JCMR | AI結(jié)合放射組學(xué) 深圳先進(jìn)院助力精準(zhǔn)識別癥狀性基底動脈斑塊
缺血性腦卒中是全球范圍內(nèi)導(dǎo)致死亡和殘疾的主要原因之一,顱內(nèi)動脈粥樣硬化性疾病是其重要的致病因素。其中,基底動脈斑塊因與后循環(huán)缺血事件及高復(fù)發(fā)風(fēng)險密切相關(guān),成為臨床關(guān)注的重點(diǎn)。然而,如何準(zhǔn)確、高效地識別“癥狀性”斑塊,仍是當(dāng)前影像學(xué)的一大挑戰(zhàn)。
近日,中國科學(xué)院深圳先進(jìn)技術(shù)研究院(以下簡稱“深圳先進(jìn)院”)生物醫(yī)學(xué)與健康工程研究所、醫(yī)學(xué)成像科學(xué)與技術(shù)系統(tǒng)全國重點(diǎn)實(shí)驗室張娜研究員,聯(lián)合南京醫(yī)科大學(xué)第一附屬醫(yī)院魯珊珊教授團(tuán)隊,提出了一種融合自動分割、放射組學(xué)與表格基礎(chǔ)模型(TabPFN)的分析框架,為癥狀性基底動脈斑塊的識別提供了全新的智能化解決方案。研究成果以“A Radiomics-Based Approach with Automated Segmentation for Identifying Symptomatic Basilar Artery Plaques in Acute Stroke”為題發(fā)表于期刊Journal of Cardiovascular Magnetic Resonance。
該研究利用高分辨率磁共振血管壁成像數(shù)據(jù),整合多項先進(jìn)技術(shù),構(gòu)建了從分割到識別的全流程自動化分析框架。研究團(tuán)隊采用前期自主研發(fā)的Vessel-SegNet模型實(shí)現(xiàn)基底動脈血管壁的自動分割,結(jié)合多序列放射組學(xué)特征提取方法,并依托專為小樣本醫(yī)學(xué)數(shù)據(jù)設(shè)計的Transformer架構(gòu)表格基礎(chǔ)模型TabPFN,最終建立了癥狀性基底動脈斑塊的智能識別模型。經(jīng)獨(dú)立測試集驗證,融合平掃與增強(qiáng)影像的放射組學(xué)模型(AUC0.887)顯著優(yōu)于傳統(tǒng)形態(tài)學(xué)特征模型(AUC0.784)。
該研究所構(gòu)建的自動化、可復(fù)現(xiàn)、可擴(kuò)展的分析流程,在臨床轉(zhuǎn)化方面展現(xiàn)出多重價值:自動分割與定量分析顯著減少了人工判讀的主觀性與時間成本,提升了一致性與效率;放射組學(xué)特征能夠捕捉肉眼難以識別的斑塊微觀結(jié)構(gòu)異質(zhì)性,有助于更早期、更準(zhǔn)確地識別高風(fēng)險病變;標(biāo)準(zhǔn)化的處理流程便于在多中心、不同影像設(shè)備間推廣,為后循環(huán)動脈粥樣硬化患者的風(fēng)險分層、個體化二級預(yù)防決策提供了客觀的影像學(xué)依據(jù)。
深圳先進(jìn)院碩士研究生陳潔和博士研究生楊龍、南京醫(yī)科大學(xué)第一附屬醫(yī)院碩士研究生何雯雯為論文共同第一作者,張娜研究員與魯珊珊教授為論文的共同通訊作者。該研究得到了國家重點(diǎn)研發(fā)計劃、國家自然科學(xué)基金、廣東省基礎(chǔ)與應(yīng)用基礎(chǔ)研究基金、深圳市磁共振成像重點(diǎn)實(shí)驗室等項目的資助。

圖1:文章上線截圖

圖2:提出方法的總體技術(shù)路線圖
附件下載: