【综述】影像组学在颅内动脉瘤中的应用研究进展

颅内动脉瘤是常见的公共卫生疾病,准确评估其破裂风险至关重要｡影像组学作为一个新兴的研究领域,可利用计算机从影像图像中提取和分析大量定量特征,以反映疾病潜在的病理生理变化,在疾病的检测､诊断及疗效评估等方面,特别是在肿瘤领域显示出巨大的应用价值｡近年来,该技术开始应用于颅内动脉瘤的研究并展现出独特优势,但仍处于起步阶段,需要进一步探索｡现就影像组学在颅内动脉瘤中的应用进展进行综述,拟为动脉瘤患者的分层管理提供参考｡

1 颅内动脉瘤的风险评估现状

颅内动脉瘤是因血管壁结构改变引起的血管壁病理性膨出或扩张｡全球范围内,大约有3. 2%的人患有颅内动脉瘤,在中国35 ~ 75岁的人群中,其发病率高达7%｡颅内动脉瘤每年的破裂率为1. 4%,5年破裂风险为3. 4%｡对未破裂颅内动脉瘤进行观察随访成为大部分患者的首要选择｡然而,并非所有未破裂颅内动脉瘤患者均适合随访｡Huang等报道称,无症状性颅内动脉瘤的老年(≥65岁)患者,在符合保守治疗条件时,不需要过于频繁的随访;而对于多发颅内动脉瘤或存在子囊者,密切的随访可能更有价值｡大多数未破裂颅内动脉瘤患者无明显症状,但动脉瘤一旦破裂,可能面临灾难性后果｡动脉瘤破裂患者在破裂后30 d内死亡的概率高达35%,幸存者中约三分之一需要全面护理,同时还有三分之一无法返回工作岗位,严重损害公众健康及生活质量｡通过血管内介入或神经外科手术预防性治疗颅内动脉瘤可以降低动脉瘤破裂的风险,但同时也伴随着治疗相关并发症发生的风险｡一项Meta 分析显示,接受血管内介入治疗的未破裂颅内动脉瘤患者术中及术后30 d内总并发症发生风险为4. 96%(95% CI:4. 00% ~ 6. 12%),病死率为0.30%(95% CI:0. 20% ~ 0. 40%);而接受神经外科治疗者手术期间及术后30 d内总并发症发生风险为8. 34%(95% CI:6. 25% ~ 11. 10%),病死率为0.10%(95% CI:0 ~ 0. 20%)｡因此,对颅内动脉瘤进行风险分层具有重要意义｡

如何平衡颅内动脉瘤自然破裂与发生治疗并发症的风险,并识别高危患者一直是临床上的难题｡过去的研究进行了大量探索,如建立综合了人口种族(P)､高血压病(H)､年龄(A)､动脉瘤大小(S)､其他动脉瘤的既往蛛网膜下腔出血史(E)及动脉瘤部位(S)几大因素的PHASES 评分系统,用于评估动脉瘤5年的破裂风险;涵盖了早期蛛网膜下腔出血病史(E)､动脉瘤位置(L)､年龄(A)､人口种族(P)､动脉瘤大小(S)和形状(S)这6个预测因子的ELAPSS评分系统,以预测3 年和5 年动脉瘤生长的风险;未破裂颅内动脉瘤研究的评分系统以评估其3 年破裂的风险;未破裂颅内动脉瘤治疗评分系统用于指导临床决策｡这些评分系统为动脉瘤的风险评估提供了一定参考,但预测效能有限,且评分系统多基于常规临床信息和动脉瘤形态学特征建立,无法详细描述病灶｡血流动力学与颅内动脉瘤的生长和破裂显著相关,但其依靠计算机流体力学虚拟重组,计算参数繁多且复杂,难以准确模拟血液的黏度和血管壁弹性,与血流的真实情况存在一定偏差,应用范围有限｡

相较而言,形态学参数可直接反映瘤体特征,简便且适用范围广｡然而,传统的形态学特征多基于二维手动测量,可能存在观察者之间的差异,难以全面量化整个动脉瘤的特征｡尽管一些三维形态学参数如非球面指数､椭圆形指数和波动指数等已用于描述动脉瘤形状的凹凸程度,但这些参数的计算较复杂,应用受限｡此外,部分动脉瘤在细胞或分子水平上可能是不稳定的,但无明显的形态学变化证据｡因此,需探索能分析大量颅内动脉瘤信息的新技术以进一步研究｡

2 影像组学概述

“影像组学”是从医学图像中高通量提取大量定量特征的过程,最早由Lambin等于2012 年提出｡与传统的医学图像相比,其具有通量大､定量､计算速度快､精度高等优点,不仅可评估病变的形态特征,还可以反映图像的强度分布及空间关系､纹理异质性等｡基于特定的软件平台(如PyRadiomics)进行特征提取,有助于提高研究结果的准确性和可重复性｡影像组学的基本过程主要包括图像采集､图像重组和预处理､感兴趣区域分割､特征提取和分析几个步骤｡其中,感兴趣区域分割是关键,分为手动､半自动和全自动分割｡手动分割相对简单,但主观且耗时,病灶边界的确定可能受观察者经验的影响｡目前,《颅内囊状未破裂动脉瘤MRI 影像标注专家共识》为病灶区域的规范标注提供了参考,可减少观察者间的异质性｡计算机辅助的半自动分割具有可重复性高､时效性好､接受度高的特点,而全自动分割则有省时､可重复性高和高效率的优势,但目前尚缺乏统一的规范化标准｡

3 影像组学在颅内动脉瘤稳定性评估中的应用

具有明显的临床症状或随访期间出现生长的颅内动脉瘤破裂风险通常更高,属于不稳定动脉瘤｡DSA､CT 血管成像(CTA)和MR 血管成像(MRA)等影像检查,可获取动脉瘤的形态特征､血管壁强化情况等信息,辅助预测动脉瘤的破裂风险,但涵盖的信息相对有限｡相比之下,影像组学可为医师提供更全面､精准的信息实现动脉瘤整体的评估,弥补了前者的不足｡目前其在颅内动脉瘤中的研究以基于DSA和CTA图像的风险预测为主,虽然这一领域还在不断发展,但已取得了初步成效｡

3. 1 基于DSA的颅内动脉瘤稳定性评估

DSA是诊断颅内动脉瘤的“金标准”｡近年来,多项基于DSA图像的影像组学的研究为颅内动脉瘤风险分层提供了丰富的信息｡Liu等从579例颅内动脉瘤患者的DSA图像中提取了12 个影像组学特征｡该研究表明,相较于侧壁动脉瘤,分叉动脉瘤的破裂风险更高[45. 9%(168 / 366)比13. 6%(48 / 353),P < 0. 01],并且分叉结构是动脉瘤破裂的独立危险因素(OR =3. 007,95% CI:1. 752 ~5. 248,P <0. 01)｡此外,动脉瘤的影像组学特征中,平坦度和致密度2 是分叉动脉瘤破裂的重要影响因素,而伸长率和球形不对称度为影响侧壁动脉瘤破裂的关键影像组学特征｡随后,Liu 等进一步纳入124个不稳定颅内动脉瘤和296个稳定颅内动脉瘤｡不稳定颅内动脉瘤指发病至确诊破裂不超过1个月的破裂动脉瘤,以及连续随访中出现生长或伴有压迫性症状的未破裂动脉瘤｡这项研究使用PyRadiomics自动提取基于DSA图像的影像组学形态特征｡结果表明,预测动脉瘤不稳定表现最佳的特征为动脉瘤的平坦度,其受试者工作特征曲线下面积(area under the curve,AUC)为0. 753(95% CI:0. 702 ~ 0. 804),其次是球形不对称度､瘤体的最大二维直径(切片)及表面积｡此外,研究还表明,有高血压病者的不稳定动脉瘤通常形态更不规则,同时证明了机器学习用于预测动脉瘤稳定性的可行性｡该研究首次在动脉瘤的影像组学研究中囊括了多种动脉瘤不稳定的类别,重点关注最大三维直径为4 ~ 8 mm的小动脉瘤,更贴近临床诊疗实际｡然而,不稳定动脉瘤中破裂者占比86. 3%,可能影响模型的准确性和适用范围｡据Skodvin等研究显示,颅内动脉瘤破裂后的形态会发生改变,不能替代破裂前的形态｡Liu等进一步研究发现,基于临床特征､动脉瘤位置和影像组学特征(包括表面积体积比和平坦度)联合构建的列线图预测颅内动脉瘤破裂风险的性能优于PHASES评分[训练集AUC:0. 838(95% CI:0. 799 ~ 0. 877)比0. 684 (95%CI:0.637 ~0. 731);测试集AUC:0. 837(95% CI:0. 780 ~0. 894)比0. 657(95% CI:0. 585 ~ 0. 729),均P < 0. 01],决策曲线分析结果显示,列线图指导临床决策的净收益高于PHASES 评分｡该研究还表明,列线图预测结果与实际的动脉瘤破裂状态高度一致(训练集和验证集的P 值分别为0. 669､0.803)｡此外,列线图与PHASES评分之间存在密切的正相关关系[训练集和测试集中相关系数分别为0.532(95% CI:0. 453 ~ 0. 602)､0.543 (95% CI:0. 419 ~ 0.649),均P < 0.01],在不同的PHASES评分亚组中,列线图预测的破裂风险随着PHASES评分升高而升高,组间两两比较差异均有统计学意义(均P < 0. 05)｡

Ludwig等分析了353 个颅内动脉瘤的三维DSA图像,从中自动提取13 个传统形态学和13 个影像组学特征分别建模,并对比它们预测动脉瘤破裂风险的能力｡结果表明,影像组学中伸长率(AUC:0. 71,P < 0. 01)和平坦度(AUC:0. 72,P <0.01)预测动脉瘤破裂的表现最佳,且二者之间存在相关性(R2 = 0. 75,P < 0. 01)｡但整体上,影像组学特征的预测性能不如传统的形态学特征｡该研究自动提取动脉瘤形态学特征,减少了手动测量的偏差｡但是,该研究未设置验证集,未比较影像组学联合传统形态学特征预测动脉瘤破裂风险的效能,需进一步探索｡在既往的研究基础上,Lauric等使用增强的影像组学方法充分考虑了颅内动脉瘤的空间方位,通过瘤颈定位和流入血管直径的估计,分析了5个影像组学衍生特征｡这些特征包括瘤颈平面上的最大垂直高度､瘤体的最大二维直径(切片)､瘤颈平面上的最大垂直高度/瘤体的最大二维直径(切片)､瘤颈平面上的最大垂直高度/流入血管的直径､瘤体的最大三维直径/流入血管的直径｡研究结果显示,增强的影像组学可有效区分侧壁或分叉动脉瘤的破裂风险,其预测性能优于常规的影像组学(侧壁AUC:0.85比0. 82;分叉AUC:0. 78比0. 74),并与传统形态学特征的预测能力相当甚至略好(侧壁AUC:0. 85比0. 86;分叉AUC:0. 78比0. 76)｡

Tong等纳入来自3 个医疗机构的105 例蛛网膜下腔出血患者的254个多发颅内动脉瘤｡研究结果表明,使用影像组学评分预测颅内动脉瘤破裂的性能优于传统的形态学模型[训练集AUC:0. 814(95% CI:0. 746 ~ 0. 881)比0. 747(95% CI:0.673 ~ 0. 822),验证集AUC:0. 835(95% CI:0. 739 ~0.930)比0. 666(95% CI:0. 539 ~ 0. 793)]｡其中,平坦度是最重要的鉴别特征,其加权系数最大(约10.06)｡将影像组学评分与传统的形态学特征联合建模时,鉴别能力显著提高[训练集AUC:0. 842(95% CI:0. 786 ~ 0. 899),验证集AUC:0. 849(95% CI:0.752 ~0. 946)]｡该研究因使用自身对照而克服了患者个体差异的影响｡然而,基于颅内动脉瘤破裂后形态的分析可能无法完全反映破裂前动脉瘤的形态,此外手动测量可能存在偏差｡

总之,DSA在颅内动脉瘤风险评估中有明显优势,可提供精细的血管解剖结构,特别适用于直径小和复杂的动脉瘤｡然而,DSA作为一种侵入性检查,辐射剂量大､耗时､价格高昂､存在潜在并发症风险等可能限制其在临床的应用范围,较少用于动脉瘤的随访观察｡

3. 2 基于CTA的颅内动脉瘤稳定性评估

CTA是一种准确､无创､高效且经济的检查方式,常作为疑似颅内动脉瘤或动脉瘤破裂后患者的常规检查｡Alwalid等在393 例单发颅内动脉瘤患者中使用CTA影像组学特征对动脉瘤破裂状态进行分类,结果显示性能良好[训练集AUC:0. 92(95% CI:0. 89 ~0. 95),测试集AUC:0. 86(95% CI:0. 80 ~ 0. 93)]｡然而,该研究的数据来自2 个医疗机构的4 台扫描机器,存在异质性｡Ou等分析了122个颅内动脉瘤(29个破裂)的CTA图像发现,破裂和未破裂颅内动脉瘤的影像组学特征之间存在显著差异｡与仅包含传统的形态学特征的模型(AUC:0.767,95% CI:0. 754 ~ 0. 779)相比,将影像组学形状特征加入模型后可以改善其预测动脉瘤破裂的性能(AUC:0. 807,95% CI:0. 795 ~ 0. 818;P <0. 01);而相较于传统形态学特征和影像组学形状特征组成的模型,在此基础上加上一阶直方图和二阶纹理特征构建的混合模型的预测性能进一步提高(AUC:0.879,95% CI:0. 871 ~ 0. 888;P < 0. 01)｡此外,由灰度共生矩阵最大概率和灰度区域大小矩阵的区域百分比这两个纹理特征组成的简化模型(AUC:0.876,95% CI:0.866 ~ 0. 885)与混合模型的预测性能相当(P > 0.05)｡该研究基于中期(随访2年)随访数据,使用年度随访过程中动脉瘤破裂前的影像,且未破裂的动脉瘤至少在2 年的随访期内保持稳定,避免了动脉瘤破裂对形态的影响,具有一定的临床价值｡但样本量相对较小,且随访时间相对较短,不完全适用于预测颅内动脉瘤长期的稳定性｡

然而,Li等分析了31 例不稳定颅内动脉瘤(定义为CTA检查后的4 d内破裂,或随访期间生长或出现典型的压迫症状)和196 例稳定颅内动脉瘤(定义为偶发､无症状,随访中未破裂或生长)患者的CTA图像｡结果显示,影像组学模型可以识别颅内动脉瘤的不稳定[训练集AUC:0. 865 (95% CI:0. 777 ~ 0. 952),测试集AUC:0. 739(95% CI:0. 636 ~0.841)],但是性能不如传统的形态学模型[训练集AUC:0. 888 (95% CI:0. 808 ~ 0. 967),测试集AUC:0. 818 (95% CI:0. 705 ~ 0. 932)],当二者联合时预测性能(AUC为0. 868)并未显著提高(均P >0.05)｡此外,研究还表明,仅使用与动脉瘤形态学相关的影像组学特征识别不稳定动脉瘤的效果较差[训练集AUC:0. 605(95% CI:0. 470 ~ 0. 740),测试集AUC:0. 552 (95% CI:0. 401 ~ 0. 703)]｡但该研究样本量较小且缺乏外部验证,与颅内动脉瘤不稳定相关的症状仅涵盖了压迫性症状｡一项研究报道,接受显微外科治疗的未破裂颅内动脉瘤患者中有临床症状者(包括头痛､眩晕､认知障碍和视力障碍等)占比77%,其中79%的患者手术后症状消退｡该研究提示,在后续的未破裂颅内动脉瘤研究中需要纳入更多具有相关症状的未破裂颅内动脉瘤进一步分析｡最近,王豪等分析了38 例大脑中动脉镜像颅内动脉瘤患者的CTA 图像,结果表明,影像组学模型预测动脉瘤破裂的性能不如传统的形态学模型(AUC:0. 71 比0. 83),且二者联合建模时预测效能的提升不大(AUC为0. 85)｡

3. 3 影像组学和机器学习在颅内动脉瘤稳定性评估中的应用

机器学习是人工智能的子领域,可通过计算机算法识别和处理大数据集中多个变量之间复杂的关系,并应用于未知数据的预测｡Yang等指出,使用影像组学特征建立的12 种机器学习模型均可用于576例颅内动脉瘤破裂风险的预测(AUC:0. 713 ~0.889),但是各算法的预测效能存在差异｡其中,集成学习算法尤其是自适应增强模型的预测性能最佳,训练集中AUC 值为0. 889 (95% CI:0. 842 ~0.936),在验证集进行3 折交叉验证,重复5 次时,自适应增强模型的AUC值范围为0. 842 ~ 0. 918｡

深度学习为机器学习的分支之一,善于处理复杂高维图像｡An等结合深度学习成功构建新型半自动机器学习算法以评估颅内动脉瘤的破裂风险｡该算法综合了多维特征(包括形态学､影像组学､临床和深度学习特征),可提高颅内动脉瘤破裂风险评估的能力｡其中,基于深度学习特征Sigmoid和k-最近邻算法构建的模型预测性能最佳,F2-score为0. 789(F2-score为综合了精确度和召回率的模型效能评价指标)｡

另外,Luo等使用点云神经网络(point cloud neural network ,PC-NN)学习了1 024个复杂的高维形态学特征,并建立了颅内动脉瘤破裂风险的预测模型｡研究表明,在测试集中,仅包含动脉瘤特征的PC-NN模型预测动脉瘤破裂的性能(AUC:0. 851,95% CI:0. 783 ~ 0. 920)与基于影像组学构建的传统机器学习模型(岭回归､支持向量机､神经网络)相当[AUC 分别为0. 803(95% CI:0. 725 ~ 0. 882)､0.788 (95% CI:0.704 ~ 0. 872)､0. 805(95% CI:0.727 ~ 0. 883),均P > 0. 05]｡当在PC-NN模型中加入载瘤动脉特征时,预测性能显著提升(AUC:0. 913,95% CI:0. 861 ~ 0. 966,P = 0. 041),并且优于传统机器学习模型(均P < 0. 05)｡此外,在该研究中,基于MRA图像训练的PC-NN模型预测能力优于基于CTA 图像的模型[AUC:0. 936(95% CI:0.865 ~ 1. 000)比0. 824(95% CI:0. 702 ~ 0. 947),P = 0. 043]｡PC-NN模型良好的预测效能也在5 个外部医疗中心的258个颅内动脉瘤中得以验证｡该研究提示深度学习在动脉瘤破裂风险评估方面具有潜在的临床应用前景｡

Turhon等分析了1 740例颅内动脉瘤患者的临床资料和DSA图像,并证实了影像组学在动脉瘤破裂风险评估中的重要价值｡该研究表明,联合临床､形态学及影像组学特征构建的深度学习模型预测动脉瘤破裂的性能(AUC:0. 929,95% CI:0. 893 ~0. 965)明显优于机器学习模型(AUC:0. 878,95% CI:0. 840 ~ 0. 916)及传统的Logistic 回归模型(AUC:0.849,95% CI:0. 808 ~ 0. 890),差异均有统计学意义(均P < 0. 01)｡深度学习模型的良好性能同时也在内部和外部数据中得到验证｡

在2年及以上的随访中,Ou 等提出一种基于自我监督和预先训练的深度学习模型,用于预测未破裂颅内动脉瘤的破裂风险｡研究结果显示,基于形态感知的深度嵌入方法预测动脉瘤破裂的能力优于从头开始训练的深度学习模型､传统的形态学及影像组学模型｡该研究还基于该模型开发了一种计算机辅助风险评估系统,通过5 名神经外科医师的初步测试发现,该系统能提高神经外科医师对颅内动脉瘤破裂的预测能力,同时可辅助医师基于案例推理进行临床决策｡该项研究克服了动脉瘤破裂前后形态改变的影响,使应用有限的数据量训练深度神经网络成为可能,有望成为临床上颅内动脉瘤破裂风险评估的潜在辅助工具｡

Feng等首次应用三维卷积神经网络实现了CTA上颅内动脉瘤的自动检测､分割和形态学测量｡该研究将与动脉瘤破裂相关的形态学和影像组学特征输入机器学习模型(包括支持向量机､随机森林和多层感知器)训练,得到的模型在训练集和测试集上表现良好(AUC:0. 85 ~ 0. 90)｡该方法能够在1 min内自动分析颅内动脉瘤的CTA图像并评估其破裂状态,有助于提高临床的工作效率｡

总体而言,影像组学在颅内动脉瘤稳定性评估中展现出巨大应用潜力,将机器学习特别是深度学习与影像组学结合有望提高颅内动脉瘤稳定性预测的能力｡

4 影像组学在颅内动脉瘤诊断中的应用

动脉瘤的早期诊断至关重要｡耿介文和张鸿祺详细讨论了人工智能在动脉瘤辅助诊断方面的价值,但主要集中在深度学习方面｡影像组学在动脉瘤诊断中的应用相对较少｡MRA 检查具有安全和无辐射等优点,逐渐成为大多数患者颅内动脉瘤筛查的首要选择｡Kong 等发现,使用时间飞跃法MRA的影像组学特征可区分真性和假性微小颅内动脉瘤(AUC:0. 875,95% CI:0. 78 ~ 0. 97),该方法的鉴别能力优于仅包含年龄的临床模型(AUC:0.750,95% CI:0. 53 ~ 0. 97;P = 0. 014)｡当将影像组学与临床因素联合时鉴别能力更佳,AUC高达0. 913(95% CI:0. 87 ~ 0. 96),但与单纯的影像组学模型相比差异无统计学意义(P = 0.330)｡此外,Cao等研究表明,利用高分辨率MRI和机器学习算法建立的影像组学特征区分颅内夹层动脉瘤和复杂的囊状颅内动脉瘤的性能良好,AUC 高达0. 912(95% CI:0. 846 ~ 0. 976),准确率为0. 857,明显优于临床放射学模型(AUC:0.743,95% CI:0.623~0.862;准确率为0. 740)､临床放射学模型和影像组学评分联合组成的集成模型(AUC:0.888,95% CI:0. 811 ~ 0. 965;准确率为0. 857)及部分放射科医师的诊断效能(准确率为0.779)｡随后,Cao等通过多中心研究进一步证实了影像组学模型在鉴别颅内夹层动脉瘤和颅内出血性囊状动脉瘤方面的有效性,研究使用留一法交叉验证确保了模型的准确性｡总之,影像组学可以帮助诊断和鉴别MR上的颅内动脉瘤,并指导治疗决策｡

5 影像组学在颅内动脉瘤疗效评估中的应用

影像组学在颅内动脉瘤治疗后的效果评估和并发症预测方面也备受关注｡Zhang等首次应用影像组学揭示了颅内动脉瘤形态与Pipeline栓塞装置(Pipeline embolization device, PED)治疗后闭塞状况之间的关联｡研究表明,伸长率和平坦度与颅内动脉瘤的闭塞状态相关,不完全闭塞组伸长率和平坦度明显高于完全闭塞组(分别为P < 0. 01 及P =0. 003)｡研究还确定了伸长率0. 862为区分动脉瘤闭塞状态的最佳截断值,伸长率高提示出现不完全闭塞的风险高｡Liang 等也指出,基于血管造影参数成像衍生的影像组学特征在PED 治疗后患者的并发症和栓塞结局定量评估方面具有潜在价值,影像组学评分较高提示并发症风险增加(OR =5. 52,95% CI:2. 29 ~ 13. 36,P < 0. 01),并与颅内动脉瘤完全闭塞存在关联(HR = 9. 23,95% CI:3. 99 ~21. 36,P < 0. 01)｡此外,Jin等也发现,伸长率低是未破裂颅内囊状动脉瘤患者PED置入术后支架内狭窄的独立危险因素(以术后支架内狭窄为因变量,OR = 0. 008,95% CI:0. 001 ~ 0.255,P = 0. 006),AUC值为0. 734｡当伸长率< 0. 595时,出现严重的支架内狭窄的可能性更高｡

综上所述,影像组学特征与动脉瘤患者PED治疗后的结局存在关联,但是对这些发现的生理学解释仍需深入研究｡其中,伸长率作为一个重要的影像组学特征,反映了动脉瘤相对于载瘤血管的实际延伸程度,其定义为动脉瘤形状中最小轴长和最大轴长比值的平方根｡取值范围在0 至1 之间,数值越小表示动脉瘤相对于血管实际延伸的程度越大｡伸长率的大小受动脉瘤形状的影响,同时也受到载瘤动脉的影响,该特征值过高或过低均可能与动脉瘤PDE治疗后的不良结局相关｡在临床应用时,需要结合患者的个体差异､随访时间､其他影像组学特征以及研究目的等综合分析｡

6 局限性和展望

影像组学在颅内动脉瘤的早期诊断､风险分层､疗效评估方面有巨大的应用潜力,其可辅助进行MR图像上动脉瘤的诊断和鉴别,定量客观地描绘动脉瘤的整体形态｡通过应用平坦度和伸长率等特征,可以定量表征动脉瘤的不规则形状,而动脉瘤不规则常提示破裂风险较高｡此外,影像组学还可以改善对动脉瘤不稳定的评估能力｡通过结合传统机器学习和深度学习技术,有望进一步提高动脉瘤破裂风险的预测能力,并及时评估患者接受血流导向装置治疗后的疗效｡

目前,影像组学还未实现常规临床应用,其中模型间的可比性和可解释性仍是难题,尚需建立图像采集和重组标准,提高病灶标注的效率,并积极推动数据共享,同时需在大规模多中心的前瞻性研究中进一步验证模型的结果,以推动影像组学在动脉瘤诊疗中的应用｡未来,影像组学可与血流动力学和血管壁强化等信息结合,与动脉瘤自动检测系统集成,建立一个完备的决策支持系统,为颅内动脉瘤的筛查､破裂风险评估和疗效评估提供全程指导｡