0 引言

       脑小血管病（cerebral small vessel disease, CSVD）是一种由临床表现和影像特征共同定义的脑内小血管的病变，主要影响脑内小动脉（100~400 μm）及其远端分支（<200 μm）、微动脉（<100 μm）、毛细血管、微静脉和小静脉^{[1, 2]}。CSVD是血管性认知障碍最常见的病因，后者为一种慢性进行性疾病，常伴有步态、情绪、行为、尿路障碍等功能障碍，严重影响老年人的生活质量^{[3, 4, 5]}。

       目前CSVD的影像诊断高度依赖于头颅磁共振成像（magnetic resonance imaging, MRI）特征^[6]。2013年，血管性改变神经影像标准化报告组织发布了第一版CSVD影像学诊断标准，对CSVD的影像学特征及其名称做了标准化定义，包括推测为血管起源的腔隙、近期皮层下小梗死（recent small subcortical infarction, RSSI）、推测为血管起源的白质高信号（white matter hyperintensities, WMH）、血管周围间隙（perivascular spaces, PVS）、脑微出血（cerebral microbleeds, CMBs）及脑萎缩^{[4, 7]}。2023年，第二版CSVD影像学诊断标准应运而生^[8]，在第一版的基础上新增了4种CSVD影像学标志物，分别是脑皮质表面铁沉积、脑小血管病综合评分、脑皮质微梗死和偶发DWI阳性病灶，新增的这几种标志物还未广泛采纳使用。过去人们认为CSVD在病理中主要影响的是大脑小动脉的血管^[1]，但越来越多的人注意到了脑实质中的小静脉，特别是用于白质引流的深髓静脉（deep medullary veins, DMVs），认为DMVs相关的病理机制可能参与了CSVD的发展^[9]。由于MRI或CT血管造影不能准确显示大脑小血管，CSVD的诊断主要依赖于神经影像学，尤其是第一版提出的已经被广泛采纳使用的MRI标志物，这些标志物对于CSVD的病因分析和症状解释具有重要的临床意义。然而，传统的CSVD的诊断过程缺乏定量的评价标准，受经验的限制，容易导致漏诊和误诊^[10]。神经细胞损伤是不可逆的，且致残率和死亡率高^[11]，因此早期发现、诊断和干预是影响神经系统疾病治疗的关键因素。

       近年来，人工智能（artificial intelligence, AI）的快速发展使其在医疗保健系统中得到了广泛的应用，在脑血管疾病中的应用也不例外，研究^[12]通过基于图谱的配准定义解剖区域，使用深度卷积神经网络（convolutional neural network, CNN）提取血管结构，可以对临床常规获得的大量脑血管图像进行自动侧支循环评分。为了取代以往基于主观且费时费力的视觉评估方法，目前的研究已经可以应用基于AI的方法从MRI图像中提取CSVD的影像标志物^[13]。CMBs、PVS及腔隙在MRI图像上有一些共同的特点，如较周围组织更亮或者更暗，大多都呈局灶性圆形或类圆形等^[14]，虽然这些特点使得病变容易被肉眼识别，但临床上对它们的评估及计数过程仍然是主观且费时的。目前已经有多种AI算法可以对它们进行自动识别提取。自动量化的CSVD生物标志物还可以用于评估临床试验的有效性，并提供客观的决策工具。然而，AI工具在CSVD神经成像中的开发和实施也存在挑战，包括数据质量、算法开发和法规遵从性等问题，并且已有的研究对DMVs与CSVD影像标志物的关系阐述较少且不全面。另外，AI在分析CSVD影像特征中的应用也相对有限，对这些特征最新的正式认可，导致AI在CSVD中的应用研究长期处于初级阶段，研究多集中在它们的检测和分析上。因此，本文就CSVD的影像标志物与DMVs及AI的最新研究进展进行综述，阐明和总结AI在MRI评估CSVD中的应用、机遇和挑战，旨在为探究CSVD的发病机制、辅助临床诊疗干预等提供更多的参考信息。

1 CSVD主要影像标志物

1.1 腔隙

       1838年，DECHAMBRE等首次使用术语腔隙来指代在脑软化过程中形成的小空腔，后DURAND-FARDEL等将位于基底节以及白质的小腔或者圆形小孔均称为腔隙，推测其归因于旧的、愈合的脑软化灶或反复的脑充血过程中与血管扩张有关的脑组织受到机械压迫形成^[15]。造成腔隙的原因很多，如腔隙性脑梗死、微出血及动脉周围间隙的扩大等。目前，腔隙与腔隙性脑梗死的概念在临床实践中常被混淆。腔隙性脑梗死是大脑半球深部白质和/或脑干的微小动脉透明变性、深穿支动脉闭塞，导致局部脑组织缺血、坏死和液化而形成。因此，腔隙范围更大些，涵盖了腔隙性脑梗死。

1.2 WMH

       脑白质高信号，又称脑白质病变（leukoaraiosis, LA），该影像学术语最早由神经病学专家HACHINSKI等^[16]提出。WMH的发病机制并不完全清楚，基于WMH的大量组织病理学研究表明，WMH主要反映部分髓鞘、轴突和少突胶质细胞的丢失、星形胶质细胞增生、血管周围间隙的扩张、活化的巨噬细胞和纤维透明脂质血管的改变^[17]。

1.3 PVS

       PVS，通常也被称为V-R（Virchow-Robin）间隙，1843年由DURAND FARDEL最初提出，后被CHARLES-PHILIPPE ROBIN证实是围绕在大脑血管周围的环形通道^{[18, 19]}。PVS是一种充满液体的小空腔，围绕在脑的穿通小动脉及小静脉周围，通常被认为在形成排泄通道以消除来自大脑的代谢废物和液体方面发挥重要作用。

1.4 CMBs

       CMBs的影像学表现主要是局部磁化率的改变，反映了血管病变导致的病理性铁积聚，最常发生在血管周围的巨噬细胞中^[20]。位于脑浅表（脑叶）区域的CMBs的病理特征是β-淀粉样蛋白在血管壁上的沉积，与脑淀粉样血管病有关。位于脑深部区域（基底节区和小脑幕下区域）的CMBs与高血压、高血脂及糖尿病等危险因素相关^[21]。

2 CSVD影像标志物与DMVs

2.1 腔隙与DMVs

       KEITH等^[22]在对脑室周围腔隙的队列研究中发现，不管是小口径还是大口径的静脉，其管壁胶原增生的现象都很常见，尤其是在被组织学证实的腔隙性脑梗死中更为常见和严重，该研究提示静脉狭窄可能是脑室周围腔隙形成的潜在发病机制。腔隙的存在可能导致单位组织内脑血流量的下降，因为腔隙处的代谢需求减少，而脑血流量的降低可能是CSVD对整体脑损伤的结果，且DMVs的破坏也可能导致CSVD大脑的整体功能损害。这一结论也得到研究^[23]结果的支持，该研究发现，腔隙灶越多的患者其DMVs显示得越少（β=0.56, P<0.01）。除此之外，血脑屏障的破坏也被认为是腔隙发生的机制之一。因此，有研究^[24]推测DMVs对腔隙的影响机制也可能是通过血脑屏障破坏介导的缘故，该研究观察到DMVs的信号不连续或不均匀不仅与基础存在的腔隙有关，而且与2.5年后新腔隙的发生有关。由于磁敏感加权图像上静脉血管的可见性取决于血液的脱氧情况，静脉信号的显影异常可能是静脉血流动力学改变或静脉闭塞的结果。脑室周围静脉的增厚和阻塞可能导致静脉压升高，静脉扩张或静脉血脑屏障破坏。此外，静脉流出受阻引起的静脉缺血也可能是造成腔隙形成的原因。

       目前文献显示，腔隙与DMVs之间存在相互影响。CSVD患者中腔隙数目越多的图像，DMVs数目可能显示得越少。由于缺乏关于血脑屏障的数据，DMVs与腔隙之间相互影响的机制尚不明确，未来在CSVD的研究中还需要较大样本量的纵向研究去进一步发现其因果关系。

2.2 WMH与DMVs

       研究指出，在WMH区域DMVs数目显著减少，原因是小静脉的病理改变，如静脉管壁胶原沉积等导致间质液引流功能障碍和深部的WMH的水肿^[25]。再者，小静脉的狭窄或闭塞可增加血管阻力，加重WMH区域的低灌注^[26]。但这一结果并不完全统一。YAN等^[27]在WMH患者中发现DMVs数目增加，他们认为WMH区域的低灌注导致静脉摄氧分数增加，促进了DMVs的可见性，而DMVs下段的狭窄闭塞也可能引起上段的扩张。但这一研究的纳入人群主要是WMH患者，并未考虑CSVD其他的影像标志物对DMVs可能的潜在影响。为了进一步研究DMVs与WMH之间的关系，有研究者采用扩散张量成像技术，通过测量白质纤维束中自由水（free water, FW）的含量，发现DMVs评分与WMH体积之间的关系是由FW值介导的^[28]。这种介导作用不受年龄、性别、高血压、糖尿病和高脂血症的影响，分析结果显示FW与WMH体积呈正相关（β=0.565，P<0.001）；DMVs评分与WMH体积呈正相关（β=0.473，P<0.001），较高的DMVs评分意味着较大的WMH体积。

       脑血供通常是稳定的、无搏动的，通过脑脊液生成和脑静脉引流的平衡来维持。类淋巴系统模型认为，由于CSVD是与年龄密切相关的疾病，随着年龄的增长，动脉壁的弹性降低，血管内壁的压力增大，高压的血流在脑内经动静脉循环后静脉压力随之增高，尤其是管径纤细的小静脉，初期静脉管壁代偿性扩张，随后失代偿后管壁增厚甚至闭塞，数目减少^{[29, 30]}。DMVs作为引流静脉，其数目的减少进一步阻碍了脑内胶状淋巴液的流出，致使脑内代谢性毒副产物Aβ蛋白及tau蛋白的聚集，进而引发髓鞘炎症反应，导致WMH的进展^[31]。

       需要指出的是，以上研究均为单中心研究，样本量有限。未来研究应通过多中心招募患者，获得更大样本和更全面的数据。如果再加入灌注图像，将有助于阐明WMH灌注与DMVs功能障碍之间的关系。

2.3 PVS与DMVs

       PVS已被证明是脑类淋巴通路的基本结构。该通路促进脑脊液沿小动脉周围血管间隙进入大脑，然后进入脑间质与间质液交换，再将间质液引流到小静脉周围的血管周围间隙，最终将溶质清除到脑膜和颈淋巴系统^[32]。因此，PVS被认为是类淋巴液瘀滞的一种表现^[33]。已证实静脉功能不全可增加静脉压，导致静脉周围水肿增加^[22]，在小静脉周围间隙的类淋巴通路的引流随后被阻断，导致类淋巴液清除减少和液体滞留在小血管周围间隙，从而促进了PVS的发生。最新的研究结果表明，脑静脉完整性可能在保持血管周围淋巴活性方面发挥关键作用，而小静脉的破裂可能会损害血管周围的弥散性，从而导致PVS的扩大。该研究结果显示，PVS体积越大，DMVs数目越少（β=0.415，P=0.028）^[34]。上述研究结果提示，DMVs与PVS之间可能存在密切关联，且二者呈负相关关系，DMVs显示越好，PVS数目可能越少。

       PVS一般出现在双侧基底节区和半卵圆中心区域。DMVs与基底节区PVS之间可能存在密切关联。因基底节区仅由DMVs引流，而半卵圆中心同时有皮质静脉和浅髓静脉引流。此外，基底节区小穿通动脉几乎垂直分布的特点使其容易受到血管危险因素的影响，进而导致小动脉损伤，淋巴清除减少，甚至小静脉损伤。这可能是基底节区PVS与DMVs之间更具相关性的解释。然而，以往的研究对DMVs及PVS的评估大多是基于视觉的主观评估，增加了误诊和漏诊的概率，基于7 T MRI产生更清晰的客观定量数据在未来研究中势在必行。

2.4 CMBs与DMVs

       关于CMBs与DMVs关系的研究存在争议。一项纳入了202例CSVD患者的观察性研究表明DMVs评分越高的患者出现CMBs的可能性越大，与CMBs的位置无关^[35]。而在另一项CMBs与DMVs关系的回顾性研究中指出，有广泛CMBs的患者比没有CMBs的患者有更高的DMVs评分，并进一步发现DMVs对CMBs的影响与传统的血管危险因素如高血压、糖尿病和高同型半胱氨酸血症等无关^[36]。另一项研究结果也进一步证实了以上的结论，该研究发现，CMBs的数目在轻度和重度DMVs组之间存在显著差异，CMBs数目与DMVs评分呈正相关（β=0.211，P<0.001）^[37]。以上研究均表明DMVs破坏与CMBs有关，特别是非严格性脑叶微出血和广泛微出血，提示静脉功能不全可能是微出血的致病机制之一。目前的理论认为严格性脑叶微出血主要与脑淀粉样血管病（cerebral amyloid angiopathy, CAA）有关，而非严格性脑叶微出血则被认为与高血压有关。β-淀粉样蛋白沉积在脑血管周围间质液引流通路中，对脑淀粉样血管病有重要作用。由于β-淀粉样蛋白常积聚在皮层血管周围，而在基底节区、丘脑、小脑、白质和脑干中相对较少。因此，位于深部白质的DMVs较少参与CAA相关的病理改变。

       迄今为止，与CMBs相关的组织病理学研究大多主要集中在小动脉和微动脉，静脉相关的CMBs很少受到关注，尤其是DMVs。静脉胶原增生和小静脉渗漏引起的血脑屏障衰竭被认为是CMBs的发病机制之一。未来的研究应采用定量敏感图（quantitative susceptibility mapping, QSM）建立CMBs和静脉血管系统之间的联系，深入研究静脉对CMBs的可能影响机制。

3 CSVD影像标志物与AI

3.1 腔隙与AI

       血管源性的腔隙是CSVD的主要影像学特征，并与卒中和痴呆的高风险相关。因此，腔隙的检测对于阐明神经退行性疾病的发病机制具有重要意义。腔隙的智能诊断采用分割、检测或分类网络来确定病变是否存在于大脑中，并根据分割和检测结果确定病变的位置和计数。WANG等^[38]基于多模态MRI图像用自动多阶段分割方法来标记腔隙。该方法首先根据T1加权图像（T1 weighted image, T1WI）自动分割脑组织（白质、灰质和脑脊液），然后根据液体衰减反转恢复图像（fluid attenuated inversion recovery, FLAIR）识别高强度体素，最后根据T1WI、T2加权图像（T2 weighted image, T2WI）和FLAIR图像标记腔隙，用272名社区老年人的样本来评估分割精度。结果表明，自动分割的腔隙在空间位置、体积和数量方面与手动标记的结果相当。由于腔隙和PVS 在T1WI上均为低信号，在T2WI上均为高信号，一般情况下腔隙灶与PVS的肉眼区别主要在FLAIR图像上，腔隙灶边缘会有一圈高信号，而PVS没有，故而机器识别时两者较难区分。为此，已有研究尝试开发新技术以区分这两类病灶。UCHIYAMA等^[39]应用了具有6个特征的3层神经网络，通过位置坐标、大小、形状以及与其周围区域之间的强度对比来区分两者。另外，3D CNN被用于CSVD患者MRI图像中腔隙的自动检测和分割。GHAFOORIAN等^[40]提出了一种基于3D CNN的深度多尺度位置感知算法，用于自动检测假定血管起源的腔隙，在1075个案例的大型数据集上进行训练和测试，然后让4名经验丰富的观察员进行观察研究，并使用自由响应操作特征分析与观察者的研究结果进行了比较。在111个案例的测试集上显示，最终该模型表现出与经验丰富的观察者相似的性能，敏感度为97.4%，假阳性值为0.13。

       大多数深度学习使用U Net模型架构，部分研究将其作为单阶段方法的主网络，也有部分研究作为多阶段解决方案的分割组件，彼此间方法差异很大。这可能要从输入数据的选择、维度或所选择的框架几个方面来解释。在CMBs存在的情况下，使用3D信息可能与避免过度模拟相关；就数据集起源而言，具有较高分辨率的数据集通常具有更高的性能；具有更多异质形状的腔隙，在检测和分割指标上的性能都很差。

3.2 PVS与AI

       在以往的诊断中，临床医生通过脑内PVS的大小、数量和位置分布来综合评估CSVD患者相关疾病的风险水平^[41]。目前对PVS的评估主要依赖人工视觉方法，但由于PVS广泛存在于大脑中，并且随着PVS的逐渐增加，许多与其MRI图像相似的结构容易混淆，手动标记单个PVS耗时且越来越具挑战性，迫切需要一种比人工视觉评估更客观、更快速、更自动的评估方法。目前，AI在PVS定量中的应用主要基于检测网络。在深度检测网络框架中，底层网络的特征语义信息较少，但位置信息更准确，而高层网络的特征语义信息更丰富，但位置信息相对粗糙。传统的检测算法，如Mask-R CNN^[42]等，都是基于高级网络特征，即网络最后一层的特征图进行检测。这些方法更适合于单尺度的目标检测任务，而对于涉及大规模变化的目标检测任务则不够友好。BOUTINAUD等^[43]用视觉评估的数据训练了一个卷积自动编码器。该自编码器除了没有跳过连接外，具有与U-Net模型相同的架构，可将从自编码器中学习到的权重转移到U-Net模型中进行PVS分割，对于大于10 mm³的PVS的检测，Dice值可达到0.90以上，对于大于15 mm³的PVS的检测，Dice值可达到0.95以上。DUBOST等^[44]提出了一种类激活映射方法。在训练一个类U-Net模型来预测图像水平标签（如PVS的数量）时，在最后一个卷积层之后和全连接层之前添加了一个全池化层。最后为了输出注意图，再去掉全局池化层，注意图中数值越高，越有可能是PVS。

       在PVS的检测中，目前的AI算法仍存在一定的不足。首先，三维跟踪是一项非常复杂和耗时的任务，而PVS体积非常小，有时很难检测到；不同受试者的指标值可能会有很大差异，使用更大的测试集更容易评估模型性能，而这需要经验丰富的专业医生进行更耗时的手工跟踪；另外，AI算法在年轻受试者上训练的PVS并不完全适用于老年受试者，与其他CSVD影像标志物（如白质病变、腔隙或微出血）不同，即使在年轻受试者中，PVS的数量也可能非常多，因为PVS是胎儿时期随着脑血管生长而出现和发展的生理空间，与年龄及年龄相关的脑部疾病有关的是PVS增大的发生率和数量，未来的工作应在老年受试者的扫描中测试算法的性能。

3.3 CMBs与AI

       CMBs是小血管壁严重受损导致血液通过血管壁外渗而形成的小病变，以含铁血黄素沉积为主要组织学特征。高发区主要位于颞枕区、基底神经节区域的外侧、上部、后丘脑以及基底神经节区域的皮质-髓质交界处。CMBs是大脑的慢性小出血，被认为是卒中、功能障碍、痴呆和认知障碍等不同脑血管疾病的诊断指标^{[45, 46]}。然而，MRI图像中CMBs的自动检测和识别是一项非常具有挑战性的任务，因为它们在整个大脑中体积小、分布广泛，并且CMBs和与其信号相似的物质，如钙化、铁和静脉等之间具有高度的视觉相似性。基于AI的诊断方法大多使用分割来计数和评估CMBs^[47]。DUAN等^[48]基于359个病例的数据集构建了一个分割模型来分割CMBs，他们在测试数据集中获得了0.503的Dice值，这与3位主治医生的评估结果差别不大（Dice值分别为0.456、0.514和0.549），但其分割速度却比人工快100倍左右。近年来，CNN在CMBs自动识别的研究中被广泛应用。ZHANG等^[49]在CNN模型中引入了稀疏自编码器层用于CMBs的检测，结果表明，该方法的敏感度为95.13%，特异度为93.33%，准确率为94.23%。RASHID等^[47]应用U-Net模型来检测提取CMBs，并对模型进行了一些修改，包括填充卷积以及设置更高数量的分辨率层。研究结果表明，该模型可以自动检测小血管病变，包括多模态MRI数据（特别是QSM）可以提高CMBs和非出血铁质沉积物的检测灵敏度和精度，适合用于大规模研究。

       磁敏感加权图像不能区分铁沉积和钙化，之前发表的自动或半自动的CMBs检测方法大多都忽略了铁的沉积，导致其与钙化等这些病变通常被标记为可能或不确定的CMBs。在之后的研究中可加入QSM来克服这一不足，以提高自动检测CMBs的整体准确性。另外，CMBs的尺寸很小，每个CMBs的平均尺寸为6 mm³，加上研究中参与者的CMBs负荷普遍较低，导致单个CMBs病变的权重较高或评估错误，模型在检测到比实际更多的CMBs时对数据进行了过度分割。未来需要在更大的样本量上严格测试和评估，以确保模型的敏感度、精度和总体准确率。

3.4 WMH与AI

       随着影像技术的不断发展，大量研究表明WMH与一些重要的临床症状和危险因素有关，是脑卒中、痴呆、认知能力下降、抑郁风险增加、步态和活动障碍的重要标志^{[50, 51]}。因此，WMH逐渐受到重视。WMH是脑实质病变中可见的和可以量化的神经影像学标志物。WMH的发病机制相对复杂，不同部位的WMH信号具有不同的病理特征，不能用缺血或单一发病机制来解。最近几年的研究中，关于WMH的分割方法，大多提出的是监督分割方法，后者中很多又采用的是深度学习方法。MOESKOPS等^[52]采用同一小组于2016年开发的用于分割新生儿和年轻人正常组织的CNN方案来分割老年人或患者中的WMH^[53]，该方法可以准确分割不同程度的脑异常和存在运动伪影的老年患者MRI图像中的脑组织和WMH。LI等^[54]提出了一种使用19层深度的全CNN方案的方法，该方法基于卷积-去卷积结构进行WMH检测，可以对输入图像的每个像素进行分类并定位目标，利用MRI的FLAIR和T1WI图像自动检测WMH，在held-out测试数据集上获得的平均Dice系数、精度和鲁棒Hausdorff距离分别是80%、84%和6.30 mm。LIU等^[55]提出了一种多尺度基于特征的CNN模型，称为M2D CNN，不仅可以分割WMH，还可以将其与缺血性卒中的病变区分开来。RACHMADI等^[56]使用深度CNN构建了端到端WMH进展预测模型。通过输入原始T2-FLAIR图像和WMH掩模，可以得到不同任务（如DWMH或PVH）下图像中每一层的fazekas分级，并可得到最大分值所对应的图像层指数。该模型能够自动预测和估计空间WMH从基线到下一个时间点的动态变化，对WMH退化或进展的平均预测精度达到74.74%。新近一项研究又提出了另一种基于CNN的工具，命名为segcsvdWMH，用于在不同的临床数据集中提供可靠和准确的WMH量化^[57]。segcsvdWMH是使用一个大型数据集开发的，由来自7个区域的700多个MRI扫描的FLAIR图像组成，涵盖了广泛的临床人群、WMH负荷和成像方案。模型通过新颖的分层分割方法结合解剖信息，以及广泛的数据增强技术，提高不同成像条件下的性能，可为以不同CSVD严重程度为特征的异质临床数据集提供更准确和稳健的WMH分割性能。准确预测WMH进展对辅助CSVD临床诊断具有重要意义，相关预测模型有待进一步开发。

       相较于传统的机器学习算法，基于多模态MRI的机器学习框架在CSVD患者合并认知障碍的分类方面更具有敏感性，可较早预测CSVD患者的预后。最新的一项研究^[58]招募了165名CSVD患者，根据神经认知评估分为无认知障碍组（n=81）和认知障碍组（n=84）。收集多模态MRI数据，包括T1WI、静息态功能MRI图像和扩散张量图像。通过图像预处理、特征提取和选择，获得三种模态的MRI特征。利用AutoGluon平台进行模型开发，并与传统的机器学习算法进行比较，结果显示其预测精度显著高于后者（P<0.001）。在另一项收集了CSVD患者静息态功能MRI图像和扩散张量图像的多组学和多模态整合的研究中发现^[59]，肠道微生物菌群失调与CSVD之间有密切联系，突出了靶向微生物菌群-肠-脑轴可能作为CSVD患者治疗策略的潜力。

       目前研究大多为回顾性研究，容易受到选择偏倚的影响，这可能会限制结论的普遍性。为了解决这个问题，未来的前瞻性研究应包括更大、更多样化的患者队列，提高模型在不同人群中的稳健性。其次，相对较小的样本量限制了统计效力。未来的研究应纳入更大的数据集，以确保其模型具有更广泛的适用性。第三，本文综述的新近研究中多模态MRI图像基本只使用了3种MRI模式（T1WI、静息态功能MRI图像和扩散张量图像），没有纳入其他潜在有价值的成像模式，如动脉自旋标记或磁敏感加权图像，这可能限制了其更广泛的临床适用性。未来的研究应纳入更多的成像方式，以提高模型的诊断准确性和临床实用性。此外，可以考虑采用交叉验证或外部验证的方法，进一步提高特征选择的可靠性，充分和多中心的数据集是获得鲁棒和高性能模型的基础，特别是在临床应用中，获得更准确的结果是很重要的。现有的研究大部分应用多中心数据和公共数据集对算法进行训练和测试，使模型结果可靠。为了将模型应用于临床实践，需要在更大规模的多中心数据上对模型进行检验。因此，有效的算法优化方法还需要更多的研究，如利用迁移学习方法将已有模型的网络参数与先验知识进行整合，以提高AI算法的性能。

4 小结与展望

       目前MRI仍然是体内研究CSVD最重要的方法。DMVs与CSVD已有的影像标志物的密切关联表明其有可能成为CSVD新的影像标志物。因此，未来应该对DMVs进行更加全面细致的研究，如对DMVs直径、长度及弯曲度等的测量，对于评估CSVD严重程度及预后可能有重要的临床价值，对进一步阐明静脉在CSVD潜在机制中的作用也有重要意义。

       近年来，使用AI深度学习方法进行CSVD影像标志物的研究明显增加。这些研究大多是基于标志物的严重程度、背景强度和其他可见病变来选择合适的阈值，再对标志物进行分割提取。然而目前并没有被统一认可的自动化检测方法用于这些标志物的研究，已有方法的模型性能也有待进一步提高，模型的通用性亦欠佳。未来的研究可以考虑收集多中心来源的数据，以增加数据的规模和多样性，并使用图像处理指标和与临床相关的测量来评估模型性能，经参数优化调整后早日广泛应用于临床工作中。AI的辅助应用有望对CSVD的影像标志物进行快速识别及定量检测，为CSVD的影像诊断提供较大的便利及客观技术支持。未来AI的应用应该与CSVD的机制研究更好地结合起来，为CSVD的诊治提供个体化的智能方案。