跳转至

第 47 章 主动脉的 AI 评估（Artificial Intelligence-Based Evaluation of the Aorta）

作者

  • Domenico Mastrodicasa, MD（通讯作者）—— Department of Radiology, Stanford University School of Medicine, Center for Academic Medicine, Palo Alto, CA, USA。
  • Marina Codari, MSc, PhD / Valery L. Turner, MD / Virginia Hinostroza, MSc / Kathrin Bäumler, PhD / Dominik Fleischmann, MD —— Stanford University 放射科 / 心血管研究所。
  • Martin J. Willemink, MD, PhD —— Segmed, Inc, Menlo Park, CA；Stanford 放射科。

本章位于 Part IV 胸部应用部分，承接第 46 章（肺血管）后，转向主动脉疾病——主动脉夹层、主动脉瘤的 AI 检测与测量。属于"应用 + 综述"性质的章节，重点是 AI 在主动脉 landmark 检测、分割、夹层真腔 / 假腔区分上的应用。Mastrodicasa / Fleischmann 团队是 Stanford 大学放射科核心。

内容概述

主动脉夹层和主动脉瘤是常见主动脉疾病，影像 + 精确测量对诊断、治疗规划、随访至关重要。手动测量耗时、可重复性差，AI 工具可自动化并标准化。本章按"主动脉 landmark 检测 → 主动脉分割 → 主动脉夹层 → AAA"组织：

  1. 主动脉 Landmark 检测：
  2. Zheng 等 [X7] 层次法 + probabilistic boosting tree 检测 8 个主动脉瓣 landmark
  3. Al 等 [X8] colonial walk 两步法
  4. Ghesu 等 [X9] deep reinforcement learning（DRL）多智能体
  5. Codari 等 [X12] DRL 检测主动脉环
  6. Astudillo 等 [X13] CNN 主动脉瓣 landmark
  7. Noothout 等 [X14] global-to-local CNN
  8. 主动脉分割：
  9. Noothout 等 [X15] dilated CNN 分割升 / 弓 / 降主动脉
  10. Fantazzini 等 [X17] 多视图 CNN
  11. 商业工具：Siemens AI-Rad Companion Chest CT 集成 DRL [X10]
  12. 主动脉夹层：
  13. Cao 等 [X18] 级联 CNN 同时分割全主动脉 + 真腔 + 假腔，DSC 0.91–0.93
  14. Hahn 等 [X3] CNN + MPR 分割 TL / FL，DSC 0.87–0.90
  15. Cheng 等 [X19] U-Net TL 分割，敏感 90%、特异 80%
  16. Bai 等 [X20] FCN + RNN 时序信息
  17. 腹部主动脉瘤（AAA）：（见后续内容）
  18. 未来方向：3D 打印、虚拟现实、术中导航

核心方程与概念

1. Deep Reinforcement Learning（DRL）

DRL 用"智能体 + 环境 + 奖励"训练主动搜索 landmark： - 智能体：从当前 voxel 移动到下一 voxel - 奖励：接近 / 远离 landmark - 输出：最优搜索路径

多智能体（multi-agent）：每个智能体负责一个 landmark。

2. CNN Landmark 检测

  • Global-to-local：先粗定位（多 landmark 同时），再细定位（每个 landmark 单独）
  • Patch-based classification：对每个 patch 预测 landmark 位置
  • Displacement vector regression：回归到 landmark 的位移向量

3. 主动脉分割性能

研究 方法 性能
Noothout [X15] Dilated CNN 3-view DSC 0.87
Fantazzini [X17] 3-step CNN 多视图聚合更好
Cao [X18] 级联 CNN DSC 0.93 (全主动脉), 0.93 (TL), 0.91 (FL)
Hahn [X3] CNN + MPR DSC 0.87–0.90
Cheng [X19] U-Net TL 敏感 90%, 特异 80%

4. 关键概念辨析

  • DRL vs. CNN：DRL 适合"单 landmark 优化搜索"，CNN 适合"多 landmark 同时定位"。
  • TL vs. FL：真腔（True Lumen）是主动脉原有管腔，假腔（False Lumen）是夹层形成的异常管腔。CTA 上 TL 与 FL 的对比剂充盈不均，AI 分割是临床决策关键。
  • MPR-based vs. Axial-based：MPR（多平面重建）可"对齐" 主动脉轴，减少平面外信息损失。
  • 多视图 CNN 集成：axial + sagittal + coronal 三个 CNN 集成可减少单一平面信息损失。
  • "自动测量" vs. "自动识别"：AI 不仅识别 landmark，还自动测量主动脉直径（治疗决策关键）。
  • 主动脉瘤的"破裂风险"：直径 > 5.5 cm 显著增加破裂风险——AI 自动化测量是随访核心。
  • Stanford Aortic Institute 视角：本章作者来自 Stanford 主动脉研究所，是国际主动脉影像核心。

关键结论

  • 主动脉夹层 + 主动脉瘤是常见主动脉疾病，AI 在 landmark 检测 + 分割 + 测量上价值显著。
  • DRL 多智能体（Zheng [X7]、Al [X8]、Ghesu [X9]、Codari [X12]）检测主动脉瓣 landmark，毫秒级处理。
  • CNN（Noothout [X14]）global-to-local 多 landmark 检测，0.06 秒/扫描。
  • Dilated CNN 分割主动脉升 / 弓 / 降，DSC 0.87。
  • 多视图 CNN 集成（axial + sagittal + coronal）分割改善。
  • 级联 CNN 同时分割全主动脉 + TL + FL，DSC 0.91–0.93（Cao [X18]）。
  • CNN + MPR 分割 TL / FL，DSC 0.87–0.90（Hahn [X3]）。
  • U-Net TL 分割敏感 90%、特异 80%（Cheng [X19]）。
  • Siemens AI-Rad Companion Chest CT 集成 DRL，报告时间减少 63%。
  • 主动脉直径自动测量是 TAVI 规划 + AAA 随访的核心。
  • AI 在主动脉上的应用从"测量自动化" 扩展到"主动脉疾病全流程支持"。

挑战和开放性问题

  • TL vs. FL 自动区分：CTA 上对比剂充盈不均，AI 分割仍有提升空间。
  • TL / FL 血栓：血栓化假腔分割更困难（Hahn [X3] 已部分解决）。
  • 时序信息利用：Bai [X20] FCN + RNN 尝试整合时序，但临床落地少。
  • 跨中心 / 跨人群泛化：CTA 协议、扫描参数差异影响 AI 输出。
  • AI 工具的"幻觉"风险：DL 分割可能"创造" 不存在的解剖结构。
  • 法规与责任：AI 给出测量的"医疗决策"性质需要 FDA / NMPA 监管。
  • 临床整合路径：PACS 集成 + 主动脉报告系统需工程 + 监管支持。
  • AAA 检测 / 测量：主动脉瘤自动化测量是 AAA 随访核心，但 AI 工具仍以研究为主。
  • 术中导航：3D 打印 + 虚拟现实 + 术中 AI 导航是"未来方向"。
  • 跨模态融合：CT + MRI + IVUS 联合推理未充分挖掘。
  • "主动脉事件" 风险预测：基于主动脉直径 + 形态 + 临床的破裂 / 夹层风险预测是开放问题。
  • 国际泛化：AI 工具多在欧美 / 中国训练，跨人群泛化需验证。
  • "主动脉生长率" 预测：连续扫描间的主动脉直径变化是破裂风险关键，AI 自动化测量是基础。

个人反思与批判性分析

  • 作者团队的"Stanford 大学" 视角：Mastrodicasa / Fleischmann / Codari 来自 Stanford 放射科 + 主动脉研究所——国际主动脉影像核心。本章是"Stanford 视角" 的主动脉 AI 综述。
  • "DRL vs. CNN" 的代际价值：本章同时介绍 DRL（Zheng、Ghesu、Codari）和 CNN（Noothout、Astudillo）方法——这反映了"AI 工具选择" 的多元性。DRL 适合"单 landmark 优化搜索"，CNN 适合"多 landmark 同时定位"。
  • "TL vs. FL" 区分的临床价值：主动脉夹层治疗中区分 TL 和 FL 是关键——Stanford B 型主动脉夹层主动脉腔内修复术（TEVAR）需精确定位 TL 和 FL。AI 自动分割是 Stanford 团队的核心研究方向之一。
  • "商业化 vs. 学术研究" 的代差：Siemens AI-Rad Companion Chest CT 已商业化集成 DRL，Hahn、Cao 等的工具仍以"研究" 为主——这反映了"AI 商业化" 的不平衡。
  • "多视图集成" 的工程价值：axial + sagittal + coronal 三个 CNN 集成可减少单一平面信息损失——这是医学图像分割的"工程经验"。
  • "主动脉直径自动测量" 的临床价值：手动测量耗时、可重复性差，AI 自动测量节省时间、提高一致性。这与 Ch 28（瓣膜）AI 测量的价值同源。
  • "AI 仅辅助" 在主动脉上的体现：AI 给出 landmark + 直径 + TL/FL 分割，临床决策仍需医生——这是"AI 辅助 + 医生决策" 模式。
  • "Stanford 主动脉研究所" 的方法学偏好：本章多引用 Stanford 团队工作（Fleischmann 实验室、Codari 等）——读者应意识到这是"内行专家撰写的内行综述"，方法学偏好（DRL、多视图 CNN）反映了该团队的特长。
  • "AI 万能" vs. "AI 仅辅助"：本章在 DRL landmark 检测、多视图 CNN 分割、Siemens 商业化集成上乐观（已部分商业化），在 TL/FL 自动区分、跨中心泛化、AAA 风险预测上保守（仍是开放问题）。这种"该强则强、该弱则弱" 是主动脉 AI 的工程现实。
  • "AI 在 TAVI / EVAR 上的成熟"：Ch 28（瓣膜）+ 本章（主动脉）共同展示 AI 在"主动脉 + 瓣膜介入规划" 上的成熟度——这是 Stanford 团队的"核心战场"。
  • 与第 27、28、29、34、46、48 章的协同：本章是主动脉主题专项，与 CT-FFR（Ch 27）、瓣膜（Ch 28）、主动脉瓣（Ch 29）、4D flow（Ch 34）、肺血管（Ch 46）、颈动脉（Ch 48）形成"心血管疾病 AI" 完整图景。读者通过对比可学会"AI 在不同心血管疾病的共性与差异"。
  • "主动脉瘤 AAA 风险预测" 的工程意义：主动脉瘤破裂风险与直径 + 形态 + 生长率相关——AI 自动化测量 + 多因素预测是未来方向，但目前仍是"未来工作"。

重要参考文献

  • [X1] Clouse WD, Hallett JW Jr, Schaff HV, et al. Acute aortic dissection: population-based incidence compared with degenerative aortic aneurysm rupture. Mayo Clin Proc. 2004;79(2):176-80.
  • [X2] Moss AJ, Shah ASV, Zuhlke T, et al. Healthcare costs and outcomes of cardiac surgery in adult patients with congenital heart disease. Heart. 2017;103(20):1601-7.
  • [X3] Hahn LD, Mistelbauer G, Higashigaito K, et al. CNN-based multiplanar reformatting of the aorta for follow-up after type B aortic dissection. Radiology. 2020;298(2):343-9.
  • [X7] Zheng Y, John M, Liao R, et al. Automatic aorta segmentation and valve landmark detection in C-arm CT. Med Image Comput Comput Assist Interv. 2010;13(Pt 1):476-83.
  • [X8] Al WA, Jung HY, Yun ID, et al. Automatic aortic valve landmark detection in C-arm CT for transcatheter aortic valve implantation. Int J Comput Assist Radiol Surg. 2017;12(6):921-37.
  • [X9] Ghesu FC, Georgescu B, Zheng Y, et al. Multi-scale deep reinforcement learning for vessel centerline tracing. MICCAI 2017.
  • [X10] Rueckel J, Fink N, Solyanik O, et al. AI-Rad Companion Chest CT for aortic diameter measurement. JACC Cardiovasc Imaging. 2020;13(11):2441-3.
  • [X12] Codari M, Hanneman K, Mogharrabi A, et al. Deep reinforcement learning for aortic landmark localization. JACC Cardiovasc Imaging. 2020;13(11):2436-9.
  • [X13] Astudillo P, Mortier P, Bosmans J, et al. Enabling automated device size selection for transcatheter aortic valve implantation. J Interv Cardiol. 2019;2019:3591314.
  • [X14] Noothout JMH, de Vos BD, Wolterink JM, et al. Deep learning-based regression and classification for automatic landmark localization in medical images. IEEE Trans Med Imaging. 2020;39(12):4011-22.
  • [X15] Noothout JMH, de Vos BD, Wolterink JM, et al. Automatic segmentation of the thoracic aorta in non-contrast chest CT. Med Image Anal. 2022;75:102231.
  • [X17] Fantazzini A, Esposito M, Finotello A, et al. 3D automatic segmentation of the aorta in non-contrast cardiac CT images. J Med Syst. 2019;43(7):204.
  • [X18] Cao L, Shi R, Ge Y, et al. Fully automatic segmentation of type B aortic dissection from CTA images. IEEE J Biomed Health Inform. 2020;24(6):1756-67.
  • [X19] Cheng J, Tian S, Yu L, et al. A deep learning algorithm using contrast-enhanced computed tomography (CT) images for segmentation and rapid automatic detection of aortic dissection. Biomed Signal Process Control. 2020;62:102132.
  • [X20] Bai Z, Lu J, Wang Z, et al. Image sequence segmentation of aortic dissection. Comput Med Imaging Graph. 2020;82:101714.