Comparative Analysis of Artificial Intelligence-Based Quantification versus Visual Rating of Enlarged Perivascular Spaces in the Multi-Ethnic Study of Atherosclerosis Cohort [ARTIFICIAL INTELLIGENCE]
AI 計量 PVS 比人眼評分多抓到收縮壓與糖尿病關聯，且揭示視覺評分看不見的認知退化訊號
- 視覺評分漏掉收縮壓（β=0.20）與糖尿病兩項基底核 PVS 關聯，AI 計量在同一份影像全數偵測到
- 基底核 PVS 計量值與記憶力、注意力顯著負相關（β=–0.005），視覺評分對三項認知域別全無顯著
- 橫斷面設計無因果方向，AI 演算法依賴特定 MRI 協定，台灣本地導入前須先驗證移植效能
AI 深度學習計數腦部基底核血管周圍間隙（PVS）平均達 63.7 個，而同一批影像的人眼視覺評分只能分辨「11-20 個等級」——這個量化粒度差距，讓 AI 在 235 人腦部 MRI 裡多抓到兩個視覺評分完全遺漏的風險訊號：收縮壓（β=0.20）與糖尿病（β=11.51）。這篇刊於 AJNR 2026 年四月的研究，首次在同一批受試者影像上正面比較 AI 計量與神經放射科醫師視覺評分的臨床關聯偵測能力。
PVS 視覺評分的粒度瓶頸：大數據時代的研究死結
血管周圍間隙（perivascular spaces，PVS）是圍繞腦部細小血管的液體填充空間，在 T2 加權 MRI 上呈現為高訊號點狀結構，是腦小血管病變（small vessel disease，SVD）的重要影像標誌，近年反覆出現在認知退化的影像預測因子清單裡。現行視覺評分採半定量量表分等級（1-5 個、11-20 個、21-40 個等），存在三個根本侷限：評分者間可重複性有限、連續性差異被截斷（把 63 個和 79 個歸入同一等級，細微血壓關聯就此消失）、以及無法擴充至大型資料庫。正因缺乏高效量化工具，許多 PVS 血管風險關聯可能被系統性漏報。來自德州大學、賓州大學和 Wake Forest 三機構的研究團隊，以 MESA 世代為基礎設計直接比較實驗，讓 AI 與人眼在同一份影像上競爭關聯偵測能力。
MESA 世代 235 人：72 歲、四解剖區的橫斷面設計
Multi-Ethnic Study of Atherosclerosis（MESA）是美國 NHLBI 資助的多族裔心血管長期世代，本研究從同時具備視覺評分與 AI 計量的 MESA 參與者中納入 235 人。平均年齡 72.1 歲（SD 6.8），95 人（40%）男性，126 人（54%）自報黑人，族裔多樣化程度在腦部影像研究中少見。視覺評分由神經放射科醫師 Kevin D. Hiatt 單獨執行；AI 計量採全自動深度學習演算法直接輸出連續性計數值，無需人工介入。兩套方法均在四個預先定義部位量化：基底核、額頂葉大腦皮質、中腦與小腦。統計分析以有序邏輯斯迴歸處理視覺評分，線性回歸處理 AI 計量，控制人口學特徵後評估 PVS 與血管風險因子及三個認知域別（全域認知、延遲記憶、注意力/處理速度）的關聯。
| 特徵 | 數值 |
|---|---|
| 樣本總數 | 235 人 |
| 平均年齡 | 72.1 歲（SD 6.8） |
| 男性比例 | 40%（95 人） |
| 黑人比例 | 54%（126 人） |
| 基底核 AI 計量均值 | 63.7（SD 24.6）個 |
| 額頂葉 AI 計量均值 | 414.9（SD 167.5）個 |
| 中腦 AI 計量均值 | 9.8（SD 4.4）個 |
資料來源：AJNR 2026 Torres et al.
基底核 AI 計量多發現收縮壓 β=0.20 與糖尿病關聯
AI 計量絕對值在不同解剖區差異懸殊：基底核平均 63.7（SD 24.6）個、額頂葉高達 414.9（SD 167.5）個、中腦僅 9.8（SD 4.4）個。視覺評分最常見等級：基底核 11-20 個（40%）、額頂葉 21-40 個（31%）、中腦 1-5 個（83%）。兩套方法量化規模不在同一尺度，但 AI 連續性計量在統計模型中提供了顯著更高的解析度。兩種方法共同偵測到的關聯：年齡較大與白人族裔，均達顯著。只有 AI 計量才發現的關聯：收縮壓升高（β = 0.20，95% CI 0.05–0.36）和糖尿病（β = 11.51，95% CI 3.48–19.55）。視覺評分對這兩項均未達顯著，說明依賴視覺評分做 PVS 血管風險研究，有相當大的機率系統性漏報重要關聯。
| 關聯因子 | 視覺評分達顯著 | AI 計量達顯著 | AI β 值（95% CI） |
|---|---|---|---|
| 年齡較大 | ✓ | ✓ | 未詳列 |
| 白人族裔 | ✓ | ✓ | 未詳列 |
| 收縮壓升高 | ✗ | ✓ | 0.20（0.05–0.36） |
| 糖尿病 | ✗ | ✓ | 11.51（3.48–19.55） |
| 全域認知下降 | ✗ | ✓ | –0.012（–0.023 至 –0.0004） |
| 延遲記憶下降 | ✗ | ✓ | –0.005（–0.010 至 –0.0005） |
| 注意力/處理速度下降 | ✗ | ✓ | –0.005（–0.009 至 –0.001） |
AI 獨有偵測到的關聯以 ✓ 標示，視覺評分未達顯著者以 ✗ 標示
三認知域別迴歸：基底核 PVS 計量與記憶、注意力同步下滑
控制人口學特徵後，基底核 AI 計量值與三個認知域別均達顯著負相關：全域認知（β = –0.012，95% CI –0.023 to –0.0004）、延遲記憶（β = –0.005，95% CI –0.010 to –0.0005）、注意力/處理速度（β = –0.005，95% CI –0.009 to –0.001）。三項 95% CI 下界均不含 0。相較之下，視覺評分的基底核等級與這三個認知域別均未達顯著。若完全依賴視覺評分，同樣 235 人的資料將得出「基底核 PVS 與認知功能無關」的負面結論，研究可能就此終止；AI 計量則清楚顯示關聯確實存在。認知關聯的解剖選擇性值得注意：顯著關聯只出現在基底核，額頂葉與中腦未見同等強度，可能反映基底核在皮質下認知網路的特殊解剖地位，也可能是 n=235 在其他區域的統計檢力不足。
橫斷面設計與演算法移植性的適用邊界
作者坦承幾個關鍵限制。設計層面：橫斷面研究只能建立相關性，無法確立因果方向——收縮壓升高究竟是 PVS 增加的上游原因，還是兩者共享同一血管病理機制，需縱向追蹤資料釐清。樣本量：n=235 對多變數迴歸合理，但族裔子群組差異分析統計檢力有限，額頂葉和中腦未見認知關聯，部分可能是檢力不足而非真實無效應。視覺評分：由單一評分者執行，未提供評分者間信度（inter-rater reliability）數據，視覺評分的表現上限難以確定。AI 演算法移植性：深度學習計量精準度高度依賴訓練資料的 MRI 協定（磁場強度、序列參數）；台灣各院 MRI 協定未標準化，從 1.5T 到 3T 不等，直接套用前須以本機影像先行驗證。此工具目前最適合大型流行病學研究的批量影像分析，而非個別臨床病例的即時決策輔助。對研究型放射科醫師而言，最大的實務啟示是：過去得到陰性結論的 PVS 研究，若改用 AI 計量重跑，可能看到截然不同的結果。
下次讀到「PVS 與收縮壓/認知無關」的陰性文獻，先問作者用的是視覺評分還是 AI 計量——同樣 235 人，粒度不同，結論可以天差地遠。