Deep-Learning Accelerated Vessel Wall Imaging Using T1-SPACE at Ultra-High-Field Strength MRI [ARTIFICIAL INTELLIGENCE]

深度學習重建對比 7T 標準血管壁影像，管腔 Odds Ratio 達 97 倍——最反直覺的是，在解剖位置最困難的遠端血管段，這個倍數更放大到 225 倍：AI 重建在越難的地方，進步反而越大，同時掃描時間從 7:30 分鐘縮短到 6:00 分鐘。

7T 血管壁影像的技術瓶頸與 DLBIR 的突破方向

顱內血管壁影像（IC-VWI，intracranial vessel wall imaging）是直接評估顱內動脈管壁病理的重要工具，臨床適應症涵蓋動脈粥樣硬化斑塊特性分析（如易破裂斑塊的強化型態）、血管炎的管壁增厚與強化、以及可逆性腦血管收縮症候群（RCVS）的管壁影像模式。7T MRI 的高場強理論上提供更優異的訊號雜訊比（SNR），能顯示比 3T 更精細的管壁細節，但實際操作面臨多重技術困難：射頻能量吸收率（SAR）限制了序列設計的彈性；電磁波波長接近組織尺度導致磁場不均勻性，在影像上形成明暗不均的強度起伏；7T 特有的磁化率效應讓血管周圍偽影加劇，使影像可評估性有時反不如 3T。

深度學習為基礎的影像重建（DLBIR，deep learning-based image reconstruction，在 MRI K-space 原始資料重建階段介入的 AI 技術，有別於傳統後處理降噪）具備從根本改善 7T 訊號品質的潛力，但現有文獻中 DL 加速的 IC-VWI 幾乎都集中在 3T，且多屬後處理方法而非重建端介入；7T 上的系統性 DLBIR 驗證幾乎付之闕如。本研究直接在 7T 場強上比較 DLBIR 版本的 T1-SPACE 序列（T1-SPACE_DL）與標準臨床序列（T1-SPACE_SOC），評估能否在不延長掃描時間的前提下顯著改善影像品質，為 7T IC-VWI 的臨床推廣提供技術依據。

36 例 7T 雙序列配對設計與 CLMM 統計架構

研究採回溯性單中心設計，於 Mayo Clinic Rochester 收集 36 位病患（女性 21 位，男性 15 位；平均年齡 53.3 ± 16.2 歲），所有受試者在同一次 7T 掃描中同時完成 T1-SPACE_SOC 與 T1-SPACE_DL 兩條序列，均為注射顯影劑後執行，確保了每位病患自身的真正頭對頭比較，避免病患間變異干擾。兩位神經放射科醫師獨立盲法評分，工具為 4 點 Likert 量表，評估項目包含整體影像品質（noise 雜訊、artifacts 偽影、sharpness 清晰度、overall quality 整體品質）以及顱內各主要血管節段的 wall（血管壁）與 lumen（管腔）顯示品質；涵蓋血管包含頸內動脈（ICA）、大腦中動脈（MCA）、大腦前動脈（ACA）、大腦後動脈（PCA）、椎動脈（VA）、基底動脈（BA）等。

主要統計方法採 CLMM（cumulative-logit mixed-effects model，累積邏輯混合效應模型——能同時處理有序 Likert 評分並將病患與血管節段作為隨機效應的統計架構），計算兩序列間的 Odds Ratio 與 95% CI。各節段進一步合併為近端（proximal）與遠端（distal）兩組，以 exact paired sign test 比較；整體影像品質以 paired Wilcoxon test 和 Bland-Altman plot（評估兩種測量方法系統性偏差的圖形工具）分析；讀者間一致性以 percent agreement 量化；所有多重比較以 FDR（false discovery rate，偽發現率）校正。

管腔 OR 97 倍、血管壁 OR 22.79 倍：品質評分的全面優勢

節段層級分析的主要結果呈現壓倒性的差距：T1-SPACE_DL 對比 T1-SPACE_SOC，血管壁評分 OR 22.79（95% CI：15.83–32.82，FDR 校正後 P < .001），管腔評分 OR 97.00（95% CI：66.80–141.00，FDR 校正後 P < .001）。OR 97 的臨床意義在於：同一血管節段在 DL 序列上獲得較高管腔評分的機率，是在 SOC 序列上的 97 倍——這不是常見的「統計顯著但臨床差異有限」情境，而是兩個序列在評分者眼中幾乎是有無之別。

逐項檢視整體影像品質，Reader-wise Wilcoxon 檢定顯示 T1-SPACE_DL 在雜訊、偽影、清晰度、整體品質四項均 P < .001，兩位讀者方向完全一致，沒有任何指標在 SOC 序列佔優。Bland-Altman 分析呈現穩定的正向系統性偏差（positive bias）偏向 DL 序列，說明這份優勢是可重複的系統性差異而非隨機波動。讀者間一致性方面，T1-SPACE_DL 優於 T1-SPACE_SOC，代表 AI 重建同時降低了閱片者間的主觀判讀差異，提高評分可重複性。掃描時間從 7:30 分鐘縮短至 6:00 分鐘（縮短 20%），對 7T 排程緊縮的機構具有實質效率意義。

近端 OR 297 倍與遠端 OR 225 倍的節段性分析細節

最值得深挖的是近端與遠端節段的分層分析，兩段的改善模式呈現交叉型態：血管壁評分方面，近端節段 OR 297.00（95% CI：40.00–∞）、遠端節段 OR 71.00（95% CI：28.00–404.00）；管腔評分方面，近端節段 OR 82.00（95% CI：36.00–339.00）、遠端節段 OR 225.00（95% CI：60.00–13350.00）；所有分組均 FDR 校正後 P < .001。

血管壁改善在近端更大（OR 297 vs 71）：近端血管管徑較粗，SOC 序列對管壁顯示應有基本能力，但 OR 仍高達 297，說明 7T SOC 在近端血管壁的顯示品質存在嚴重且被低估的不足。管腔改善在遠端更大（OR 225 vs 82）：遠端血管（ACA 遠端、PCA、MCA M2 以遠）管徑細小，7T SOC 在許多節段的管腔幾乎無法評分，基準點極低，DL 重建將原本判讀不了的節段恢復到可評估狀態，OR 放大效應因此更強。這個發現的臨床意義直接明確：RCVS 和腦血管炎最常累及遠端中等大小動脈，而 DL 重建在這個解剖區域的改善幅度最大，也正是臨床最需要精確評估的部位。遠端管腔 CI 上限延伸至 13350，反映子分析樣本數偏小，但效應方向一致性與統計顯著性仍具有說服力。

單中心 36 例的限制範疇與 7T 臨床推廣的前提條件

作者坦承數項根本性限制。樣本數 n = 36 屬小樣本，回溯性單中心設計有選樣偏誤風險，結論外推性受限。論文共同作者包含 Siemens Healthineers AG（Marcel Dominik Nickel）及 Siemens Medical Solutions USA（Peter Kollasch、Kara Dueker）人員，DLBIR 演算法屬廠商技術，廠商參與的潛在偏誤需納入解讀；目前無資料支持 Philips、GE 等其他廠牌 7T 系統能實現類似效果。研究僅評估注射顯影劑後的 T1-SPACE，顯影劑前場景及其他對比度序列（如 PDW、T2-SPACE）均未涵蓋。影像品質評估全部依賴主觀 Likert 評分，缺乏定量 SNR/CNR 測量及最終診斷準確度驗證（如疾病分期改變率、漏診率降低）。

對放射科同行的建議：若機構已配備 Siemens 7T 並具備 DLBIR 功能，本研究數據足以支持以 T1-SPACE_DL 取代 SOC 作為 IC-VWI 預設序列，尤其在 RCVS 急性期、腦血管炎、動脈瘤旁強化斑塊等需要精確遠端血管評估的案例。若機構仍使用 3T，現有文獻基礎不變，但 7T DLBIR 對遠端血管的顯著優勢應在設備升級評估中列為重要考量。

7T IC-VWI 的 SOC 序列在遠端血管管腔幾乎判讀不了，DLBIR 把 OR 推到 225 倍——機構有 7T DLBIR 的，下次血管炎或 RCVS 改用 T1-SPACE_DL，不是 SOC。