第47章：基于人工智能的主动脉评估（Artificial Intelligence-Based Evaluation of the Aorta）

引言与主动脉分割概述

本章以主动脉自动评估为主线，开篇即点出主动脉分割（aortic segmentation）作为后续形态学评估的"关键使能步骤"（critical step）：从管腔尺寸到形态学特征均依赖准确的分割结果，而手工标注耗时且难以融入临床工作流，因此基于机器学习的自动分割被引入以标准化诊断和风险评估。多数研究采用专家手工标注作为 ground truth。承接上文 (Ref 14) Noothout 等基于深度学习的多标志点定位研究——其同时估计多个标志点可使误差降到 1.87 ± 1.67 mm，每例处理 0.06 ± 0.05 秒，6 个标志点误差低于观察者内变异——作者比较了深度学习搜索（DLR）与卷积神经网络（CNN）两种策略：DLR 只能从初始位置向单个目标标志点搜索最优路径，CNN 则可同时进行单/多标志点定位而无需扫描整个容积或预先分割，因而在效率上更具优势。这一段作为本章分割讨论的引子，明确了 CNN 在主动脉图像分析中的基础地位。

非增强与增强 CT 的主动脉分割

最早的胸主动脉自动 DL 分割工作由 Noothout 等提出，使用扩张型 CNN（dilated CNN）把主动脉分为升主动脉、主动脉弓、降胸主动脉三段 [15]。研究在来自国家肺筛查试验（National Lung Screening Trial [16]）的 24 例低剂量非增强胸部 CT 上进行：CNN 分别在轴位、冠位、矢位三个平面将体素分类为三段或背景，最后融合三平面结果得到最终分割；平均总体 Dice 相似系数（DSC）为 0.87 ± 0.03。表现最好的是降胸主动脉，最差的是升主动脉，原因可能包括心脏搏动伪影、非增强时缺少血管内碘对比造成的低软组织对比、以及低剂量协议带来的更高图像噪声。Fantazzini 等 [17] 改用 80 例增强 CTA 扫描，提出三步法：先用 CNN 在降采样图像上粗略定位主动脉，再由三个独立 CNN 分别在轴、矢、冠三个平面分割，最后集成多平面分割结果；多视图聚合在精度上优于单视图分割，作者用 80 例增强 CTA 数据定位并分割了胸腹主动脉管腔以及主动脉弓和腹主动脉的分支血管。

主动脉夹层的分割

主动脉夹层在图像分割上具有特殊挑战：真假两腔在大小与对比剂充盈上可不对称。Cao 等 [18] 在 276 例 B 型主动脉夹层（TBAD）CTA 上采用级联全 CNN，同时分割全主动脉、真腔（TL）与假腔（FL），三者的 DSC 分别为 0.93 ± 0.01、0.93 ± 0.01 和 0.91 ± 0.02，证实了 TL/FL 全自动分割的可行性。Hahn 等 [3] 提出分步式 CNN：先在沿主动脉轴的多平面重建（MPR）上生成图像，再在正交于轴的 MPR 上分割 TL/FL；研究在 45 例无并发症 TBAD 的 153 例 CTA 上进行（Fig. 47.4），由 4 名资深放射科医生手工分割作为参考，中位随访 4 年；验证集和测试集上平均 DSC 介于 0.873–0.900，且在含 FL 血栓的数据上仍表现稳健，显示出在随访评估中的应用潜力。Cheng 等 [19] 专门聚焦 TL，用定制 U-Net 架构在 2D 轴位图像上分割 TL；20 例 CTA 中一半为夹层阳性，算法在患者层面正确识别 9 例阳性、8 例阴性，敏感性 90%、特异性 80%、总体准确率 85%。Bai 等 [20] 跳出静态 CT 切片的范式，把全卷积网络与循环神经网络结合，引入时空信息到分割任务；在 UK Biobank 500 例主动脉 MR 图像序列上，升主动脉平均 DSC 0.960、降主动脉 0.953，且解决了时间稀疏标注下的网络训练难题——在分割精度和时间平滑度上均优于当时最先进方法。

腹主动脉瘤（AAA）分割

AAA 分割方面，de Bruijne 等 [21] 提出半自动方案：在 CTA 序列切片上以形状模型拟合分割动脉瘤囊——以第一张 2D 轴位图像上手工勾画的轮廓为参照，向后续切片传播。这一思路源于主动形状模型（ASM）——将目标形状的统计先验与轮廓附近的局部外观模型结合；研究在 23 例 CTA 共 1175 个轴位切片上验证（2 例术前、21 例术后/随访），以专家手工分割为金标准，结果 6 张切片中仅 1 张需要人工干预，专家分割时间可减少到 1/6。Subasic 等 [22] 同样做半自动分割，方法改为基于水平集算法的 3D 形变模型，特别适合 AAA 这类复杂结构；流程分两步分别处理 11 例 CTA 的内外壁，得到与人工专家相当的 3D 主动脉壁模型。Zhuge 等 [23] 提出完全自动系统：基于 3D 水平集，融合全局区域分析、局部特征分析与水平集边界演化；20 例 CTA 上每例分割时间 7.4 ± 3.8 分钟（手工 20–30 分钟），体积重叠率 95.3% ± 1.4%，用户唯一需要的操作是手动标识含动脉瘤的最上和最下两张切片。

主动脉血栓分割

AAA 增大常伴血栓形成。虽然血栓体积对动脉瘤破裂的具体作用仍存争议，但准确测量其最大径仍与患者预后相关；血栓与周围组织密度相近使精确分割十分困难。Maiora 等 [24] 提出基于主动学习的快速 AAA 体积分割：随机森林分类器把分类不确定的像素迭代交回人工读片者，在人机迭代中渐进减少人工干预。Lalys 等 [25] 提出近乎自动的 3D 形变模型方法处理 145 例 AAA 患者（含术前与术后 CTA），方法通用、人工交互少；与手工勾画相比，术前/术后 CTA 的 DSC 分别为 0.86 和 0.87。Lopez-Linares 等 [4] 实现完全自动：先用 CNN 在 13 例术后 CTA 上检测血栓、再用第二个 CNN 分割血栓，术后血栓分割 DSC 0.82，3D 自动分割质量以专家手工容积为 ground truth 验证。Joldes 等 [26] 在 48 例 AAA 上同时处理 CT 与 MRI 数据，用图像分割、几何构建、网格划分、有限元分析与破裂潜能指数计算等一套流程，输出 3D 彩色 AAA 模型；除最初分割外无需用户干预，并可模拟含血栓的多种建模场景。Wang 等 [27] 关注多模态融合：21 例 AAA 的 CT 图像被分为 5 类（管壁、管腔、血栓、钙化、背景），MR 图像中排除钙化其余类似——这种 network fusion 方法缩短了非配准 CT/MR 的训练时间，可学到 AAA 在两模态下的融合表征。Lareyre 等 [28] 把 AAA 图像分析推向全自动：流水线在 40 例多中心、多厂商 CTA 上自动检测主动脉管腔并刻画 AAA 组分（包括腔内血栓与壁钙化），主动脉管腔 DSC 0.93、血栓 0.88，每例耗时 5 秒至 1 分钟；管腔（r=0.99）与血栓（r=0.90）的手工与自动分割相关性极高，作者指出在临床上可转化为更可复现的腔内支架（endograft）选型。作者总结道，越来越多分割方法走向完全自动化，但专家标注和初始分割仍多为手工，且可用来开发训练算法的数据集规模有限，仍需更大规模的多中心数据验证大规模临床应用价值。

CT 主动脉夹层的自动检测

少数研究开始关注在增强 CT 上直接检测主动脉夹层。Harris 等 [29] 训练 CNN 处理 2D 轴位切片，识别主动脉夹层或主动脉破裂；研究依托远程放射场景——因检查量极大，自动优先级排序有望提高患者生存率——前瞻性地在 4 周内对 3 万余例胸部 CTA 进行分类，算法标记为阳性的病例报告延迟显著降低（P < 0.0001），与阴性病例相比报告时间差超过 6 分钟。Hata 等 [30] 训练 DL 算法在 170 例患者上检测夹层，仅使用非增强 CT（因回顾性设计无法实时排序），AUC 0.94，准确率、敏感性、特异性与放射科医生相当。作者承认这些只是早期尝试，存在明显局限：例如头尾范围有限的夹层可能被漏掉；急性/慢性、A/B 型等进一步分型仍不可行；主动脉瘤等其它发现可触发假阳性；这些不足需在未来研究中解决，方可考虑临床实施。

主动脉夹层与 AAA 的预测

机器学习的另一大方向是主动脉疾病患者的预后预测。Wojnarski 等 [5] 在 1181 例二叶式主动脉瓣患者（其主动脉并发症发生率高于一般人群，但预防性升主动脉置换时机缺乏共识）的大队列中，用随机森林评估发生 A 型主动脉夹层（TAAD）的风险，结合初始 CT 与临床变量；结果提示初始影像时 TAAD 风险主要依赖升主动脉直径（阈值 5.3 cm），其次为 Valsalva 窦处直径（5.0 cm）。Wu 等 [31] 用同一模型预测 1133 例 TAAD（由 CTA 确诊、由两位盲于研究目的的专家评估）的住院期间破裂风险，提示最强的预测因子是主动脉周围血肿，其次是 15 项临床变量，包括入院时高血压（>160 mmHg）。Macrina 等 [32] 测试一系列临床与手术风险因素以预测术后 30 天死亡率，候选变量按人口学、术前、术中、术后即时分为四类，最终入选的预测变量包括术前休克、体外循环时长、术后慢性肾衰、手术年份、术前插管、术后需立即透析、术后 24 小时出血量、术前神经症状；同一团队 [33] 评估最长 7 年长期术后死亡率，共 84 例死亡（36%），其中 81 例（95%）为心源性，Marfan 体态、循环阻断时长、术式（升主动脉+半弓替换）、术后突发慢性肾衰为不良预后风险因子。

AAA 增长与破裂预测：Lee 等 [34] 用一组基准学习技术预测个体 AAA 在基线后 12 与 24 个月的生长情况；AAA 前后径由超声前瞻记录（94 例 12 个月、其中 79 例 24 个月），允许 2 mm 误差以兼容超声测量技术变异；算法在 12 个月时准确预测 85% 个体直径、24 个月时 71%，若被更大规模研究证实，可望个体化调整 AAA 患者的监测间隔。Kleinstreuer 等 [35] 提出基于 8 个生物力学因素的小 AAA 监测方案，在 3 例患者上验证，可正确分入低危、观察、择期修复、即将破裂四类，预测破裂比单纯依赖最大直径更准。

术后结局预测

AAA 死亡率高，自然史与进展受大量临床与影像因素影响，AI 驱动的 AAA 修复候选患者或破裂 AAA 的死亡率预测评分成为新兴方向。Hadjianastassiou 等 [6] 在 1751 例术后 AAA 患者中预测住院死亡率，比较多元回归与人工神经网络（ANN）及受训临床医生的判断，结果多元回归在准确性上优于临床估计和 ANN；但作者指出，由于比较对象是受训医生而非资深医师，这些模型更适于辅助 ICU 培训医生，而非经验丰富的临床判断。Wise 等 [36] 关注破裂 AAA，对 125 例患者用四变量 ANN（年龄、心脏骤停、意识丧失、休克）评估住院死亡率；与多元 logistic 回归和 Glasgow 动脉瘤评分相比，四变量 ANN 区分度更高，可为破裂 AAA 患者提供更准确的预后判断并辅助手术候选决策。Monsalve-Torra 等 [37] 测试多种 ML 算法并基于 310 例开放 AAA 修复患者构建临床决策支持系统，比较多层感知机、径向基网络与贝叶斯方法；经特征选择降维后，贝叶斯网络表现最佳，准确率 96.1%、敏感性 86.8%、特异性 96.8%。Turton 等 [38] 旨在识别 102 例破裂 AAA 术后 30 天死亡率的关键预测因子，构建神经网络，30 天死亡率达 53%；含术前心脏骤停、腹腔内出血、术前血小板减少、到达时血压不稳定的网络在 82.5% 个体上正确预测生存，敏感性 86.4%、特异性 79.3%。

Karthikesalingam 等 [39] 用 ANN 在 761 例 EVAR 患者上开发并外部验证预测腔内支架并发症与死亡率的工具，术前动脉瘤形态被量化，腔内支架并发症在常规随访 CT 上记录至术后 5 年；ANN 在外部验证中将患者分为低/高风险组，5 年免于主动脉并发症、肢体并发症和死亡率分别为 95.9% vs 67.9%、99.3% vs 92.0%、87.9% vs 79.3%（p < 0.001）；作者认为用 ML 工具对 EVAR 长期结局进行风险分层或可改善患者选择与随访，但临床使用前仍需进一步验证与可行性研究。Attallah 等 [40] 用新型混合特征选择方法在两个 EVAR 数据集（457 + 286 例，两个中心）上应对高删失问题，融合包装法（多分类器系统）与迭代特征排序过滤法，性能优于基于 Cox 模型的单一分类器与变量选择，可更准确预测 EVAR 后再干预风险；该团队 [41] 进一步在同样数据集上用新型特征选择 + 解删失方法，使特征子集与 ANN 结合后，在预测 EVAR 后 5 年再干预风险上优于 Cox 回归。

García 等 [42] 关注 EVAR 长期影像随访以发现内漏等并发症：从 70 例 EVAR 患者动脉瘤血栓 CT 上提取纹理特征，三种方法（灰度共生矩阵 GLCM、灰度游程矩阵 GLRLM、灰度差分方法 GLDM）分别施加于 ROI，各自输入反向传播 ANN 以区分"不利演变"；不利演变定义为动脉瘤囊内出现对比剂或动脉瘤直径持续增大（前后径变化 ≥2 mm 视为有意义），有利演变定义为整个随访期内无对比剂出现且动脉瘤直径稳定缩小；三种纹理特征均能较好地区分有利/不利演变，提示纹理分析可作为 EVAR 后腹主动脉瘤演变分类的补充信息。Perrin 等 [43] 关注 EVAR 术前规划：开发有限元方法在患者特异性动脉瘤模型中模拟市售分叉型支架的释放，以预测手术的生物力学并发症；在 3 例临床病例上以术前 CT 生成患者特异性血管模型，数值结果与术后实际支架几何吻合良好，这类工具有望改进 EVAR 术前规划、预测术后并发症。

结论

过去几年，已出现大量 ML/DL 算法用于主动脉疾病患者影像与临床数据处理，主要集中在主动脉分割、主动脉夹层与 AAA 评估。虽然这些方法看上去很有前景，但在日常临床中实施仍有几大障碍：用于开发 ML/DL 算法的影像研究数量仍少、专家标注数据集稀缺；多数 ML/DL 算法只开发图像分析中的单个组件而非完整解决真实临床问题；美国 FDA 与欧洲 EMA 对医疗算法的严格监管要求也带来进一步挑战。然而这些障碍也是机遇——高性能计算技术日益普及、且有大规模且经过整理的公开数据库可用，影像与临床数据齐备可缓解训练数据规模不足的局限。基于此开发的新型 ML/DL 算法将带来更个体化的方案，帮助临床医生在主动脉疾病评估中自动获得更准确、及时、全面的判断。

本章个人批注

本章以主动脉自动评估为主线，把内容切分到"分割"、"检测"和"预测"三个层级的应用上。给我印象最深的是各小节给出的具体指标（DSC、AUC、敏感性/特异性）以及数据集规模（从 20 例到 1181 例、UK Biobank 500 例 MR 序列），这让我对当前 ML/DL 在主动脉领域的"成熟度"有了更清晰的概念——大体上，CNN 在胸主动脉/腹主动脉的管腔与血栓分割上已经达到可观的 Dice 值（多数 ≥ 0.87），但研究规模仍以小到中等单中心数据为主；多中心、多模态、含完整随访的 AAA 数据集是少数，这正是作者反复强调的"瓶颈"。作者在 AAA 长期 EVAR 结局预测上引用了 Karthikesalingam/Attallah 系列和 García 的纹理分析工作，这些是 radiomics 在主动脉里少数有"全链条"叙述的研究——从术前形态量化到术后随访、再到用纹理识别内漏风险。值得对照阅读的还有第 31 章"Cardiac CT Radiomics"和第 7 章"Radiomics Technical Background"——本章在 AAA 血栓纹理分析、EVAR 后内漏识别上的做法与那两章的纹理/radiomics 流程学脉络相同，可视为方法在主动脉特定场景下的具体落地。

几个待澄清的疑问：(1) "Whyte 0.90"、"Lalys 0.86/0.87"等指标的临床意义——DSC 0.86 是不是"可用"的临界点？作者没有展开。(2) Harris 等的"报告延迟减少 6 分钟"在 4 周前瞻、3 万余例的规模上有没有更细的临床结局改善（如死亡率），文中没看到。(3) 文中提到 FDA 与 EMA 的"严格监管"是泛泛而谈，没有指明当前获批的 AI 算法有哪些——和"AI 工具在心血管/胸心血管的临床应用"在更宏观层面的格局相比，本章有意把"商业化"这一节略过。(4) 关于主动脉夹层章节中"端到端"的检测+分型（A/B、急性/慢性），作者承认目前做不到，这部分和本卷第 23 章"NLP Cardiovascular"以及后续关于"structured reporting"的几章是否有联系？我个人猜测是有的，但本书没把它们串起来讲。

与上下章的衔接（一段话）

第 47 章承接了第 45 章（机会性胸部 CT）和第 46 章（肺血管疾病）——前两章是 AI 在肺实质与肺循环的应用，而本章把视野从胸腔的"小循环"切换到体循环的主动脉：从"肺血管疾病"（以 PE、PH 为主）走向"主动脉疾病"（以主动脉夹层、AAA、EVAR 为主），AI 的工具从肺血管树的检测/分割过渡到主动脉多平面分割、夹层真假腔识别、AAA 血栓定量和破裂风险预测。在结构上，本章继续沿用本卷"按器官/系统分章 + 一章一组疾病"的体例，与第 44 章（肺癌表征与预后）、第 45 章（机会性 CT 筛查）、第 46 章（肺血管疾病）形成"肺-主动脉-颈动脉"的小集群；接续的第 48 章（颈动脉疾病）将把 AI 的应用从主动脉顺延到外周动脉系统，主题从"夹层/动脉瘤"过渡到"动脉粥样硬化斑块组成与卒中风险"，影像模态从 CTA/MR 为主转到 US/CTA/MR 三模态并重评估"易损斑块"，与本章"以 Dice/准确性衡量算法"的工作形成对比——下一章更看重 AI 提取的影像组学特征是否能为个体化风险分层提供新维度。