01
影像分割学
从本世纪早期开始，便有从CT横断面图像分割主动脉的研究不断出现。近年来，方法从传统的计算机视觉转为了卷积神经网络（CNNs）的应用，早期rule-based范式虽然能在较少的数据集下获得满意的结果，但CNNs通常对病理或伪影引起的变化识别更为稳健。在现有的研究中无论是对2D还是3D图像进行分割，Dice系数（反映分割结果predicted与金标准groundtruth的相似度，机器学习算法评估指标见图1）均能达到0.85-0.9。而对于主动脉夹层真假腔的分割，自动和手工分割之间有很好的一致性，这体现了CNNs对于复杂解剖结构的优势，但进一步的人工检查仍是有必要的（图2）。图1机器学习算法评估指标图2机器学习对主动脉真假腔的分割02
危险度分层
从临床转化的角度出发更重要的是，利用机器学习算法对AAA患者进行分层，以帮助确定哪些患者可能需要干预。一项利用AAA的形态学特征(包括直径、壁厚和壁应力)的算法相对于单独直径测量能更好的鉴别有症状及无症状AAA患者。另一项应用直径以外的形态学特征的研究在区分动脉瘤快速生长患者和非快速生长患者时也得到了类似的结果。03
术后并发症预测
最近的几项研究探索机器学习是否可以用于预测主动脉手术并发症，大部分为国内团队应用回顾性临床、实验室以及影像学数据。医院团队开发的模型可用于预测胸腹主动脉瘤修复术患者的急性肾功能衰竭和截瘫，最佳模型的AUC为0.89。医院团队研究了基于临床和影像学参数的结合是否可以预测B型主动脉夹层TEVAR治疗后的主动脉增大，神经网络模型获得的AUC为0.。医院团队同样建立ML模型预测主动脉弓手术后肝功能障碍，其AUC最高为0.77。血管外科专业领域各大临床数据库的成功建立为真实世界的大数据研究提供了得天独厚的条件。同时，通过大数据的应用，使得许多回顾性数据有了更大的用武之地。04
临床诊疗的质控
第二份VASCUNET报告显示，与其他国家相比，在英国进行的开放腹主动脉瘤(AAA)修复术后的死亡率明显较高（图3）。在这份报告之后，在大不列颠和爱尔兰实施了一项广泛的质量改进方案，最终将死亡率从7.9%降至4%图3各国开放AAA修复术后的死亡率（*为30天死亡率，无*为院内死亡率）05
器械上市后监管
在美国和加拿大，VQI有许多正在进行的项目，允许对医疗设备进行监测和监管。一个例子是已经上市的用于B型主动脉夹层的TEVAR器械的评估。利用VQI,49个参与中心输入了在临床试验中严格的纳排标准之外的真实世界中接受TEVAR的所有患者的数据。通过数据库，参与中心将所有数据上传以避免选择偏倚。因此，这项研究是第一批利用注册数据库的研究之一，不仅用于监测患者的出院随访情况，还用于监测用于治疗疾病过程的器械。06
评估罕见病治疗
注册大数据也可以用于评估新技术。其中一个例子是用血管内主动脉修补术治疗霉菌性动脉瘤。霉菌性动脉瘤占所有主动脉瘤的不到1%，是由主动脉壁感染引起的。霉菌性动脉瘤的传统治疗方法是开放手术，对感染区进行清创和解剖外血管重建，或采用抗感染移植物进行原位重建。然而，真菌性主动脉瘤的开放手术的死亡率与并发症发生率均较高。考虑到这种疾病的罕见性，在一个大队列的患者中对开放性手术和血管腔内修复术进行比较是不可能的。然而，在瑞典一项基于全国登记的真菌性主动脉瘤分析中，发现了最大的真菌性主动脉瘤队列，并对开放手术与血管内修复的结果进行了倾向匹配分析。这一分析证实，与开放手术相比，腹主动脉内霉菌性动脉瘤的血管内修复效果更好。第二项对胸主动脉霉菌性动脉瘤的研究显示了类似的结果。这些研究影响了现代的指导方针和当前的实践。从以上我们可以看出，尽管AI算法技术数据库的应用都在快速发展，但二者对临床数据评估仍存在一定的割裂性，未来如何通过AI算法更好的利用数据库的大数据仍是一个值得思考的问题。参考文献
HahnLD,BaeumlerK,HsiaoA.Artificialintelligenceandmachinelearninginaorticdisease.CurrOpinCardiol.Nov1;36(6):-.SutzkoDC,ManiK,BehrendtCA,WanhainenA,BeckAW.Bigdatainvascularsurgery:registries,internationalcollaborationandfuturedirections.JInternMed.Jul;(1):51-61.预览时标签不可点收录于合集#个上一篇下一篇