人工智慧在週邊動脈疾病（PAD）影像應用中的新視角
AI 促進血管成像分析的轉變現今，對於週邊動脈疾病 (PAD) 患者的現行影像分類，如 TASC II 分類，雖然實務中最常用，但評估過程可能耗時且繁瑣。TASC II 分類主要分析主動脈髂動脈、股動脈及膝下動脈三個動脈區域的病灶，並綜合考慮其解剖定位、嚴重程度和病灶數量。此外，傳統分類評估有時可能缺乏操作者之間的可重複性。
🔵 由於血管型態、大小和曲度的高度變異性，血管分割被認為是一項極具挑戰性的任務。
卷積神經網路 (CNN) 與病灶偵測
人工智慧 (AI) 已經被提出作為一種強大的工具，旨在提高影像分割的效率並實現影像分析的自動化。
🔴 卷積神經網路 (CNN) 已有數個基礎研究和概念驗證，證實其對於偵測 PAD 患者病灶的潛力。
這些深度學習模型已在各種影像模式中進行了研究，包括動脈多普勒或磁振造影 (MRI)。例如，在一個實例中，作者利用 105 張影像開發的深度學習模型，在偵測血管狹窄和閉塞方面，取得了 0.9 的準確度。
AI 於病灶分類與嚴重程度評估的成就
除了偵測病灶之外，人工智慧也被提出用於分類和評估 PAD 患者病灶的嚴重程度。
🔴 在電腦斷層血管攝影 (CTA) 影像的應用實例中，作者利用 265 名 PAD 患者的數據訓練了機器學習模型，成功地將動脈狹窄程度分類，達到了超過 90% 的準確度。
鈣化評估的標準化潛力
在特徵化患者病灶時，評估血管鈣化是另一個關鍵的重點。目前，評估血管鈣化已有多種現行方法和評分系統，例如 PAX 評分、PARC 評分和 Calcified Access Severity Score。有些方法，如 Axon 方法，最初是為冠狀動脈開發的。
🔵 AI 可用於促進血管鈣化的分析，未來甚至可以標準化評估。目前，多個基礎研究已經證實深度學習演算法在自動測量鈣化方面顯示出極大的潛力。
🟢 鑑於在其他領域，如冠狀動脈，已經有大量的應用實例（一項綜合分析顯示有 25 項研究使用深度學習自動評估冠狀動脈鈣化分數），可以預期這些方法未來將被轉移並應用於週邊動脈疾病，以促進分析。
未來展望與實現路徑
研究團隊正積極利用 AI 開發工具，以實現血管系統的自動化分割，目前已將應用擴展至下肢動脈。
🔵 最終目標是利用 AI 實現分支的自動識別、病灶（狹窄和閉塞）的自動偵測，以及對 PAD 患者病灶的自動分類。
🔴 為了成功開發這類工具，模型需要利用大量數據進行訓練。因此，國際多中心研究對於實現這些重大進展至關重要。目前研究人員已參與多個歐洲聯盟，致力於收集大量的 PAD 患者數據。
