颅内动脉瘤多为发生在颅内动脉管壁上的异常膨出，动脉瘤内的血管壁缺乏中膜的存在，存在破裂倾向。因许多颅内动脉瘤位于蛛网膜下腔，所以此症为蛛网膜下腔出血的主要肇因。CT血管成像（CT angiography，CTA）因其无创、便捷等特点而被广泛应用于颅内动脉瘤的临床诊断。但是， CTA在临床上对微小动脉瘤的检测能力非常有限，漏诊率较高。近年来，人工智能（Artificial intelligence，AI）在医学影像的检测中的应用显示出巨大潜力，但相关研究缺乏系统、严格的临床验证，其对临床诊断结果的影响需进一步评估。

近日，一项来自南京大学医学院附属金陵医院的研究成果在《Lancet Digital Health》杂志上以“A deep-learning model for intracranial aneurysm detection on CT angiography images in China: a stepwise, multicentre, early-stage clinical validation study”为题发表。研究团队采用来自8家医院的16546张头部和颈部的CTA图像开发了用于颅内动脉瘤影像诊断的深度学习模型，该模型在内部数据集中敏感性高达95.7%。在此基础上，研究团队在全国15个省份的27家医院中开展了阶梯式、多中心、早期临床验证研究。

临床验证研究在多个独立外部验证数据集上开展，研究招募了15家地理位置不同医院的120名拥有2-32年临床经验（中位数为8年）的临床医生。首先，在外部验证中，团队将AI模型与医生的诊断结果进行对比，结果显示AI模型（94.3%）的诊断敏感性高于医生（65.8%）。随后，在多阅片者多病例研究中，AI模型显著提升了医生诊断性能（在48名不同年资的医生中平均提高10.4%）。进一步，在开放标签对照研究中，AI辅助组医生对AI模型诊断意见的采纳率高达92.6%，且相较于对照组具有更高的诊断敏感性（AI辅助组和对照组分别为80.4%和66.0%）。最后，在中国五家医院进行的前瞻性临床验证研究中，AI模型同样显著提升了医生的诊断质量，敏感性从59%提升到82.5%。

研究团队构建了一个基于CTA图像的颅内动脉瘤影像检测AI模型，并完成了早期临床验证。模型在颅内动脉瘤的检测方面显示出了较高的接受度和优秀的诊断能力，并且在实际临床案例上进行了应用，有望缓解临床影像诊断压力并提升诊断质量。

论文链接：

https://doi.org/10.1016/S2589-7500(23)00268-6

注：此研究成果摘自《Lancet Digital Health》杂志，文章内容并不代表本网站的观点和立场，仅供参考。