综述：人工智能在脑海绵状血管畸形中的应用：一项范围综述

　　本综述系统回顾了人工智能（AI）在脑海绵状血管畸形（CCM）研究中的应用进展，重点探讨了AI在诊断工具（如CAD系统）、风险评估、生物标志物识别、预后预测及治疗规划等领域的潜力与现有成果，为CCM的精准诊疗提供了新视角。

　　

ABSTRACT

Objectives

人工智能（Artificial Intelligence, AI）和机器学习（Machine Learning, ML）在医学研究中的应用日益广泛，包括对脑海绵状血管畸形（Cerebral Cavernous Malformations, CCM）的研究。本范围综述旨在分析AI在CCM中的应用范围与影响，重点关注诊断工具、风险评估、生物标志物识别、预后预测和治疗规划。

Methods

通过多个数据库进行全面文献检索，筛选探讨AI在CCM中应用的文章。文章根据预定义的资格标准进行选择，并按主要研究焦点分类：药物发现、诊断成像、遗传分析、生物标志物识别、预后预测和治疗规划。

Results

共16项研究符合纳入标准，展示了AI在CCM中的多样化应用。近一半（47%）为队列或前瞻性研究，主要聚焦于生物标志物发现和风险预测。技术说明和诊断研究占27%，集中于计算机辅助诊断（Computer-Aided Diagnosis, CAD）系统和药物筛选。其他研究包括关于AI用于手术规划的概念性综述和系统综述，证实了ML在神经外科临床结局预测中的优越性。

Discussion

AI在CCM中的应用显示出巨大潜力，尤其在提高诊断准确性、风险评估和手术规划方面。这些进展表明，AI可能改变CCM的管理方式，为改善患者结局和个性化护理策略提供途径。

Introduction

人工智能（AI）在现代医学中日益普及，因其在多种医疗应用中的潜力而受到推动。AI系统旨在通过基于机器的学习过程模拟人类智能。具体而言，机器学习是AI的一个分支，使算法能够直接分析数据、学习模式并进行预测，而无需预先编程。这促进了诊断、治疗规划和日常临床任务的进步。机器学习模型，如支持向量机（Support Vector Machine, SVM）、随机森林和神经网络，可以从临床数据中识别模式并进行预测，而大型语言模型（Large Language Models, LLMs）则处理并生成文本，用于文献综合和决策支持等任务。

近年来，AI已成为多个医学领域的宝贵工具，从诊断成像到新治疗方法的开发。脑海绵状血管畸形（CCM）是中枢神经系统（Central Nervous System, CNS）内出现的细小、紧密堆积、壁薄的异常血管。在MRI上，这些病变通常显示混合信号强度。由于CCM常无症状，估计其患病率具有挑战性。然而，研究表明全球发病率为每年每10万居民0.15–0.56例。CCM可表现为单发或多发病变，约80%的病例为散发性，20%为家族性。尽管CCM通常病程良性，但某些因素，如病变位置和特定风险因素，可能增加严重出血的可能性，导致高发病率。CCM的治疗结局差异很大，一些患者病情稳定、无症状，而其他患者则面临反复出血或神经功能衰退；预后通常与病变位置或既往出血史等特征相关。鉴于这些复杂性，CCM管理需要多学科方法，涉及神经外科医生、神经放射科医生和神经学家。当前治疗选项包括手术切除、放射外科和观察等待。尽管持续研究非侵入性方法以预防出血事件，但确定性解决方案仍难以实现。为此，AI在CCM中的应用已被探索，但其使用范围和局限性尚未明确评估。本综述旨在综合当前关于AI在CCM管理中作用的研究，以启发临床医生和护理人员了解AI改变该疾病护理的潜力。

Material & method

Study design

根据系统综述和Meta分析范围综述的首选报告项目（Preferred Reporting Items for Systematic Reviews and Meta-Analyses for Scoping review, PRISMA ScR）指南，在Pubmed、Embase和Cochrane Library中从建库至2024年10月15日进行了范围综述。本综述旨在绘制与CCM相关的AI应用的现有文献图。我们的重点是识别所有描述AI在CCM中使用的出版物，以捕捉该领域研究的全范围。

遵循Joanna Briggs Institute (JBI)建议，由第一作者（AS）和第五作者（AC）制定了全面的搜索策略，预定义的医学主题词（Medical Subject Headings, MeSH）分为两组：

1. 1.

   ‘cavernous angioma’ OR ‘cavernous malformation’ OR ‘cerebral cavernous malformation’

2. 2.

   ‘artificial intelligence’ OR ‘deep learning’ OR ‘machine learning’ OR ‘radiomics’ OR ‘computer aided diagnosis’

本研究不需要IRB或伦理批准。基于MEDLINE/PubMed、Embase和Cochrane Library的初步搜索仅发现一篇先前关于AI和海绵状血管畸形的范围综述。资格标准根据JBI为范围综述概述的“人群-概念-背景”框架建立。本研究未获得任何资助或财务支持。

Search strategy

两位作者（AS和AC）独立通过MEDLINE/Pubmed、Embase和Cochrane Library从建库至2024年10月15日进行了全面文献搜索。每个数据库的搜索策略包括特定字段：PubMed的“标题/摘要”、Embase的“标题/摘要”和Cochrane Library数据库的“标题、摘要、作者关键词”。文章限于英文，无数据限制。去除重复和撤回文章后，上述作者（AS和AC）独立评估标题和摘要，筛选出符合全文评估资格的文章。排除与AI在CCM中应用无关或无法获得全文的文章。剩余文章由第2和第7作者（SC和CW）进行独立全文审查。经过彻底审查，评估参考文献以进一步排除不相关研究并考虑其他相关文章。

Data collection

两位作者（AS和CW）独立将文章根据其在CCM研究中使用AI的情况分为六类：

1. 1.

   AI用于CCM治疗中的药物发现

2. 2.

   AI用于识别与CCM风险相关的生物标志物

3. 3.

   AI作为基于图像的诊断工具

4. 4.

   AI用于CCM遗传和/或发病机制的洞察

5. 5.

   AI用于CCM病变的结局预测

6. 6.

   AI在治疗规划中

从每篇选定文章的关键数据总结在描述表中，涵盖一般信息（作者、出版年份、第一作者国家）、AI用于CCM的类别、AI在治疗和/或诊断和/或结局预测和其他中的目的简要描述、患者样本大小、AI是基于机器学习还是深度学习、AI算法以及作者结论。

Results

初始搜索共获得87篇文章：14篇来自PubMed，73篇来自Embase，0篇来自Cochrane Library。去除14篇重复后，所有文章均为英文。初步筛选排除一篇因无法获得全文审查的文章，仅剩13篇供两位独立评审员进行二次筛选。全面审查选定文章及其参考文献后，未排除其他研究，并添加了三项新研究，最终共16篇文章进行分析。

16项评估的研究说明了AI和ML在CCM研究中的多样化使用，用于诊断、预后和治疗规划应用。六项研究为队列和前瞻性研究（31.3%），专注于生物标志物发现和结局预测，而技术说明和诊断研究（25%）突出了基于AI的工具开发，如计算机辅助诊断（CAD）系统（基于软件的算法，旨在辅助临床医生解释数据）和药物发现的高通量筛选。其他研究包括关于AI在手术规划中的概念性综述和系统综述，展示ML在神经外科环境中结局预测优于传统模型的表现。研究类型的这种变异性强调了AI在推进CCM管理中的潜力，从创新技术到实用临床工具和全面综述。所包含研究中采用的AI架构是异质的，包括传统机器学习模型，如支持向量机（SVM）、最小绝对收缩和选择算子（LASSO）、支持向量分类（SVC）、K-最近邻（KNN）和多层感知器（MLP），以及高级深度学习方法，如基于BioBERT-ResNet的语言模型（BRLM）。

选定研究按AI在药物发现、生物标志物识别、诊断成像、遗传分析和结局预测中的应用分类。

AI for discovery of potential new drugs to treat patients suffering from this disease

Gibson及同事（2015年）对现有化合物进行了高通量筛选，以识别CCM的潜在非手术治疗选项。他们专注于识别可重新利用的药物，发现维生素D₃和tempol可能减少病变负担，为CCM的非侵入性干预开辟可能性。

AI guiding the diagnosis of CCM through the identification of biomarkers

我们发现多项研究检查AI在诊断和评估CCM出血风险方面的潜力。Lyne及同事（2019年）使用机器学习方法，包括逻辑回归和支持向量机，识别预测出血风险的生物标志物，从而实现更好的临床风险评估。类似地，Sone及同事（2021年）研究基于MRI的灌注和通透性指标作为CCM出血的诊断生物标志物。当与血浆标志物结合时，这些指标提供了识别近期出血事件的增强准确性。Girard等人（2021年）扩展了这一概念，开发ML模型分析血浆生物标志物，进一步支持诊断精度并辅助症状性出血的复发风险评估。此外，Srinath等人（2023年）研究了与CCM症状性出血相关的血浆代谢物。通过采用贝叶斯方法和偏最小二乘判别分析（Partial Least Squares Discriminant Analysis, PLS-DA），他们识别了具有诊断潜力的特定代谢物，提出了一种评估CCM患者出血风险的非侵入性方法。

AI to give insight into the underlying genetics and/or pathogenesis

在遗传生物标志物研究中，进展同样值得注意。Romanos及同事（2023年）探索循环血浆miRNA并识别了反映CCM状态的特定生物标志物，改善了疾病监测能力。另一项由Wang等人（2024年）领导的研究利用语言模型（BioBERT-ResNet）对CCM中的单核苷酸变异（Single Nucleotide Variants, SNVs）进行分类。他们的工作突出了FGF1基因作为重要调节因子，可能对理解CCM进展和治疗开发关键。

AI as image-based diagnostic tool

AI也被应用于提高诊断成像准确性和效率。Wang等人（2018年）引入了用于基于MRI的CCM检测的CAD系统，显示出高灵敏度和准确性，使其成为诊断工作流程中的宝贵工具。Wang等人（2022年）进一步发展了这一方法，创建了定量多光子显微镜（quantitative Multiphoton Microscopy, qMPM）技术。这一创新不仅有助于切除，还通过识别CCM特异性特征提高诊断精度。类似地，Kim等人（2024年）提出了一种AI辅助工具，用于在CT扫描上区分CCM与急性脑实质出血，为不太熟悉这些情况的临床医生提供显著益处。

AI to predict the outcome

专注于结局预测的研究旨在通过预测出血风险和治疗结局来改善患者管理。Li等人应用极端梯度提升（eXtreme Gradient Boosting, XGBoost）模型预测散发性CCM病例五年内的出血风险，支持对高风险患者进行更密切监测。此外，Jabal等人（2024年）使用放射组学特征与ML预测CCM的功能结局，使临床医生能够基于个体风险概况定制管理计划。Hoffman等人进行了系统综述和Meta分析，评估ML模型用于脑血管和血管内神经外科的临床结局预测。该综述强调ML模型通常优于传统方法，其中Kuo等人的一项研究专门针对CCM患者伽玛刀放射外科术后再出血预测。使用ML模型和MRI放射组学特征，他们证明放射组学分析可纵向用于指导临床管理，允许对高风险患者进行主动干预。Hendricks等人使用ML识别“功能非功能区”——先前被认为非关键但被显示当受影响时影响功能结局的区域。通过映射接受CCM切除患者的病变和轨迹路径，该研究在大规模脑网络中识别了七个功能区，挑战了非功能脑区的传统假设。

AI in treatment planning

最后，Hendricks等人（2022年）探索了治疗规划，提出了ML和增强现实（Augmented Reality, AR）在CCM手术中的整合。他们的概念性综述强调了AI在患者选择和术中指导中的潜在作用，提出了将这些技术纳入CCM手术护理的路线图。

Discussion

本研究旨在突出AI在CCM患者临床管理中的扩展作用。我们的综述涵盖了采用ML算法促进CCM领域各种任务的多项研究。这些发现证明了AI在CCM研究中的广泛而 impactful 的应用，从非侵入性诊断和预测模型到治疗规划和遗传分析。总的来说，这些研究表明AI有望显著提高CCM诊断和管理的准确性、效率和个性化，标志着该领域未来进展的宝贵方向。

本综述强调了AI和ML在推进我们理解和