基於AI的血管內導航的血管幾何特徵描述
該研究旨在識別與導航難度相關的血管指標，並開發自動化管道進行定量血管特徵提取，以支持未來複雜性分級。研究從61名患者的CT血管造影中分割血管樹，測量了主動脈弓類型、牛型弓存在、血管長度、迂曲度、起始角、反向曲線數量等指標，並使用軟演員-評論家強化學習算法進行120秒自主導航。結果顯示，左側牛型弓和II/III型主動脈弓分別增加導航時間30.19秒和37.92秒，更大的迂曲度進一步延長手術時間並降低成功率；右側II/III型弓延長45.94秒，每個額外反向曲線增加3.96秒並降低成功率。該自動化管道為標準化複雜性分級和強化學習模型評估提供了基礎。
一項新研究通過定量分析血管幾何特徵，為基於人工智能的血管內導航難度評估提供了標準化框架。該研究發表在《國際計算機輔助放射學與外科雜誌》上，旨在解決機械取栓（MT）中因神經放射科醫生和專門中心短缺導致的可及性限制問題。
研究團隊從61名患者的CT血管造影中分割出血管樹，並使用定製管道測量了包括主動脈弓類型、牛型弓存在、血管長度、迂曲度、起始角和反向曲線數量在內的多項指標。他們採用軟演員-評論家強化學習算法進行120秒的自主導航模擬，以評估不同血管特徵對導航性能的影響。
結果表明，血管幾何形狀顯著影響導航難度：在左側，牛型弓和II/III型主動脈弓分別使導航時間增加30.19秒和37.92秒，而更高的迂曲度（β=118.20）進一步延長操作時間並降低成功率；在右側，II/III型弓使操作時間延長45.94秒，每增加一個反向曲線則使導航時間增加3.96秒並降低成功概率。這些發現首次定量證明了血管幾何特徵對自主導航性能的關鍵作用。
該研究的自動化管道能夠客觀、定量地描述血管特徵，為未來開發標準化複雜性分級和強化學習模型評估奠定了基礎。儘管目前的研究並未旨在展示臨牀可推廣的自主導航，但這一進展有望推動血管內介入的自動化，從而擴大治療可及性。