使用临床前动物模型和机器学习流程研究脑动脉瘤中的组织生长

为何脑动脉中这些微小膨出很重要

脑动脉瘤是脑动脉上像气球一样的小囊状膨出，可能在没有预警的情况下破裂，导致中风或死亡。一种常见且创伤较小的治疗方法是用柔软的金属线圈填充该膨出，使血液凝固并促使新组织逐渐从内部封堵弱点。但医生和研究人员仍在努力衡量愈合组织到底填满动脉瘤的程度。本文所述的研究使用人工智能（AI）将高倍显微镜图像转化为精确、可重复的测量结果，以观察这一隐藏的愈合过程，长期目标是帮助制定更安全、更持久的患者治疗方案。

从脆弱的脑血管到实验室模型

在临床上，动脉瘤可以通过开颅手术在膨出颈部夹上金属夹来处理，或者通过血管内填塞——把微小线圈经血管送入并部署在动脉瘤内。填塞创伤更小，可为新组织生长提供支架，但高达四分之一的被填塞动脉瘤最终会复发并需要再次手术。动物模型为研究为何部分动脉瘤愈合更好提供了途径。在这项研究中，研究者使用了在颈动脉上构建动脉瘤的小鼠模型，并用铂线圈进行处理，其中一些线圈还涂有旨在促进组织修复的分子。对动脉瘤区域做成薄切、染色的切片并在显微镜下拍摄，捕捉到关于血栓、结缔组织和囊内重塑的丰富细节。

把显微镜图片变成可用的数值

传统上，专家通过肉眼检查这些组织切片并估算新组织填充动脉瘤腔的程度。这种方法速度慢、主观且难以在不同实验室间标准化。作者设计了一个机器学习流程来自动化两项关键任务：勾画动脉瘤囊的边界和识别新生组织生长的区域。他们使用了一种名为 Unet++ 的现代图像分析网络，该网络最初为医疗图像分割开发，并将其改造以适用于高分辨率的组织学图像。在训练前，图像被调整大小、归一化，并通过旋转、翻转和缩放等增强手段扩充数据，以帮助模型应对自然变异。网络并非直接输出简单的黑白掩膜，而是先生成每个像素属于囊体的平滑灰度“热图”，随后使用图像处理中的既定阈值化方法将其锐化。

AI的观察与专家的观察有多接近

一旦动脉瘤边界被确定，系统就会测量新生组织占该区域的比例。在对64幅图像进行十折交叉验证的结果中，AI生成的囊体轮廓和生长区域与专家手工标注的区域高度重合，重叠得分处于90%中段，并在标准分类曲线上表现接近完美。当研究者将AI的组织生长测量值与人类“金标准”值比较时，数据点紧密分布在理想对角线上，表明自动化方法能很好地追踪专家判断。为了测试AI是否至少和受训助理一样一致，四名盲法评分员和模型对另一组图像进行了评分。与专家神经外科医生的一致性在AI处最高，这表明该算法提供了专家级的一致性，不受疲劳或个人偏见影响。

为非专家设计的工具

研究团队认识到，仅有复杂代码不足以改变实践，因此他们将流程封装在可通过网络浏览器运行的云端图形界面中。用户可以上传新的动脉瘤切片、运行预训练模型，并即时在原始图像上看到囊体和新生组织的彩色覆盖层。界面还报告简单的几何测量，如总囊体面积和生长百分比，并允许用户在必要时微调边界。由于该平台基于开源数字切片系统构建，其他研究人员可以将该工具接入自己的工作流程，推动临床前研究中对动脉瘤愈合的标准化、可共享测量。

这对未来动脉瘤护理意味着什么

对外行人而言，核心信息是这项研究教会了计算机如何以与专家同等的可靠性来“测量疤痕”——即已治疗脑动脉瘤内部的愈合组织。用客观数值替代粗略的目测估计，科学家们可以在进入临床前更准确地比较不同线圈、药物涂层及其他促愈合策略。尽管当前工作局限于小鼠动脉和单一染色方法，但它为如何将复杂显微镜图像转化为生物稳定性标准得分提供了蓝图。长期来看，此类工具可帮助设计更完整、更持久的动脉瘤修复方案，降低脑动脉中危险性膨出再次出现的可能性。

引用: Afsari, F., Ansari, I., Martinez, M.E. et al. A Machine learning pipeline to investigate tissue ingrowth in cerebral aneurysms using preclinical animal models. Sci Rep 16, 13352 (2026). https://doi.org/10.1038/s41598-026-43798-w

关键词: 脑动脉瘤, 血管内填塞, 组织生长, 组织学人工智能, 图像分割