通过机器学习预测血流导向装置治疗动脉瘤的预后

来自美国纽约水牛城大学的Meng教授等将图像计算分析应用于临床FD治疗动脉瘤，以提取动脉瘤形态学、治疗前和治疗后血流动力学以及FD装置特征的信息，然后使用这些参数来训练机器学习算法以预测FD治疗后6个月的临床结果。

————摘自文章章节

【Ref：Paliwal N,et al.Neurosurg Focus 45 (5):E7, 2018.DOI: 10.3171/2018.8.FOCUS18332.】

研究背景

血流导向装置（FD）已广泛应用于复杂动脉瘤的治疗，如宽颈动脉瘤、巨大或梭型动脉瘤。然而，如果术中动脉瘤不完全闭塞，患者发生血栓栓塞和动脉瘤破裂的风险则会大大增加。对FD治疗结果进行先验评估可以使治疗优化并且获得更好的临床结果。

机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能，现已逐渐应用至医学研究中。来自美国纽约水牛城大学的Meng教授等将图像计算分析应用于临床FD治疗动脉瘤，以提取动脉瘤形态学、治疗前和治疗后血流动力学以及FD装置特征的信息，然后使用这些参数来训练机器学习算法以预测FD治疗后6个月的临床结果。

研究方法

作者回顾性收集了80例患者的临床数据（共84个动脉瘤使用FD治疗）（表1）。根据6个月的血管造影结果，动脉瘤被分类为闭塞（n = 63）或残留（不完全闭塞，n = 21）。对于每种情况，作者使用快速虚拟支架算法和使用基于图像计算流体动力学的血流动力学来模拟FD释放（图2、图5）。计算每个动脉瘤的16个参数（包括形态学、血液动力学、FD相关特征）（表2）。随后将动脉瘤以约3：1的比例随机分配到训练或测试组。对来自训练组的数据进行Student t-检验和Mann-Whitney U-检验，以识别区分闭塞组和残留组的显著参数。然后使用4种类型的监督机器学习算法训练预测模型：逻辑回归（LR），支持向量机（SVM；线性和高斯核函数），K-最近邻和神经网络（NN）（图1、3）。在测试组中，作者比较了使用所有参数训练的每个模型的结果预测与仅使用显著参数的结果预测（表3）。

表1. 患者临床特征资料

表2. 训练组的16个参数统计分析（包括动脉瘤形态学、血流动力学、FD相关特征）

表3. 所有参数与显著参数的准确率

图1. 不同机器学习分类算法图示；A：Logistics回归，其中数据上有分类线；B：支持向量机，通过最大化任一侧的边距来识别分离数据的最佳超平面；C：K-最近邻算法，其中基于其与现有数据库中的点的距离来预测新点；D：具有2个隐藏层的神经网络，其中互连神经元系统使用反向传播来从训练数据中学习

图2. 用于构建和测试FD处理的动脉瘤栓塞结果的预测模型流程图；在提取形态学，FD相关特征和血流动力学参数后，将患者随机分为训练组和测试组，然后使用1）所有参数和2）训练群组上的显著参数来训练两组模型，最后在测试群组上测试这些模型的预测性能

图3. 训练组中每个机器学习模型的ROC曲线；（A）所有参数和（B）显著参数。 AUC = ROC曲线下面积；G-SVM =高斯支持向量机；K-NN = K-最近邻算法；LR =Logistics回归； L-SVM =线性支持向量机； NN =神经网络

图4. 用于在测试群组上预测机器学习模型（使用所有参数训练）的混淆矩阵，纵轴表示实际临床结果，横轴表示模型预测结果；绿色表示正确的预测，红色表示预测不正确。

图5. 用于为FD治疗的动脉瘤生成临床实用预测模型的计算分析方法；左图显示了2个具有代表性的ICA动脉瘤，使用单个FD治疗。最右边的图显示了治疗6个月后的闭塞结果：上部图像中的动脉瘤完全闭塞（红色圆圈），而下部图像中的动脉瘤具有持续的残余填充。中图显示计算分析工作流程，该工作流程使用预处理3D DSA图像生成3D动脉瘤模型，然后分别使用虚拟支架和CFD模拟FD释放。动脉瘤形态学、血流动力学和FD相关特征被用作机器学习算法模型训练，后者可以预测FD治疗动脉瘤后6个月的闭塞结果。注意，神经网络的图像被显示为用于预测模型构建的代表性机器学习算法。

研究结果

训练组（n = 64）由48个闭塞动脉瘤和16个残余动脉瘤组成，而测试组（n = 20）由15个闭塞动脉瘤和5个残余动脉瘤组成（表1）。在闭塞（良好结果）和残余（预后不好）两组之中，显著性检验得出2个形态学（瘤口比率和颈体比率）和3个血流动力学（治疗前流入率，治疗后流入率和治疗后动脉瘤平均速度）共5个判别式，同时这5个参数作为显著参数。在训练和测试中，使用所有16个参数训练的所有模型比仅使用5个显著参数训练的所有模型执行得更好。在所有参数模型中，NN在训练期间表现最佳，其次是LR和线性SVM。在测试期间，NN和Gaussian-SVM模型在预测栓塞结果方面具有最高的准确度（90％）（表3、图4）。

结论

纳入动脉瘤所有的16个参数（形态学、血流动力学和FD相关特征）NN和Gaussian-SVM模型在预测FD治疗后6个月动脉瘤闭塞结果的准确率达90％。未来可以通过大样本患者数据库进行工作流程计算和机器学习以便获取更好的模型，进而通过模型来优化临床计划与手术治疗。

注：瘤口比率指动脉瘤口的面积与同一层面剩余载瘤动脉面积（除外动脉瘤口占据的面积）的比值

组稿

张颖影 主治

复旦大学附属华东医院

编译

陈成伟 医师

浙江省中医院

审校

方亦斌 副教授

上海长海医院

终审

刘建民 教授

上海长海医院卒中中心

兼神经介入中心主任