戴琼海院士团队通过深层神经网络对颅内动脉瘤进行临床辅助诊断

颅内动脉瘤(IA)的破裂通常会导致患者死亡或遭受严重伤害，极大地威胁人体健康。据报道，IA在一般人群中的患病率可达6%，且80%的非创伤性蛛网膜下腔出血是由IA破裂引起的。然而，IA目前的检查和诊断仍费时费力，这容易影响临床实践中的诊断精度，尤其是对于小动脉瘤。因此，亟需一种智能高效的工具来辅助医生进行IA的诊断。

近日，清华大学脑与认知科学研究院戴琼海院士团队在Cell Press细胞出版社旗下Patterns期刊发表了一篇题为"Toward human intervention-free clinical diagnosis of intracranial aneurysm via deep neural network"的文章，提出了一种无需人工干预的IA检测和分割的深度学习模型(GLIA-Net)。该模型通过定量评价和临床实验验证了其优越的诊断性能，预计将有助于改变脑血管疾病的临床诊断，实现精确治疗，未来也可能改变医疗保健和生物医学研究的格局。

研究亮点

1. GLIA-Net是临床诊断颅内动脉瘤（IA）的一种深度学习方法；
2. 它可以直接应用于采集的CTA图像，而无需任何费力的预处理；
3. 通过临床研究证明了它在辅助诊断方面的有效性。

研究介绍

颅内动脉瘤(IA)是对人类健康的巨大威胁，往往导致非创伤性蛛网膜下腔出血或预后不良。据统计，IA在一般人群中的患病率可达6%，80%的非创伤性蛛网膜下腔出血是由IA破裂引起的。然而，在医学图像扫描中，IA尺寸非常小，容易与正常血管混淆，使得专业放射科医生需要仔细检查每个病例数百张2D图像切片方能做出评估诊断。近几十年来，计算机断层血管造影(CTA)和磁共振血管造影(MRA)技术被应用于IA诊断中，其成本越来越低，成像质量越来越好，但仍需要放射科医生付出很大的时间和精力以检测医学图像中的IA病变。

此研究提出了一种可应用于CTA图像的全自动IA分割深度学习模型——基于全局定位的IA网络(GLIA-Net)。GLIA-Net包含一个提供全局风险概率信息的全局定位网络和一个高分辨率的局部分割网络，可以将全局定位先验同局部特征结合起来，生成精细的三维分割结果。同时该模型可以直接用于不同的临床情景和成像设置中，甚至可以直接分析包含头颈心扫描的影像，而无需任何预处理程序。

该模型通过定量评价验证了其逐像素分割和目标检测的性能。GLIA-Net在一个大型内部数据集（来自6个机构的1,338例医学影像 ）和两个外部数据集上进行训练和评估。结果表明，在内部测试集上，GLIA-Net可以识别超过80%的IA目标。与其他模型相比，该模型对不同的成像设备表现出良好的泛化性，性能优异。

通过临床实验进一步证明了该模型的临床应用价值，即辅助放射科医生诊断IA。在该临床实验中，两组临床医生在原始的CTA图像中进行IA诊断，其中一组接受了模型的辅助。结果显示模型的辅助能够帮助临床医生在几乎所有的指标中提升他们的诊断表现，并节省诊断时间。

论文链接：https://www.cell.com/patterns/fulltext/S2666-3899(20)30267-1

论文DOI：https://doi.org/10.1016/j.patter.2020.100197

来源：CellPress细胞科学