Predicting intracranial aneurysm rupture risk and intervention outcomes using denoising-enhanced CT Angiography [ORIGINAL RESEARCH]

單純依賴深度學習抓取顱內動脈瘤特徵，破裂預測準確率僅 0.823。若在送入模型前加上專屬影像降噪，結合放射影像組學與臨床數據，預測表現能一口氣衝上 0.908。這證明在處理次毫米級血管突起時，CTA 原始影像的雜訊干擾，遠比肉眼判讀時想像中嚴重。

顱內動脈瘤破裂預測的影像雜訊物理困境

評估未破裂顱內動脈瘤的處置時機，一直是神經放射科與神經外科每天面臨的重大抉擇。動脈瘤一旦破裂引發蜘蛛膜下腔出血，致死率與致殘率極高，但預防性介入治療（如白金線圈栓塞或血流導向裝置）本身也帶有不可忽視的手術併發症風險。為了在這兩者之間取得平衡，臨床醫師高度仰賴 CTA 影像來評估動脈瘤的形態學特徵，包含大小、位置、長寬比（aspect ratio）以及是否有不規則的子囊（daughter sac）或是多葉狀（multilobulated）結構。

然而，CTA 影像的先天物理限制往往成為精準評估的絆腳石。顱底周邊的骨骼射束硬化假影（beam-hardening artifacts）、病患微小移動造成的假影，以及對比劑濃度不均帶來的訊號干擾，都會在血管邊緣產生極高頻的雜訊。當我們試圖量化這些微小突起時，這些雜訊極容易被電腦系統誤判為血管壁的不規則特徵。這導致單一的影像分析方法，無論是依賴人工定義特徵的 radiomics（從影像自動抽上千個量化特徵），或是讓神經網路自己找規律的深度學習，都在實際應用中碰到了效能的天花板。為了解決這個瓶頸，研究團隊提出了一個結合降噪技術與多模態資料融合的全新預測框架。

這套系統的核心邏輯在於「先淨化，再整合」。在將影像送入特徵提取模組之前，團隊導入了一套新型 denoising algorithm（去除雜訊並保留邊緣細節的運算）。這不是簡單的影像平滑化，而是針對血管邊緣進行高頻雜訊抑制，同時保留真正具有臨床意義的解剖結構轉折。透過這種前處理，系統再接續抽取三種截然不同的特徵集，試圖以最全面的視角來審視動脈瘤的破裂風險。

352 例多中心收案與三模態 AI 降噪架構

從 Methods 的設計邏輯來看，這是一項具備相當規模的跨院區回顧性研究。研究團隊總共收納了 352 位經確診帶有顱內動脈瘤且接受過 CTA 檢查的病患。這些病患的影像都經過嚴格的篩選，確保對比劑充盈程度足夠且病灶涵蓋完整。為了建立可靠的參考標準（reference standard），所有的動脈瘤破裂狀態與型態特徵皆有詳盡的病歷紀錄，多數病例並有後續的 DSA（數位減影血管攝影）或手術紀錄作為最終的驗證基礎。

整個 AI 模型架構被巧妙地分為三個平行的資訊流。第一條路徑是「臨床變數」，涵蓋了病患的年齡、性別、高血壓病史等傳統危險因子；第二條路徑是傳統的「放射影像組學特徵」，系統在降噪後的 CTA 影像上圈定 ROI（感興趣區域），提取出數百個包含灰階共生矩陣（GLCM）在內的紋理與形狀指標；第三條路徑則是「深度學習衍生的形態學數據」，利用卷積神經網路直接學習血管壁的 3D 幾何扭曲與空間分佈。這三組特徵在經過各自的降維與篩選後，最終被送入一個整合型的分類器中。

為了確保模型在面對未知數據時的穩定性，研究採用了嚴謹的 cross-validation（將資料切成多份輪流訓練與測試）機制。更特別的是，這個研究不僅僅停留在預測「是否破裂」這個二元分類上，團隊還將野心擴展到了介入治療後的預後評估。他們利用這套多模態系統，嘗試預測病患的 Hunt-Hess 分級、WFNS 分級（世界神經外科醫學會分級系統），以及代表長期神經功能恢復狀態的 Modified Rankin Scale（mRS）評分，試圖打造一個端到端（end-to-end）的臨床決策輔助工具。

Table 2 破裂風險預測 AUC 飆升至 0.908

攤開 Table 2 的數據對比，我們可以清晰地看到不同模態在預測動脈瘤破裂任務上的實力差距與疊加效應。若單純依賴傳統的放射影像組學模型，其預測破裂的 AUC 僅落在 0.752 [95% CI: 0.693-0.809]，這表現只能說差強人意，顯示人工定義的紋理特徵在面對複雜的動脈瘤幾何形狀時，能捕捉到的有效資訊相當有限。相比之下，深度學習模型的表現明顯更勝一籌，其 AUC 達到了 0.823 [0.789-0.827]，證明神經網路在辨識高維度形態特徵上具備先天優勢。

當研究團隊將臨床變數、放射影像組學與深度學習形態特徵進行初步融合後，這套多模態框架展現了強大的互補效應，一舉將破裂預測的 AUC 推進到 0.896 [0.819-0.973]。這個數字在臨床上已經具備相當高的參考價值。然而，真正的重頭戲在於降噪技術的介入。當系統在特徵提取前，先運用新型降噪演算法處理 CTA 影像，這個優化版的多模態模型交出了令人驚豔的成績單：破裂預測的 AUC 攀升至最終的 0.908 [0.836-0.981]。

若細看 Figure 3 所繪製的 ROC 曲線，可以發現降噪後的多模態模型不僅在曲線下面積取得絕對優勢，其敏感度與特異度的平衡點也更加貼近左上角。這意味著降噪技術成功剔除了那些容易引發偽陽性的假性血管壁不規則（例如因骨骼假影造成的局部訊號缺損），同時將真正代表高破裂風險的 bleb（微小泡狀突起）邊緣強化得更加銳利。這種物理層面的影像淨化，為後端的特徵提取去除了致命的干擾源。

Table 3 臨床分級預測與邊緣強化效應

若進一步拆解 Table 3 中關於介入治療預後評估的各項數據，這套系統在不同的臨床分級指標上展現了極大的潛力，但也暗藏著需要謹慎解讀的統計細節。在預測反映蜘蛛膜下腔出血嚴重程度的 Hunt-Hess 分級任務中，模型達到了極高的準確度，AUC 為 0.907 [0.845-0.968]。同樣地，在預測病患長期失能狀態的 Modified Rankin Scale（mRS）上，系統更創下了全場最高的 AUC 0.926 [0.879-0.973]。這兩個亮眼數據顯示，動脈瘤的初始形態特徵與出血當下的局部破壞力，對於病患整體的預後軌跡有著高度的決定性。

然而，最值得放射科醫師關注的細節出現在 WFNS 分級的預測表現上。雖然其整體 AUC 看似高達 0.883，但請特別留意其極端寬廣的 95% 信賴區間：[0.662-0.988]。這個橫跨了「勉強及格」到「近乎完美」的巨大波動範圍，正是 Figure 4 邊緣強化效應無法完全解決的盲區。為什麼會出現如此大的落差？原因在於 WFNS 分級高度依賴 Glasgow Coma Scale（格拉斯哥昏迷指數），尤其是病患的運動反應。

運動神經的缺損往往取決於出血波及的特定腦區（如運動皮層或內囊）以及後續血管痙攣的嚴重程度，這些動態且系統性的神經學變化，很難單純從 CTA 上的動脈瘤「靜態形態」完全預測出來。因此，在某些交叉驗證的子群集中，模型預測 WFNS 的表現會大幅滑落至 0.662。這個寬廣的信賴區間明確告訴我們：AI 可以很精準地透過影像預測這顆動脈瘤會不會破，以及大方向的癒後狀態（mRS），但若要精確預判病患當下立即的運動神經學表現（WFNS），影像形態特徵的極限就擺在這裡。

演算法的物理限制與放射科日常應用建議

審視這套系統的先天限制，首先必須體認到本研究是基於靜態 CTA 影像進行的回顧性分析。儘管降噪演算法成功強化了形態邊緣並將破裂預測 AUC 推上 0.908，但這套模型完全缺乏血流動力學的資訊。在真實世界的動脈瘤評估中，局部血管的壁面剪應力（Wall Shear Stress）往往是促發破裂的關鍵因素，而這需要透過流固耦合 CFD（把血流當液體模擬算血管受力）或 4D-CTA 才能取得。缺乏血流資訊，使得這套模型在面對形態平滑但血流衝擊力極大的高危險動脈瘤時，仍可能產生偽陰性。

此外，雖然新型降噪技術表現卓越，但在實際導入各家醫院 PACS 系統時，必然會面臨不同廠牌 CT 掃描儀與不同重建演算法（如迭代重建強度差異）的挑戰。若原始影像因為病患嚴重的躁動而產生大面積的條紋假影，降噪演算法不僅無法無中生有地還原血管壁，甚至可能將假影平滑化，創造出「看似完美圓滑但其實存在破口的動脈瘤」的錯覺。因此，演算法的介入時機必須建立在具備一定品質的基礎影像之上。

對於每天在工作站前判讀大量 CTA 的放射科醫師而言，這篇論文提供了極具實戰價值的建議。面對一顆介於 3-7mm、形態看似邊緣模糊的未破裂動脈瘤，在沒有這套 AI 系統輔助的當下，我們應該主動在工作站上調整 window level，並善用不同厚度的 MIP（最大強度投影）來進行人工降噪與邊緣確認。更重要的是，當我們在報告中描述動脈瘤特徵時，不應只給出單一維度的測量值，而應綜合其位置、不規則性以及周邊微小突起進行整體評估。如果 AI 都需要融合臨床變數與多模態特徵才能達到 0.9 的準確率，我們單看一張 3D 重建圖就下定論，風險顯然過高。

看動脈瘤破裂風險時，別急著只找不規則的突起，先判斷影像雜訊是否吃掉了邊緣細節；面對寬度異常的 WFNS 預測區間，謹記靜態影像永遠無法完全取代動態的神經學理學檢查。