郭伟：深度学习型TEVAR临床决策支持系统——AORTIST系统

人工智能（AI）是目前科技行业的最热门领域之一，大量AI技术从实验室走出来和临床应用结合，渗透入医学领域中，AlphaFold（根据基因代码预测蛋白质结构）、AI-ECG平台（基于人工智能技术的心电图自动分析和诊断系统）等相继涌现。AORTIST系统——一款辅助TEVAR临床决策的深度学习型图像分析软件，是AI在血管外科的场景应用落地。德国当地时间2019年1月24日，来自中国人民解放军总医院血管外科的郭伟教授在莱比锡血管介入治疗大会（LINC 2019）上为我们深入解析了AORTIST系统以及其在主动脉疾病诊疗上的应用。

AORTIST系统研发背景

迄今为止，腔内介入治疗尚存在以下“痛点”：

1、传统的手动测量主动脉直径/长度精度低，轴位测量动脉直径存在诸多不足之处。

2、目前尚无综合考虑夹层形态、空间结构等多种解剖参数的预测模型。

3、由于影像资料的存储和管理难度较高，且大部分现行的患者管理和数据收集模式受地域限制影响较大，TEVAR术后患者管理和数据收集存在很大不足。

AORTIC系统概述

主动脉支架个体化植入人工智能研究云平台（Artificial intelligence Online Research platform Targeting Individualized aortic Stent-grafting Therapy，AORTIST）可高效地协助临床医师诊疗。在AORTIST系统中存入患者影像学信息后，可结合多种算法完成以卷积神经网络（CNN）为基础的图像自动分割、TEVAR手术方案规划、不良事件预测、数据收集和随访管理等多种功能，另有血流储备分数评估功能尚在开发过程中。

自动分割过程和精度评估

通过对原始医学数字成像和通信（DICOM）文件的手动分割[兴趣区（ROI）为整体主动脉、真腔、假腔]，基于多任务级联卷积神经网络（利用三层级联架构结合精心设计的卷积神经网络算法），形成整体主动脉、真腔、假腔自动分割轴位视图，最后形成整体主动脉、真腔、假腔自动分割3D视图。

戴斯相似性系数（Dice similarity coefficient，DSC）是用于比较两个样本相似性的统计量（范围0～1）。AORTIST系统通过计算DSC判断手动分割与自动分割区域的相似程度，对自动分割准确度进行评估。DSC值越接近1，提示自动分割结果越好。Table 1为15例测试病例的DSC评分结果（均＞0.90），提示自动分割精确度较高。

Table 1

15例患者的DSC样本

解剖结构分析

AORTIST对解剖学的分析功能包括：

1、破口识别与选择；

2、矢冠轴与垂直位联动，与拉直图像联动，与直径坐标系联动；

3、分割MASK显示切换；

4、单纯矢冠轴联动功能；

5、拉直图像360旋转功能；

6、胸主动脉段和腹主动脉段容积输出功能。

TEVAR的手术方案建议

利用计算机系统术前对患者数据和病变血管特征进行分析，能辅助制定合理的个体化治疗方案，能根据病变类型、破口位置、解剖结构及患者情况选择手术入路、确定手术方式、制定腔内策略（包括锚定区和支架尺寸的选择），从而预防术后并发症和死亡的发生。

随访管理和数据收集

AORTIST系统为患者建立管理列表，每位患者的临床、影像信息作为独立的云存储单元，支持患者姓名、性别、ID编辑，支持患者检索和列表排序功能，支持自动发起随访。

影像学预测模型

AORTIST系统影像学预测模型的建立流程见Figure 1。

Figure 1

AORTIST影像学预测模型

总结

医学数字图像具有应用人工智能的内在优势。问题导向AI技术的应用减少了人为错误，使诊断和治疗更加准确和高效。新一代AORTIST V3.0在ROI中加入了主动脉弓部分支、内脏动脉、股髂动脉，可提供上述分支血管的解剖学信息。通过判读术前影像学结果、制定出最优手术方案并有效预测手术预后的AI技术有望于近期实现。