Kak Khee Yeung, MD, PhD, FEBVS

“在治疗胸主动脉瘤的时候，我们总是会想到如何尽可能地减少术后并发症，其中最糟糕的是脊髓缺血（Spinal cord ischemia, SCI）。”

在着手治疗一例中心长度为7cm的主动脉瘤时，Yeung医生强调，为了使瘤腔充分闭合，需要小心地放入一个主动脉支架移植物。然而，目前尚无胸主动脉支架能够完美地处理长度短且锥度强的胸主动脉瘤。

“我选择了医生改制的支架。我们需要考虑的是如何减少该患者的截瘫风险，” Yeung医生说，“我们或许可以考虑使用椎管引流或不同设计的支架。我们需要考虑保留这些肋间动脉是否必要。我们是否应该考虑其它的方法，并接受不那么充分的瘤腔封堵效果？”

Yeung医生继续解释这个病例：“有一些大的肋间动脉正位于封堵部位上方，即腹腔干水平。我想将支架放于二者之间，那样我将只能封堵10cm左右，且近端封堵部位会偏向左侧。但是，这样我能够避免覆盖两根重要的脊髓动脉，并且向近端或远端适当延展。”

“我最终决定使用医生改制的支架，使得这两根动脉不被支架覆盖。我也成功地封堵了动脉瘤，因为支架远端的锚定足够坚实。”这个患者没有任何术后并发症，这是一次成功的手术。

SCI是一种令人畏惧且后果严重的术后并发症。Gallis等人[1]在Journal of Vascular Surgery上发表的研究结果表明，如果术中覆盖超过20条脊髓动脉，严重SCI发生率高达43%。

术后评估SCI非常耗时，因此Yeung医生和她的同事们开发了一款基于深度学习AI技术的诊断工具，它能够根据术前CT图像快速分析患者脊髓动脉分布节段。她研究的目标是自动化识别并可视化这些肋间动脉。

“避免覆盖这些肋间腰段动脉是必要的吗？”Yeung医生说到，“我们通过11个病例开发了这个工具，我们目前正在280名患者中验证。我们已经通过传感器光标注可视化了196条肋间动脉。”

   “通过AI模型，我们也能识别脊椎节段，并将其作为AI图像分割模型的输入项。然后我们应用名为U-Net的人工智能网络去自动地可视化这些肋间动脉。”在我们的研究中，我们首先将11名患者分为了训练集（8例）以及验证集（3例）。这是计算机先前从未计算过的数据集。”

训练该模型的过程中，我们评估了检测率和位置，然后使用Dice指数去评判这些数据的相似度，从而理解这些数据间是否存在很好的重叠性。“我们在3个患者的62条动脉中进行了模型验证，检测正确率高达97%，且准确率达到94%，Dice指数为0.71。Dice指数为1则表示模型完美，因此现有模型的评分处于中等水平。”Yeung医生说。

她最后指出，这是自动化分析肋间动脉的基础，而且他们正将该模型拓展应用到主动脉中心线提取分析中。目前，外部验证正在一个多中心胸腹主动脉瘤样本库中进行。该团队由Jelmer Wolterink和Yeung医生的博士研究生Kai Kappe组成，他们开发了用于图像分割的深度学习方法。对于该模型的进一步开发将纳入脊髓面积、患者基本信息以及支架特征等参数。

参考文献

1. Gallis K, Kasprzak PM, Cucuruz B, Kopp R. Evaluation of visible spinal arteries on computed tomography angiography before and after branched stent graft repair for thoracoabdominal aortic aneurysm. J Vasc Surg. 2017;65(6):1577–1583.