第48章：基于人工智能与影像组学的颈动脉疾病评估（Artificial Intelligence- and Radiomics-Based Evaluation of Carotid Artery Disease）

引言与纹理分析工作流

本章以颈动脉疾病（carotid artery disease, CAD）的 AI 与 radiomics 评估为主线，开篇承接前文将研究重点定位在易损斑块的识别与卒中风险分层上，并强调代表性训练数据集与影像预处理（特别是 US 影像去噪/去伪影）的必要性。整体工作流可概括为四步：第一步是识别并分割 ROI/VOI（手动或半自动），随后对该 ROI/VOI 进行纹理分析（texture analysis, TA），通过数学方法分析像素灰度值的分布与差异，从中提取出可多达上千个的描述性特征——包括形状特征、一阶统计量（homogeneity、entropy 等）和高阶统计量；这些数据被送入数据挖掘过程，借助监督学习、无监督学习、强化学习等一种或多种机器学习技术探索影像组学特征与所选结局变量之间的相互关系；最后用验证集评估模型表现，性能以"判别度"和"校准度"两类指标衡量——判别度用 ROC 的敏感性与特异性来量化模型把阳性结局病例与阴性病例区分开的能力，校准度用校准曲线来描述模型预测与实际观察的一致性。下一节起，作者将围绕该工作流在 US、CT、MR 三大模态上的代表性成果展开，重点是 US 纹理分析在识别易损斑块上的进展，以及为卒中风险分层而构建的 CAD 模型。

人工智能在超声中的应用

US 因其安全性高、检查速度快，是分析 CAD 时最常用的影像技术，因此学界在 US 上投入了最多的 AI 研究工作；本章重点关注与卒中、心肌梗死风险密切相关的颈动脉内中膜厚度（IMT）测算，以及对内中膜复合体（IMC）与颈动脉斑块（CAP）的分析。

内中膜厚度评估（US）

US 上最早的 AI 应用之一是颈总动脉内中膜厚度（CCA-IMT）的半自动与自动计算与表征。手工 IMT 评估存在较高的观察者间与观察者内变异性，因此半自动和自动方法的开发有助于提高测量精度与可重复性。1994 年 Selzer 等人首次尝试开发自动算法——其思路是基于最大强度梯度点（垂直于血管壁方向）的边缘检测，由操作者手动完成血管壁的初始勾画。此后陆续有更复杂的全自动化 IMT 算法问世，例如 Wang 等人基于 Otsu 法（一种自动图像阈值算法）与自适应风驱动优化（一种迭代式启发式全局优化方法）的模型，以及 Savaş 等人采用多层隐藏层的深度学习算法。需要强调的是，部分模型的自动 IMT 测量误差极小，如 Menchón-Lara 等人的模型自动 IMT 测量误差仅 5.79 ± 34.42 μm；AI 技术的进步不仅使 IMT 自动测量更加准确，也使总斑块面积的自动测量成为可能，例如 Biswas 等人采用两个独立深度学习模型的两阶段系统对斑块面积的测量误差为 2.79 ± 2.37 mm²。

内中膜复合体与颈动脉斑块评估（US）

过去数十年间，研究者开发出大量不局限于 IMT、而是面向内中膜复合体（IMC，即颈动脉壁各层——内膜、中膜、外膜——的成分与组织）分析的方法。2002 年 Lal BK 等人首次借助 US 灰度强度范围与组织学表现之间的关联，演示了 US 像素分布分析（pixel distribution analysis, PDA）的可行性：先从 10 名健康受试者 US 影像中提取血液、钙化、纤维肌肉组织、脂质四类成分的灰度强度范围，再对 20 例颈动脉斑块 US 影像进行像素分布分析，结果显示 PDA 预测的四类成分含量与组织学估计均显著相关（每类成分 p 值 < 0.02）。早期 TA 的目标之一是区分易损与稳定 CAP：Kakkos 等人发现不同纹理特征与一过性黑矇（amaurosis fugax）、TIA 和卒中独立直接相关，回归预测概率的曲线下面积（AUC）对一过性黑矇为 0.82、对 TIA 为 0.82、对卒中为 0.85（p < 0.001）；2016 年 Doonan 等人进一步报告 US 影像的 echolucency 与 homogeneity 等 TA 特征与斑块不稳定的组织学特征相关——作者用数字图像分析软件从 160 例患者颈动脉影像中提取 echodensity 与纹理特征，再以主成分分析（PCA）降维，最后用 logistic 回归考察 PCA 变量与单个影像特征对不稳定组织学特征的预测能力；Madycki 等人证实 TA 可用于预测手术相关并发症——对 CAP 进行 TA 可预测颈动脉内膜剥脱术中微栓塞的程度；TA 提取的斑块不稳定特征不仅在常规 US 上，也可在衍生 US 技术（如弹性成像）上获得：2017 年 Huang 等人对颈动脉弹性成像做 TA，以 MR 作为"in vivo"参考来区分稳定与不稳定斑块，contrast 与绝对应变率第 99 百分位是分类表现最好的特征，AUC = 0.81；TA 同样有助于监测 CAD 演变：van Engelen 等人 2014 年报告 US 监测下斑块纹理与总斑块体积的变化可预测血管事件，多因素 Cox 回归中两者均为显著预测因子，每 100 mm³ 的平均风险比分别为 1.4 与 1.5（p < 0.001）；Awad 等人则证实 TA 可用于三维 US 影像上定量评估他汀类药物治疗的疗效。

将机器学习引入 TA 结果催生了一系列不同用途的模型。2003 年 Christodoulou 等人的研究是早期构建 CADx 模型识别无症状但有卒中风险的颈动脉狭窄患者的代表性工作——他们对 230 幅 US 斑块影像（有症状 vs 无症状）做多种纹理特征集提取，并用由自组织映射（SOM）分类器构成的模块化神经网络完成分类任务，SOM 分类器结果合并后平均诊断率达 73.1%。随着算力与硬件/软件进步，后续沿用相同方案（TA + AI 建模）的研究构建了更复杂的模型并取得更好的诊断精度：2011 年 Acharya 等人构建的 CADx 由（a）预处理、（b）特征提取（标准差、熵、对称性、run percentage）、（c）分类（AdaBoost 与 SVM）三个模块组成，能将 CAP 分为有症状与无症状，分类准确率 82.4%、敏感度 82.9%、特异度 82.1%，并提出综合指数 SACI 以单值区分有症状与无症状患者；Saba 等人采用基于轮询的 PCA 策略在 ML 框架中选择主导影像组学特征，远壁斑块准确率 98.55%、近壁 98.83%。作者展望：凭借其安全性、可及性与低成本，US 仍是未来 AI 在颈动脉研究的主战场之一。

人工智能在计算机断层扫描中的应用

CT 与 MR 因其在 CAP 特征识别与表征上的优势、操作者独立性以及良好的可重复性，是构建精准 AI-CADx 系统（针对易损斑块识别与心血管病/卒中风险分层）的理想目标。AI 在颈动脉 CT 上的早期应用之一是 Vukadinovic 等人 2010 年提出的半自动分割模型——其用 GentleBoost 框架自动检测钙化成分与外血管壁；近年还出现了基于 CT 血管成像（CTA）的颈动脉外段全自动分割与分析系统，如 Caetano Dos Santos 等人的模型对颈动脉的检出成功率 83%，特异度 25%、敏感度 83%、准确率 71%。TA 与机器学习在颈动脉 CTA 上的应用虽然尚不广泛，但对 CAD 研究已经显示出重要价值：Thornhill 等人用 5 个影像组学判别特征训练 ML 分类器，可在 CTA 上区分腔内游离血栓与颈动脉斑块，敏感度 87.5%、特异度 71.4%、AUC = 0.85；影像组学特征同样可被用于构建区分有症状与无症状斑块的 CADx 模型——Acharya 等人从 20 例连续患者 CTA 数据集中提取局部二值模式（local binary pattern）特征与小波能量特征，再用多种监督学习算法训练分类器，其中 SVM 分类器准确率最高（88%）、敏感度 90.2%、特异度 86.5%。

人工智能在磁共振成像中的应用

MRI 因其多参数性与高对比度分辨率，是颈动脉影像的理想技术，这为颈动脉自动检测与边界识别系统的开发奠定了基础——例如 Cheng 等人的模型包含两阶段：（1）颈动脉位置检测（利用强度、面积、形状等特征将颈动脉与颈部其他结构区分开），（2）基于方向梯度、Hough 变换与圆模型引导动态规划的精确边界识别；2020 年 Samber 等人对 189 名临床确诊动脉粥样硬化患者共 4422 幅轴位 T2 加权影像使用两个 CNN——一个用于血管腔分割，另一个用于血管壁分割——以 DICE 系数衡量 CNN 与手工分割的一致性，平均 DICE 血管腔为 0.96、血管壁为 0.87。MRI 的多参数性与高对比度分辨率使其在识别斑块易损性特征（如 IPH、纤维帽厚度）上极具优势：2004 年 Adame 等人在颈动脉 MR 短轴黑血影像上结合模型驱动分割与模糊聚类，自动检测血管壁、管腔与脂质核心，管腔与外壁的自动测量与手工测量吻合极佳，纤维帽厚度测量结果可接受——这类工作尤为重要的是，IPH 等易损性特征研究正是改善 CAS 患者临床管理的前瞻性试验的下一阶段目标。

高级计算建模与"风险模型"方法

除影像组学分析与判别易损/稳定斑块的模型外，近年来也涌现出一批不使用 CAP 影像易损性生物标志物、而是直接对卒中风险分层的精细模型。Yin 等人 2020 年提出的风险模型使用了中国国家卒中筛查与预防项目（CNSSPP）数据，将研究对象随机分为测试集与验证集，纳入 19 个危险因素，生成 0–10 的预测评分系统（以 6.5 为识别高危患者的截断点），训练集 AUC 0.738，验证集 AUC 0.737。Burke 等人 2019 年开发了一个用于识别可受益于 CEA 的高危患者模型：基于无症状颈动脉粥样硬化研究（ACAS）数据开发、以社区动脉粥样硬化风险（ARIC）研究数据验证；模型仅用 3 个基线风险因素（BMI、肌酐、对侧狭窄程度）开发，Harrell's c-statistic = 0.59，可将风险从最低五分位到最高五分位分层（5.1%–12.5%），ARIC 数据验证结果类似（c-statistic = 0.58）；在基线风险谱上 CEA 始终优于药物治疗，最低/最高五分位之间治疗效应幅度差异较大（3.2%–10.7%），尽管仅用 3 个基线因素，结果仍显示该模型有影响无症状 CAD 患者临床决策的潜力。

未来展望

作者认为，radiomics 与 AI 必将成为放射科医生日常工作的一部分；未来技术进步将使算法更精细、更复杂，可对 CAP 破裂与卒中风险进行分层，并预测/监测治疗反应。不同影像技术、临床数据与其他"组学"数据的影像组学信息融合，结合机器学习技术，将显著提升这些模型的表现。该方向已有部分模型被开发出来但尚未进入临床实践：Jamthikar 等人 2019 年与 2020 年的研究构建了低成本 ML 心血管/卒中风险评估系统，整合 47 个风险因素（34 个影像表型 + 13 个传统因素如人口学与血液生物标志物），基于 202 名日本患者共 395 幅 US 影像、以颈动脉狭窄作为事件等价金标准，AUC = 0.80（p < 0.0001）；同一团队 2020 年进一步用多分类 ML 算法对 500 名同时接受颈动脉 US 与冠脉造影的患者做 CVD/卒中风险评估，模型结果优于 Framingham 风险评分与系统性冠脉风险评估（SCORE）等传统心血管风险计算工具。

结论

应用于颈动脉疾病的早期 AI 与影像组学结果是令人鼓舞的，未来数年内将出现极快速的技术演进——与对斑块易损性特征的理解与识别进步相结合——将变革面向个体化医学的患者诊断路径。

本章个人批注

本章以 AI 与影像组学在颈动脉疾病中的评估为主线，结构上按"工作流→US→CT→MR→风险模型→展望→结论"展开。给我印象最深的有两点：(1) 在 US 模态上研究链条最完整——IMT 自动化测算从 1994 年 Selzer 的边缘检测算法到 2010 年代 Otsu/自适应优化、深度学习，指标从手工高变异到误差 5 μm 量级；IMC/斑块分析从 Lal BK 2002 年像素分布分析到 Kakkos、Doonan 的易损性区分，再到 Karthikesalingam/Saba 的高准确率 CADx，准确率可达 98% 以上。这是一条从"度量精度"到"疾病鉴别"的递进线。(2) 高级计算建模与"风险模型"是本章的相对独立小节，给出了 Yin（19 个风险因素、CNSSPP 数据）与 Burke（3 个基线因素、ACAS→ARIC 验证）两个不依赖影像组学的卒中/CEA 决策模型；这是与本章其他基于影像特征的工作并行的方向——把临床变量、风险评分与影像信息放在不同层级的"融合"上做卒中风险预测。

几点待澄清的疑问：(1) US 章节里"eGFR 5 μm"这种误差级别在不同设备/不同操作者间的稳定性如何？文中没展开。(2) Thornhill 等人的 AUC = 0.85（区分腔内游离血栓与斑块）与 Acharya 等人 SVM 88%（症状性/无症状）这两个数据，读者很难判断哪个数字更"硬"——样本量、参考标准、外部验证情况都没有横向对比。(3) Burke 模型的 c-statistic 仅 0.59，作者却强调"潜在影响临床决策"——这一节没有解释这个 c 值在实际临床中到底意味着什么。(4) 本章与第 47 章（主动脉）几乎完全共享工作流框架——TA → 特征提取 → ML → 验证——但本章没有与第 47 章"AAA 风险预测"那一节做跨章连接；与第 31 章"Cardiac CT Radiomics"和第 7 章"Radiomics Technical Background"在纹理/radiomics 方法学上也有重叠，但作者没把方法学脉络写清楚。值得注意的还有 Future Perspectives 提到的 Jamthikar 系统——它是把影像组学（颈动脉）与冠脉造影、Framingham/SCORE 等传统评分同台比较的少数研究之一，可作为后续"多模态融合"案例对照。

与上下章的衔接（一段话）

第 48 章承接第 47 章（主动脉评估），把视野从主动脉转向另一外周大动脉——颈动脉：在主动脉那一章侧重管腔/血栓/夹层的"分割"与 AAA 破裂/EVAR 结局的"预测"两条主线，而本章把影像模态的相对重心从 CTA/MR 重新分配给 US（US 是 CAD 评估最常用模态），并把 AI 的核心目标从"分割精度"切换到"易损斑块识别"与"卒中风险分层"——也就是说，方法学上仍然沿用"ROI/VOI 分割 → TA → ML → 验证"的工作流，但应用语境从大血管结构测量走向"纹理特征 vs 临床结局"。在章节位置上，本章与第 47 章主动脉、第 49 章"医学 AI 的法律/法规/隐私"形成"外周动脉 AI → AI 治理"的小过渡——后两章将把"AI 在心血管影像中做了什么"扩展到"AI 在医疗中应如何被治理"，影像/算法层面的话题让位给法律/伦理层面的讨论；本章结尾 Future Perspectives 已经显式提到"多模态融合"与"治疗反应监测"两个下一步方向，与第 49 章开始的 Part V"AI: General Considerations"在叙事节奏上构成"应用 → 治理"的衔接。