利用无监督机器学习从全自动体积分割影像中识别腹主动脉瘤形态表型：多中心队列研究揭示血栓负荷与性别差异新视角

《European Heart Journal - Digital Health》：Unsupervised Machine Learning for Identifying Morphological Phenotypes in Abdominal Aortic Aneurysms Using Fully Automated Volume-Segmented Imaging: A Multicentre Cohort Study

　　为破解AAA术后血栓栓塞预测难题，作者运用FAVS影像+无监督聚类，首次发现“高血栓、小血管”与“大血管、低血栓”两种形态表型，并揭示女性显著偏向高血栓组，为个体化防治提供新框架。

　　

腹主动脉瘤（AAA）一直被视为“直径>5.5 cm就手术”的单线条疾病，但临床医师常遇尴尬：同样大小的瘤，有的风平浪静，有的却突发血栓栓塞导致肢体或肠管缺血。传统CTA仅提供几条径线，无法量化血栓、钙化、迂曲度等三维信息，更难以回答“为何女性术后并发症更高”这一悬案。
为破解预测盲区，Michal Kawka领衔的英、法多中心团队设想：若让AI把瘤体、血栓、分支血管“一键拆包”，能否在纯形态层面挖出隐藏亚型？他们调取2013-2023年三家英国血管中心1655例择期AAA修复术前CTA，用CE认证软件PRAEVAorta进行全自动体积分割（FAVS），获得瘤颈、内脏动脉、髂血管的直径、长度、角度、钙化体积、血栓指数等百余项三维参数，并与英国国家血管登记处（NVR）记录的术后血栓栓塞事件（脑、肠、肾、肢体缺血）对接。

研究流程可概括为“影像-降维-聚类-验证”四步：先以主成分分析（PCA）压缩变量，再用k-最近邻（kNN）无监督聚类， silhouette 评分优选，最终锁定两型；随后多变量Logistic回归校正瘤体大小指数（ASI）、心血管危险因素及修复方式，评估表型与结局关联。

关键技术方法：

1. 多中心回顾性队列（2013-2023，三家英国医院）
2. ≤1 mm薄层CTA全自动体积分割（PRAEVAorta，CE IIb）
3. 主成分分析降维，kNN、DBSCAN、GMM聚类，silhouette评分选优
4. 多变量Logistic回归+平均处理效应（ATT）估计表型-结局关联

研究结果
“两种形态亚型显著分离”
PCA-UMAP可视化显示两群点云界限清晰。Cluster 1（n=878）以“细血管+高血栓”为特征：髂总动脉（CIA）平均直径缩小约4 mm，瘤颈更短更窄，但壁血栓指数在腹腔干、肾动脉、髂血管均显著高于Cluster 2（p<0.001）。Cluster 2（n=577）则呈“大血管+低血栓”表型，钙化体积更大，但血栓指数低。

“性别分布失衡”
Cluster 1女性占13.8%，Cluster 2仅4.2%（p<0.001）。 Logistic模型证实，女性分配至高血栓表型的OR为3.83，年龄每增1岁入组概率降2%，但两者仅解释2.6%变异，提示形态差异主要由血管几何驱动，而非单纯人口学因素。

“血栓栓塞事件无统计学差异”
整体事件率低（31/1455，2.1%），Cluster 1 vs 2发生率2.6% vs 1.7%，校正后OR 1.56（95% CI 0.71-3.43，p=0.23），statistical power仅21%，尚不能排除潜在关联。

结论与讨论
文章首次用AI无监督方式证明AAA并非“一个模子”，而是至少存在两种固有形态表型，其差异轴心为“血栓负荷+血管口径”，并独立呈现性别偏好。这一框架为后续整合基因组、蛋白组、血流动力学模拟提供“形态入口”，有望把“直径>5.5 cm”的单一手术阈值推向“血栓-基因-性别”多维度风险模型，实现真正的precision vascular medicine。