CTA-based deep-learning integrated model for identifying irregular shape and aneurysm size of unruptured intracranial aneurysms.
研究背景
未破裂颅内动脉瘤（UIAs）的不规则形状和大小是风险分层与手术规划的重要影像特征。但对经验不足的中心和初级医生，测量大小和判断不规则UIAs耗时且挑战大。目前基于二维或三维图像的识别方法主观性强、一致性差。本研究旨在开发并验证基于CTA图像的深度学习模型，以3DRA为金标准。
方法速览
- 数据来源：单中心307名患者（365个UIAs）为衍生集，多中心305名患者（350个UIAs）为外部测试集。
- 模型开发：用卷积神经网络（CNN）模型，结合3D - UNetR和3D - DenseNet算法，进行血管、动脉瘤分割和不规则形状分类。
- 性能评估：通过AUC、ICC等指标评估，用DeLong检验和Z检验比较初级医生使用模型前后表现。
主要发现
- 不规则形状分类：测试集AUC值0.87，准确率85.4%，在内部颈动脉和大脑中动脉位置AUC超0.80。
- 动脉瘤大小测量：ICC值0.92，与3DRA高度一致，中等大小（5 - 10mm）动脉瘤ICC达0.96。
- 提升医生性能：初级医生使用模型后，不规则形状分类准确率从76.8%提至85.8%，AUC从0.86提至0.97。
- 子组分析：模型在多数情况下表现好，但大动脉瘤和后循环位置动脉瘤AUC分别为0.74和0.73。
总结展望
本模型使用3DRA为金标准，能检测测量动脉瘤大小、识别不规则形状，为临床决策提供全面支持。不过，模型适用范围有限，对破裂或已治疗动脉瘤有效性不确定，对小于3mm动脉瘤分类不佳，且仅基于CTA图像。未来可扩大数据范围，提升模型性能。