摘要
目的:烟雾病（Moyamoya Disease，MMD）是一种少见的慢性进行性脑血管疾病，以颅内血管进行性狭窄或闭塞为主要特征。当前，MMD的诊断及分级高度依赖医生对影像学图像的观察和评估，为了减小医师主观性导致的误差，本研究利用人工智能技术建立了一套基于T2WI和TOF-MRA图像的自动诊断及评分系统，以提高MMD的诊断准确性及临床分级效能。 方法:回顾性收集2010年至2022年间在解放军总医院第七医学中心确诊的105例MMD患者，94例动脉粥样硬化患者及100例正常人的磁共振T2WI或TOF-MRA图像及临床资料。对所有图像进行归一化和数据增强等预处理后，按8∶1∶1比例划分为训练集、验证集和测试集。首先，分别使用2D VGG-16、2D ResNet、3D VGG-16和3D ResNet四种深度学习模型基于T2WI图像构建分类诊断模型。其次，基于TOF-MRA图像，使用nnU-net模型和PointNet++模型建立血管分割和分类诊断模型。最后，使用PointNet++分类模型对MMD患者的血管进行Houkin分期的评估。 结果:在基于T2WI图像的四个深度学习分类诊断模型中，3D VGG模型诊断效能最高，诊断准确率为89.66％;基于TOF-MRA图像，使用nnU-net模型和PointNet++模型构建分类诊断模型，诊断准确率为91.67％,优于基于T2WI图像的3D VGG诊断模型。此外，基于TOF-MRA图像，利用PointNet++分类模型可以实现对MMD患者进行Houkin分期，测试集分类准确率达到了 81.25％。 结论:人工智能深度学习模型可以实现对MMD患者进行自动诊断及自动分级，并达到较高的准确率。基于磁共振T2WI和TOF-MRA图像的烟雾病自动诊断及自动评分模型有望成为辅助临床诊疗决策及病情评估的有力工具。
NETL