JCMR | AI结合放射组学 深圳先进院助力精准识别症状性基底动脉斑块
缺血性脑卒中是全球范围内导致死亡和残疾的主要原因之一，颅内动脉粥样硬化性疾病是其重要的致病因素。其中，基底动脉斑块因与后循环缺血事件及高复发风险密切相关，成为临床关注的重点。然而，如何准确、高效地识别“症状性”斑块，仍是当前影像学的一大挑战。
近日，中国科学院深圳先进技术研究院（以下简称“深圳先进院”）医学成像科学与技术系统全国重点实验室、生物医学与健康工程研究所张娜研究员，联合南京医科大学第一附属医院鲁珊珊教授团队，提出了一种融合自动分割、放射组学与表格基础模型（TabPFN）的分析框架，为症状性基底动脉斑块的识别提供了全新的智能化解决方案。研究成果以“A Radiomics-Based Approach with Automated Segmentation for Identifying Symptomatic Basilar Artery Plaques in Acute Stroke”为题发表于期刊Journal of Cardiovascular Magnetic Resonance。
该研究利用高分辨率磁共振血管壁成像数据，整合多项先进技术，构建了从分割到识别的全流程自动化分析框架。研究团队采用前期自主研发的Vessel-SegNet模型实现基底动脉血管壁的自动分割，结合多序列放射组学特征提取方法，并依托专为小样本医学数据设计的Transformer架构表格基础模型TabPFN，最终建立了症状性基底动脉斑块的智能识别模型。经独立测试集验证，融合平扫与增强影像的放射组学模型（AUC0.887）显著优于传统形态学特征模型（AUC0.784）。
该研究所构建的自动化、可复现、可扩展的分析流程，在临床转化方面展现出多重价值：
自动分割与定量分析显著减少了人工判读的主观性与时间成本，提升了一致性与效率；
放射组学特征能够捕捉肉眼难以识别的斑块微观结构异质性，有助于更早期、更准确地识别高风险病变；
标准化的处理流程便于在多中心、不同影像设备间推广，为后循环动脉粥样硬化患者的风险分层、个体化二级预防决策提供了客观的影像学依据。
深圳先进院硕士研究生陈洁和博士研究生杨龙、南京医科大学第一附属医院硕士研究生何雯雯为论文共同第一作者，张娜研究员与鲁珊珊教授为论文的共同通讯作者。该研究得到了国家重点研发计划、国家自然科学基金、广东省基础与应用基础研究基金、深圳市磁共振成像重点实验室等项目的资助。
来源｜医工所
责编｜余 融
审校｜余 融、赵梓杉、冯 春
