基于人工智能的颈动脉斑块稳定性评估集成系统

中风是一种具有高死亡率和致残率的全球性疾病。 评价颈动脉斑块的稳定性对于脑卒中的预防具有重要的临床意义。

超声作为一种实用、快速、无创、无辐射的检查技术，广泛应用于颈动脉斑块稳定性的评价。 超声评价颈动脉斑块稳定性的方法有很多。 从二维超声图像中提取的纹理特征可用于量化后续扫描中的细微差异。 斑块的弹性成像可用于量化反应斑块弹性特性的变化。 对比增强超声 (CEUS) 可用于量化微血管的密度。 然而，通过这些不同的方法获得的结果是有偏见的并且表现出不一致。 我们缺乏统一、系统的评价体系和客观的斑块稳定性评估指南。 在此背景下，世界各地的研究人员对斑块稳定性评估这一主题进行了深入探索。 根据最先进的评估，我们发现一些在超声波上被判断为稳定的斑块最终确实破裂了。 相反，一些不稳定的斑块在超声波上并没有引起中风。 这种混淆表明，斑块破裂不仅与其内在特征如大小、形状、成分等有关，还与生物力学、应变、流场等外在因素有关。 为了更好地了解病理斑块行为，有必要研究动脉中的血液动力学问题，例如壁切应力、流动分离和二次流动。 近年来人工智能技术的快速发展已广泛应用于医学成像和图像分析。 这些技术允许监督学习充分利用可用的大数据。 因此，本研究的主要目的是利用人工智能技术来i）评估包括斑块组织学、血流动力学等在内的多项指标，ii）建立一个统一的定量标准来判断颈动脉斑块的稳定性。

本项目要解决的关键科学问题是建立预测颈动脉斑块破裂风险的客观模型，用于临床决策。

主要可分为三个主要模块：数据库建立、模型训练和临床验证。

1、数据库建立

1. 从电子病历系统中获取患者的临床信息。
2. 利用图像分析技术在超声图像中研究不同图像纹理参数与斑块组织学成分之间的关​​系。 建立一种基于纹理参数的颈动脉斑块稳定性评价方法。
3. 使用超声（剪切波）弹性成像建立一种基于组织弹性评估的颈动脉斑块易损性评估方法。
4. 将颈动脉速度矢量成像与血流涡旋操纵技术相结合，实现对易损斑块血流涡旋中心位置和眼眶角动量的精确测量，为基于涡旋矢量血流的易损斑块检测提供了一种新技术。 块检测新技术。 动脉斑块的生物力学特征将通过检测动脉壁的同步性和协调性来评估。 还将研究心动周期中不同类型斑块的生物力学特征与稳定性之间的关系。
5. 使用定量 CEUS 分析和定位显微镜研究 CEUS 与颈动脉斑块新生血管形成之间的关系，重点关注从 CEUS 中提取的微血管密度、结构和其他定量特征的影响。 基于这些特征，将设计和评估斑块破裂的预测模型。
6. 使用计算流体动力学模型研究几何变化对斑块生长过程中局部血流动力学和血液成分浓度分布的影响。 将进一步分析斑块的生长机制及其对血流动力学的影响。

2.深度学习模型在获得上述所有参数后，将通过机器学习研究这些参数与颈动脉斑块稳定性的相关性。

将设计一个机器学习分类器，将提取的特征作为输入。 将通过 k 折交叉验证来实施特征选择，以确定最有助于评估斑块稳定性和预测斑块破裂的一组互补特征。 具体而言，我们的目标是预测中风是否会在 1 年内发生。 当有足够的数据可用时，还将设计和训练深度卷积神经网络来学习预测模型。 在此过程中，将通过评估训练集、测试集和验证集的分类性能来仔细考虑过度拟合的风险。

因此，模型的复杂性将根据可用的训练集进行调整。

3. 临床评价 所开发的颈动脉斑块破裂卒中预测模型的验证将推广至多家医院。 将测试模型的可靠性和可用性。 设想以循环方式更新和改进模型，从临床结果和反馈中获益。 辅助决策支持准确率预计不低于90%。