0 引言

       据《柳叶刀》卒中专题研究显示，全球范围内约18%~30%的缺血性卒中事件归因于颈动脉易损斑块破裂引发的血栓栓塞^[1]。在我国40岁以上人群颈动脉斑块检出率超过58%，其中超声诊断为易损斑块的比例高达30%^[2]，此类患者2年内卒中复发风险较稳定斑块增加4.5倍^[3]。颈动脉易损斑块的高致死致残性与其病理特征密切相关^[4]，而传统基于管腔狭窄程度的评估体系对此类高危病变漏诊率达40%^[5]，这使得精准识别斑块不稳定性成为脑血管病防控的核心挑战。目前，颈动脉斑块评估主要依赖超声、计算机断层扫描血管造影（computed tomography angiography, CTA）和磁共振成像（magnetic resonance imaging, MRI）。超声虽成本低廉但受操作者经验影响显著，对钙化后的声影遮挡敏感度不足；CTA可量化钙化负荷却难以区分斑块内出血与纤维成分^[6]。相比而言，多参数MRI凭借卓越的软组织对比度，成为评估颈动脉斑块易损性的金标准影像手段，它可通过多种序列精准区分斑块内脂质核心、纤维帽等成分，判断斑块稳定性。同时通过实现多参数同步定量成像后，它还能优化病变识别与风险分层，为诊疗及随访提供精准依据。高分辨率血管壁成像（high-resolution vessel wall imaging, HR-VWI）通过3D黑血序列抑制血流信号，实现纤维帽厚度测量；多对比加权成像中T1加权序列可敏感检测斑块内出血（intraplaque hemorrhage, IPH）的高信号特征，而动态增强扫描可评估斑块新生血管生成活性^[6]；定量磁敏感图则能无创识别斑块内钙化与出血的顺磁性差异^[7]。

       尽管多参数MRI对易损斑块评估具有众多优势，但传统分析方法存在一定局限：首先，人工勾画斑块边界的观察者间差异达15%~20%^[2]，分割的准确度欠佳，变异度较大，需要可稳定地进行准确分割的方式；其次，多序列影像特征与病理机制的关联挖掘不足^[3]，需要精准预测影像中易损性的生物标志物；最后，现有方案无法对患者进行良好的预后评估和治疗响应的预测，需要更便捷的技术手段对临床治疗效果和预后情况进行分析。人工智能（artificial intelligence, AI）技术为破解上述难题提供了全新解决方案，刘雨森等^[8]综述了基于CT血管成像、颈部血管超声和高分辨MRI影像提取的影像组学特征结合AI在颈动脉斑块诊断及缺血性脑卒中（ischemic stroke, IS）预测中的应用，但没有针对AI技术在对MRI上易损标志物预测、临床预后评估应用的分析；HUANG等^[9]综述了基于高分辨率血管壁MRI的颈动脉易损斑块的影像学，并探讨了AI在斑块分类和分割中的应用进展，没有用详细分析AI技术的临床预后评估的应用情况。本综述系统概述AI在MRI颈动脉易损斑块中的关键技术突破，并从斑块分割算法、易损标志物预测模型及临床预后评估三方面对其在颈动脉易损斑块MRI中的应用进展进行总结，指出了目前研究的局限性，并提出了未来的研究方向，为AI在MRI颈动脉易损斑块中的临床转化提供理论依据。

1 AI技术在易损斑块MRI评估中的应用概述

       在医学影像领域，AI技术通过模拟人类认知功能，正不断突破传统影像分析的局限。近十年来，机器学习（machine learning, ML）与深度学习（deep learning, DL）的迅速发展，为颈动脉易损斑块的精准识别与风险评估提供了新范式。作为AI的核心分支，ML涵盖支持向量机、决策树和随机森林等经典算法^[4]。在MRI影像分析中，“特征”指通过数学方法从斑块感兴趣区（region of interest, ROI）提取的纹理、形态及功能参数^[10]，如T1信号异质性和纤维帽连续性等。ML通过建立这些特征与临床结局的关联模型，实现斑块稳定性的定量评估^[11]。相比依赖人工特征标注的ML，DL借助多层神经网络结构，能够直接从原始影像中自主学习深层病理特征，在医学影像智能分析的多个核心环节展现出革命性潜力。在图像解析层面，DL可高精度自动识别与分割复杂解剖结构及病灶，显著降低传统人工勾画的主观性，提升分析结果的一致性与可重复性，为后续定量分析与诊断提供更客观的基础^[12]。面对MRI图像中因伪影等复杂特征带来的诊断挑战，临床亟需基于MRI的标准化评估方案，实现对易损斑块的早期筛查、风险分层与动态随访，指导个体化干预策略制订，降低缺血性脑血管事件的发生率。DL 方法表现出卓越的鉴别能力，通过提取图像内在模式有效区分易混淆的影像表现，从而提升诊断特异性，使MRI在更具挑战性的临床环境中发挥更可靠的作用^[13]。

2 AI在颈动脉易损斑块识别中的应用

2.1 斑块的自动化分割与定量分析

       在传统MRI评估中，颈动脉易损斑块成分的定量分析常因人工勾画存在观察者间差异（约15%~20%）及三维结构连续性难以保持等问题，导致可重复性与精度受限^[14]。近年来，DL技术为实现斑块成分的自动分割与定量评估提供了新途径。AI算法从监督学习到半监督学习再到无监督学习的推进，在降低数据标注成本的同时也为更大量数据的使用和泛化提供了途径。从临床应用的角度讲，出现一系列研究致力于开发高精度的管腔管壁自动分割及斑块识别模型，后续还进一步发展到对斑块成分的分割和识别，更深度地把技术能力嵌入到临床的治疗过程中，相关文献见表1。

       ZHU等^[15]提出一种基于级联残差U-Net的全自动三维颈动脉分割方法，应用于高分辨率多对比MRI图像，包含T1增强，T1和时间飞跃法（time of flight, TOF）三个序列。该研究利用通道拟合结构和多尺度训练策略，在27例数据上显著提升分割性能，管腔与管壁分割Dice系数分别达到0.853±0.052和0.735±0.056，优于传统3D U-Net和V-net，为后续斑块成分的分析奠定基础。XU等^[16]则在更大规模数据（124例患者，13 962个二维切片）上构建VWISegNet模型，应用在黑血磁共振血管壁成像实现了从颅内至颈动脉7段血管的精确分割，管腔和外壁的Dice系数分别达到93.8%与86.0%，平均表面距离优于已有方法，其结果的稳定性和可重复性给临床应用带来更多机会。LI等^[17]引入多模态离体MRI与组织学数据，使用了质子密度加权成像，T1，T2和TOF四个序列，采用两阶段神经网络对斑块成分进行分割，出血脂质核心分割Dice系数达0.78，跨设备测试仍保持0.70，显著提高了与组织学结果的一致性，提高了临床应用的可信度，也在斑块成分分析的研究上迈进了一步。WANG等^[18]开发出一种端到端的多序列MRI图像分析框架，整合定位、分割与识别子网络，在115例患者中血管壁分割Dice系数达0.845 9，斑块成分识别准确率最高达88%，分割精度的提升进一步推动了算法的临床应用并能够更精准地识别出斑块成分。VAN ENGELEN等^[19]提出了一种创新的多中心MRI颈动脉斑块成分自动分割方法，使用了反转恢复涡轮场回波、T1、T2、TOF和T1增强五个序列，通过结合特征归一化和迁移学习技术有效解决了跨中心数据分布差异的挑战。实验结果表明，该方法在41例来自两个医疗中心的患者数据上取得了显著效果：当结合特征归一化和迁移学习时，分割结果与同中心训练参考标准差异无统计学意义（P>0.05），同时显著优于直接跨中心应用模型（P<0.05）。这些创新不仅突破了传统监督学习对数据分布一致性的依赖，更重要的是为多中心医学影像分析提供了实用、高效的解决方案，有望推动颈动脉斑块成分分析在临床实践中的广泛应用。TAO等^[20]开发了一种面向临床的深度学习框架，用于黑血磁共振血管壁成像的自动化血管壁分割。该框架通过极坐标映射、特征共享填充和极坐标Dice损失函数三项创新技术，显著提升了颅内和颈动脉血管壁分割的精度与鲁棒性。模型决策具有良好可解释性，有望集成至临床工作站，实现血管壁参数的自动化提取和报告生成，推动脑血管疾病的精准防治。未来通过进一步优化和标准化，可为卒中预防提供可靠的决策支持。

       当前研究表明，基于DL的颈动脉易损斑块分割已取得显著进展，尤其在多中心验证与临床流程整合方面展现出良好的应用潜力。然而，现有研究多集中于血管壁的整体分割，对斑块内部成分（如脂质核心、出血、纤维帽等）的精细识别与分割仍较为有限，这严重制约了斑块稳定性评估的量化精度与病理学相关性。究其原因，斑块成分在MRI中表现复杂、边界模糊、形态多样，且易受图像分辨率和伪影干扰，对其实现自动化分割不仅需要更高分辨率的成像数据和更先进的算法设计，还依赖于像素级或体素级的精准标注，而目前此类标注数据仍较为稀缺且标注一致性低。未来，随着高质量多中心数据集的持续构建与标注规范的确立，结合面向小目标及多类别分割的DL模型（如引入注意力机制^[21]、多尺度融合与对抗生成策略^[22]），有望实现对易损斑块及其成分的端到端自动分割。更重要的是，只有将自动分割结果与临床风险分层及组织病理学进行系统验证与深度融合，才能真正构建起从影像表征到生物学机制的桥梁，推动斑块评估从传统的形态学分析迈向基于分子功能与病理机制的精准诊断新阶段。

点击查看表格

表1  斑块的自动化分割与定量分析文献列表
Tab. 1  List of literatures on automated segmentation and quantitative analysis of plaques

2.2 易损性生物标志物的预测

       AI技术在颈动脉斑块易损性评估中的突破性应用为实现心血管事件的早期预警提供了全新途径。传统基于管腔狭窄程度的斑块评估体系难以准确反映病理生理改变的本质，而通过整合高分辨率MRI、PET/MRI及血流动力学等多模态影像特征与临床参数^{[23, 24]}，DL模型已展现出对斑块破裂风险的精准预测能力^[25]，从单一的易损成分IPH、钙化等到多元的影响因素血液指标、性别因素等，最后实现了自动化工具的集成。针对斑块内出血和新生血管的不稳定特性，相关文献见表2。

       GAO等^[26]通过提取纹理特征并筛选关键影像组学特征，在T1和T1增强两个序列上构建habitat模型；同时利用视觉变换器（vision transformer, ViT）的自注意力机制分析斑块跨区域的长程依赖关系。最终通过堆叠融合策略整合两种模型，形成Habitat+ViT联合模型。模型的可解释性分析揭示了斑块内出血和新生血管化等关键病理特征，与斑块不稳定的生物学机制一致。虽然该研究是针对颅内动脉粥样硬化，但是颅内和颈动脉斑块的易损生物标志物在病理机制、类型和临床应用上存在广泛关联，共同为动脉粥样硬化性脑血管疾病的风险评估和精准治疗提供了分子层面的依据，给颈动脉斑块的易损性生物标志物的研究提供了很多启发。GUO等^[27]的研究聚焦于颈动脉IPH作为易损性生物标志物的预测价值，在扩散加权成像、磁敏感加权成像、T2-液体衰减反转恢复三个序列上通过DL驱动的纵向血管壁成像系统评估IPH对斑块负荷的长期影响。该研究纳入28例无症状颈动脉粥样硬化患者（共50条动脉），平均随访5.8年并完成4.7次多对比扫描，构建了创新的DL分析框架。该研究通过DL驱动的纵向分析，首次系统揭示了IPH在颈动脉斑块长期演化中的核心作用，为基于影像生物标志物的卒中风险分层提供了重要依据。

       为了探究血液指标和性别因素对斑块易损性的影响，GAO等^[26]通过整合常规血液指标及衍生炎症代谢指数，同时利用沙普利加性解（SHapley Additive exPlanations, SHAP）方法解析生物标志物的非线性风险轨迹与性别差异，最终形成“血液指标-ML-性别分层”联合预测体系。SKANDHA等^[29]提出了一种创新的混合DL范式，用于颈动脉斑块组织的自动表征，并在多中心队列中通过超级计算机框架进行了验证。研究团队开发了Atheromatic™ 2.0 HDL系统，首次将11种模型应用于生物标志物识别，重点区分症状性斑块（低钙化、低回声）与非症状性斑块（高钙化、高回声）。通过交叉熵损失、铰链损失和均方误差损失三种优化策略，系统在伦敦、里斯本和混合数据集上实现了99.6%的准确率和0.996的AUC值（P<0.000 1），显著优于传统DL和迁移学习模型（性能提升6.4%和3.2%），该系统在2 s内完成在线分析，为心血管疾病的早期无创诊断提供了可靠的生物标志物识别工具。

       当前，基于AI的颈动脉斑块易损性评估研究日益聚焦于一系列关键的易损生物标志物，如IPH、脂质坏死核心、纤维帽破裂和炎症活动等^[30]。借助影像组学与多模态成像技术，研究者能够从高分辨率图像中提取定量纹理、形态及功能信息，以精确刻画这些生物标志物的空间分布与动态演变规律。DL模型在此过程中发挥核心作用，不仅能够自动识别与量化这些特征，还可建立其与临床终点事件之间的预测关联。然而，该领域仍面临模型泛化能力不足和决策过程不透明等挑战，多数研究仍基于单中心、小样本数据，引入可解释AI技术（如注意力机制、SHAP分析），以增强模型的鲁棒性和临床可信度，最终实现基于生物标志物的精准风险分层与早期干预。

点击查看表格

表2  易损性生物标志物的预测
Tab. 2  Prediction of Vulnerable Biomarkers

2.3 临床预后评估与治疗响应预测

       颈动脉易损斑块的动态监测与治疗决策优化是卒中二级预防的核心环节。研究表明，接受强化药物治疗后斑块脂质核心体积减少>20%的患者，3年内卒中复发风险降低67%（HR=0.33，95% CI：0.21~0.52）^{[31, 32]}。AI技术通过整合多模态MRI时序数据，从多类别风险分层到基于常规体检进行风险分层，还实现了进一步的预后风险预测，最终完成从筛查到诊疗的闭环，显著提升了临床预后评估的精准性，能够为临床决策提供支持^[33]，相关文献见表3。

       JAMTHIKAR等^[34]在评估基于颈动脉超声成像的多类别ML系统在心血管疾病/卒中风险预测中的价值，并以冠状动脉造影评分作为金标准，与传统心血管风险计算器进行对比。该研究纳入了500名参与者，结合传统风险因素和颈动脉斑块影像表型（如最大斑块高度、总斑块面积和斑块内新生血管）进行多类别风险分层。系统可为个性化治疗提供更细粒度的风险评估，有助于早期干预和药物疗效监测，其自动化架构适用于临床办公场景，仅需离线训练系数即可快速输出风险等级，提升了筛查效率。SUN等^[35]开发并验证了一个用于预测早期中年人群颈动脉粥样硬化短期进展风险的模型。研究基于7765名中国体检人群数据，通过多种统计方法筛选出年龄、舒张压、尿酸、高密度脂蛋白胆固醇和低密度脂蛋白胆固醇五个关键预测因子。该模型在开发集和验证集中均表现出良好的区分度（AUC分别为0.755和0.759）和校准能力。该模型能早期识别颈动脉斑块进展的高危人群，为心脑血管疾病的预防性管理提供重要工具。通过常规体检指标即可实现风险分层，有助于针对性开展超声随访和干预措施（如他汀类药物治疗），对延缓动脉粥样硬化进展、降低心肌梗死和脑卒中风险具有重要价值。此外，HAN等^[36]提出一种基于高分辨率血管壁MRI与四维血流成像的多模态智能评估体系，通过整合斑块形态学特征与血流动力学参数实现卒中风险精准预测。临床验证表明，该体系可精准识别高风险斑块（阳性预测值达92%），并预测3年内卒中发生风险（HR=4.2，95% CI：2.1~8.3），为个体化抗栓治疗时机选择及血管内干预决策提供量化依据。HE等^[37]开发的BCNN-ResNetDL算法在临床治疗中具有重要应用价值。该算法能够快速、准确地识别颈动脉斑块的存在，为临床医生提供客观的诊断依据，减少因医生经验差异或疲劳导致的主观判断偏差。研究团队建议将该算法与现有心血管风险评估系统结合，形成从筛查到干预的完整诊疗闭环，最终降低由颈动脉病变引发的卒中发生率和医疗负担。

       AI技术在颈动脉易损斑块的动态监测与治疗决策优化中发挥着日益关键的作用，为实现卒中风险的精准分层和个体化干预提供了强大工具。通过整合多模态MRI时序影像与血流动力学参数，AI模型能够精准量化斑块的形态学特征（如LRNC、IPH）和功能学指标（如壁剪切力、能量损失），从而超越传统定性评估，实现对斑块生物学行为及其演变规律的动态解析。然而，当前AI辅助决策系统仍面临多中心数据标准化不足、模型泛化能力有限以及临床整合路径不清晰等重要挑战^[38]。未来研究应致力于构建跨机构、前瞻性、大规模的自然病程队列，并通过联邦学习^[39]、领域自适应^{[40, 41]}等先进ML策略提升模型在不同人群与设备中的稳健性。同时，应进一步强化模型的可解释性，引入因果推断与决策曲线分析等方法，明确AI推荐决策与临床结局之间的因果联系与净获益，使“黑箱”决策过程转化为透明、可信的临床辅助证据。最终，以AI为驱动的斑块评估体系将不再局限于风险预测，而是深度融合至治疗决策的全流程——包括药物疗效评估、手术时机选择、患者随访管理等环节——推动卒中二级预防迈向真正精准化、动态化与个体化的新阶段。

点击查看表格

表3  临床预后评估与治疗响应预测
Tab. 3  Clinical Prognostic Evaluation and Treatment Response Prediction

3 小结与展望

       AI技术在颈动脉易损斑块的MRI评估中展现出革命性潜力，其核心价值体现在三个维度：基于DL的自动化分割技术显著提升了颈动脉分割的精度与效率，例如级联残差U-Net、VWISegNet等模型通过多尺度特征融合与数据增强策略，观察者间差异从传统人工勾画的15%~20%降至<5%；多模态数据融合策略则推动了易损性生物标志物的精准预测，例如Habitat+ViT联合模型通过整合影像组学特征与视觉Transformer的自注意力机制，对卒中复发的预测帮助显著；临床转化研究证实AI驱动的多维评估体系可优化治疗决策^{[42, 43]}，例如整合4D血流MRI与放射组学特征的智能模型可预测高风险斑块。通过本综述，可清晰地了解到这些领域都面临数据异质性、模型可解释性不足及临床转化体系不完善三大核心挑战。因此未来发展方向应聚焦多模态数据深度融合、联邦学习驱动的多中心协作、干预导向的动态评估系统及可解释性AI与因果推断融合等创新路径^{[44, 45]}。另外AI模型分析前图像通常需要经过严格的预处理，如不同序列间的刚性/非线性配准（这是多序列分析的前提）、强度归一化（克服不同扫描仪和协议间的信号差异）、偏场校正等，高质量的标准化预处理方案也对模型性能有关键的影响。临床转化层面需重点突破国际多中心注册研究验证、轻量化边缘计算系统开发（集成GAN实现非对比剂成像^{[46, 47]}及多尺度特征融合）以及AI评估体系与治疗指南的深度融合^[48]，参考NASCET与CREST试验框架建立基于放射组学风险评分的个体化治疗路径^[49]，明确AI高风险斑块的强化降脂标准与手术阈值^[50]。

       AI与多参数MRI的深度耦合正在重塑颈动脉易损斑块评估范式，随着可解释性AI与多组学技术的突破，新一代智能系统将实现从影像特征解析到分子机制阐释的跨越，推动脑血管病防治迈入精准化、动态化的智慧医疗新时代。