基于AI的血管内导航的血管几何特征描述
该研究旨在识别与导航难度相关的血管指标，并开发自动化管道进行定量血管特征提取，以支持未来复杂性分级。研究从61名患者的CT血管造影中分割血管树，测量了主动脉弓类型、牛型弓存在、血管长度、迂曲度、起始角、反向曲线数量等指标，并使用软演员-评论家强化学习算法进行120秒自主导航。结果显示，左侧牛型弓和II/III型主动脉弓分别增加导航时间30.19秒和37.92秒，更大的迂曲度进一步延长手术时间并降低成功率；右侧II/III型弓延长45.94秒，每个额外反向曲线增加3.96秒并降低成功率。该自动化管道为标准化复杂性分级和强化学习模型评估提供了基础。
一项新研究通过定量分析血管几何特征，为基于人工智能的血管内导航难度评估提供了标准化框架。该研究发表在《国际计算机辅助放射学与外科杂志》上，旨在解决机械取栓（MT）中因神经放射科医生和专门中心短缺导致的可及性限制问题。
研究团队从61名患者的CT血管造影中分割出血管树，并使用定制管道测量了包括主动脉弓类型、牛型弓存在、血管长度、迂曲度、起始角和反向曲线数量在内的多项指标。他们采用软演员-评论家强化学习算法进行120秒的自主导航模拟，以评估不同血管特征对导航性能的影响。
结果表明，血管几何形状显著影响导航难度：在左侧，牛型弓和II/III型主动脉弓分别使导航时间增加30.19秒和37.92秒，而更高的迂曲度（β=118.20）进一步延长操作时间并降低成功率；在右侧，II/III型弓使操作时间延长45.94秒，每增加一个反向曲线则使导航时间增加3.96秒并降低成功概率。这些发现首次定量证明了血管几何特征对自主导航性能的关键作用。
该研究的自动化管道能够客观、定量地描述血管特征，为未来开发标准化复杂性分级和强化学习模型评估奠定了基础。尽管目前的研究并未旨在展示临床可推广的自主导航，但这一进展有望推动血管内介入的自动化，从而扩大治疗可及性。