的动脉瘤检测级联网络模型。在内部数据验证中，该模型检测颅内动脉瘤的敏感性高达95.7%，每个病例处理时间平均仅为22.2秒。在外部验证中，团队开展了人机对比、多读者多病例、开放标签随机对照以及前瞻探索性临床验证研究，均证明了该模型可有效提高颅内动脉瘤的诊断敏感性。
总之，这项工作构建了一个基于头颅CTA图像数据的颅内动脉瘤AI影像自动化检测模型，建立了AI诊断颅内动脉瘤的临床验证流程，在提升我国颅内动脉瘤影像诊断同质性方面具有较大潜力，将为进一步探索基于颅内动脉瘤AI模型对患者诊断及预后结局影响的大型前瞻性临床试验提供参考。