颅内动脉瘤破裂是引起蛛网膜下腔出血的主要原因[1]。CT血管成像（CT angiography，CTA）是一种无创、方便、可靠的动脉瘤检测手段，但由于脑血管系统的复杂性和动脉瘤相对较小的尺寸，临床工作中常出现遗漏或误诊。人工智能（Artificial intelligence，AI）在动脉瘤自动化检测展现出巨大潜力[2]。为推进颅内动脉瘤人工智能检测工具在临床中的应用，必须确立更为严格的验证标准，以充分验证其检测性能和对临床诊断路径的影响[3]。

构建大队列CTA图像数据库进行人工智能模型训练和内部验证。招募中国不同地区15家医院90名放射科医生和30名神经外科医生进行多阶段独立验证，具体流程包括：1）人机对比研究；2）多读者多病例研究；3）开放标签随机对照研究；4）前瞻探索性研究。

研究通过8家医院16,546例CTA数据进行深度学习模型训练和内部验证，通过Global Context Network和Local Fine-grained Network构建动脉瘤检测的级联网络。在内部数据验证中，模型检测颅内动脉瘤的敏感性高达95.7%，假阳性率低至0.27个动脉瘤/例，每个病例处理时间仅为22.2秒。

在外部验证中，团队首先将该AI模型和24名医生的诊断结果进行了对比。基于900例有金标准数字减影血管造影（Digital subtraction angiography，DSA）对照的CTA数据，显示该模型检测动脉瘤的敏感性高达94.3%，假阳性率为0.18个动脉瘤/例，对蛛网膜下腔出血和非蛛网膜下腔出血的病例保持着稳定的诊断敏感性（分别为95.3%和93.9%），均高于医生的诊断敏感性（分别为74.5%和62.1%）（图1）。

图1 人工智能模型与医生诊断性能对比

随后，团队采用多读者多病例（Multi-reader multi-case）研究设计，招募了6家医院36名不同年资放射科医生及12名高年资神经外科医生进行了两轮有/无AI辅助的诊断研究，共产生了28,608条动脉瘤诊断结果。结果显示，AI辅助诊断可显著提高不同医院、年资、专业医生的动脉瘤诊断效能（图2）。模型可显著提高小于5mm颅内动脉瘤的诊断敏感性（对3-5mm颅内动脉瘤的敏感性平均提高25.9%；小于3mm颅内动脉瘤敏感性平均提高31.8%）。该阶段研究覆盖中国东部、中部、西南和西北等6家医院，显示AI辅助诊断可改善不同地域医院对颅内动脉瘤的诊断同质性。

图2 多读者多病例研究结果

基于上述研究，团队进一步开展了开放标签随机对照研究，探讨医生对AI模型的使用接受度。基于分层随机化将医生分为AI辅助诊断组和对照组，对298例DSA验证的CTA数据进行诊断阅片。在AI辅助诊断组，AI模型仅作为一个可选工具，不作强制性使用。结果发现，AI辅助诊断组医生在92.6%的诊断结果中使用AI进行辅助诊断，且较对照组更高的诊断敏感性（AI辅助诊断组80.4% vs 对照组66.0%）。

最后，基于该AI模型在中国5家医院进行了前瞻性探索性临床验证，此时AI模型作为“第二读者”参与临床诊断路径。研究结果显示，AI模型可提高放射科医生诊断颅内动脉瘤的敏感性（59.0%提高到82.5%）。AI模型同时表现出卓越的筛查能力，其阴性预测值高达99.8%，检测敏感性高达98.8%。

图3 开放标签随机对照研究和前瞻探索性研究结果

本研究构建了迄今为止最大的头颅CTA颅内动脉瘤数据库，开发了一个高性能、鲁棒的AI颅内动脉瘤自动化检测模型。研究结果表明，该AI模型具有高的使用接受度和临床应用潜力，AI辅助诊断可显著提高中国不同地区医院医生对颅内动脉瘤的诊断效能。考虑人工智能工具在临床的进一步转化应用，未来的研究应侧重于AI模型引入标准临床诊疗对患者预后的影响

参考文献略。

来源：柳叶刀TheLancet