综述：基于超声成像的深度学习血栓检测与风险评估方法：一项范围综述

本综述系统评价了深度学习（DL）在超声（US）成像中用于血栓检测与风险评估的应用。涵盖静脉、动脉及心脏血栓，重点分析了卷积神经网络（CNN）、U-Net、ResNet等模型在血栓分类、分割及风险预测中的性能，指出DL可显著提升诊断准确性、减少操作者依赖性，并讨论了未来在模型可解释性、真实世界集成及标准化数据集方面的挑战与方向。

基于超声成像的深度学习血栓检测与风险评估方法：一项范围综述

摘要

血栓形成（Thrombosis），即血管内血凝块的形成，会引发肺栓塞（Pulmonary Embolism, PE）和血栓形成后综合征（Post-Thrombotic Syndrome）等严重健康风险。超声（Ultrasound, US）成像因其实时性、安全性和无创性而成为一种广泛使用的诊断工具；然而，其有效性常受限于操作者依赖性和判读差异。这项范围综述旨在探究深度学习（Deep Learning, DL）技术如何应用于超声成像，以增强在静脉、动脉和心脏情境下的血栓检测和风险评估。

一项遵循PRISMA-ScR方法的综合性文献检索在PubMed和Scopus数据库中进行，目标锁定于那些使用DL模型结合血管超声模态（如B超、多普勒超声、血管内超声（Intravascular Ultrasound, IVUS）和经食道超声心动图（Transesophageal Echocardiography, TEE））进行血栓检测、分类、分割或风险预测的研究。在最初确定的233条记录中，有22项研究符合入选标准。最常用的模型包括卷积神经网络（Convolutional Neural Networks, CNNs）、U-Net、残差神经网络（Residual Neural Networks, ResNet）和人工神经网络（Artificial Neural Networks, ANNs）。DL模型主要通过评估静脉可压缩性和支持床旁超声（Point-of-Care Ultrasound, POCUS）成像来辅助深静脉血栓（Deep Vein Thrombosis, DVT）的诊断。动脉血栓应用侧重于使用IVUS进行斑块分割和血管重建，而心脏研究则利用TEE来区分血栓与肿瘤。研究普遍报告了高灵敏度（Sensitivity）、高特异性（Specificity）、高准确度（Accuracy）和高曲线下面积（Area Under the Curve, AUC），其性能常常优于传统的基于规则或人工判读方法，尽管观察到数据集和验证方法存在相当大的变异性。总体而言，DL增强的超声成像在提高血栓诊疗的诊断精度和临床决策方面展现出巨大潜力。未来的研究应优先关注模型的可解释性、真实世界的整合以及标准化、可公开访问数据集的开发。

引言

血栓形成[1]作为血管内病理性血凝块的形成，由于其与肺栓塞（PE）、中风、心肌梗死和慢性血栓形成后综合征等危及生命的病症相关，仍然是一个主要的全球健康问题。早期检测和准确的风险分层对于预防严重并发症和改善患者预后至关重要。在影像学检查中，超声（US）因其实时性、便携性、无创性和无电离辐射[2,3]而长期被视为诊断血管疾病的首选方法。

尽管超声具有优势，但其准确性和可靠性常受限于操作者依赖性、判读差异以及图像质量限制，尤其是在深部或复杂解剖结构中[4]。这些局限性凸显了对自动化、客观判读工具的需求，以辅助临床医生进行诊断和风险评估任务。在此背景下，人工智能（Artificial Intelligence, AI），更具体地说是深度学习（DL），已成为医学影像领域的变革性工具，能够增强图像分析、实现实时决策支持并减少观察者间的变异性[[5], [6], [7]]。

虽然个别研究和综述已展示了人工智能（AI）和机器学习（Machine Learning, ML）在血管医学中的应用前景，但针对利用超声（US）成像进行血栓检测和风险评估的深度学习（DL）方法的专题综述仍然缺乏。一些综述探讨了AI在血管外科、心血管疾病风险预测和斑块表征中的应用，但往往侧重于计算机断层扫描（Computed Tomography, CT）、磁共振成像（Magnetic Resonance Imaging, MRI）或有创血管造影等成像方式，而非超声。例如，一项关于AI在血管外科应用的文献计量分析发现了预测模型和诊断工具方面的显著进展，但缺乏针对血栓的具体应用[8]。类似地，关于使用AI进行心血管风险分层的综述指出其在预测模型中表现强劲，但未涉及血栓检测或使用超声成像[9]。

其他相关研究探索了人工智能驱动的外周动脉疾病、脑血管疾病和深静脉血栓（DVT）分析，通常将ML技术应用于对比增强MRI或CT图像[10]。虽然此类方法展示了增强的诊断能力，但在普适性和实时临床环境中的实际整合方面存在不足，特别是对于无创超声成像。将DL应用于使用超声进行斑块表征的研究——例如内中膜厚度（Intima-Media Thickness）分割或易损斑块检测——提供了与血栓风险相关的见解，但它们很少包含血栓分类或基于超声的风险评估[[11], [12], [13], [14]]。

与静脉血栓栓塞症（Venous Thromboembolism, VTE）预测和栓塞分类更直接相关的文献表明，DL和ML模型优于传统的临床评分系统[15,16]。然而，数据集质量有限、高偏倚风险、缺乏外部验证以及依赖非超声模态等挑战仍然是常见的局限性[17,18]。简而言之，虽然相关研究显示了AI在血管诊断中的潜力，但它们未能提供一个使用超声进行基于DL的血栓检测的端到端框架。

本工作是欧盟（European Union, EU）根据赠款协议编号101137227[19]共同资助的ThrombUS+项目的一部分。ThrombUS+计划旨在开发一种创新的、操作者无关的可穿戴诊断设备，利用包括超声成像在内的多种诊断数据模式，促进深静脉血栓（DVT）的早期检测和诊断。在此背景下，本范围综述旨在综合关于使用超声成像进行血栓检测和风险评估的深度学习方法的现有证据，从而为ThrombUS+系统的开发和临床整合提供信息。

为了弥补这些空白，本范围综述提供了一个针对通过超声成像进行血栓检测和风险评估的DL应用的 consolidated 和结构化评估。这包括对文献中报告的临床应用、模型架构、验证策略和性能指标的分析。本综述旨在为临床医生、研究人员和政策制定者提供资源，指导该领域未来AI的发展，并支持DL工具在血栓诊断中的实际应用。

材料与方法

本工作旨在进行一项定性范围综述，以分析和总结关于深度学习（DL）在超声成像中用于血栓检测和风险评估的现有研究。本综述遵循PRISMA-ScR方法[20]，确保在识别、筛选和综合相关文献时采用结构化、透明和可重复的方法。

相关来源的选择

2024年8月，通过PubMed（n=64）和Scopus（n=169）共识别出233条记录。去除50篇重复文献后，对183条记录进行了标题和摘要筛选。其中，因属于文献综述、社论、非英文出版物或与AI、血栓或超声成像无关等原因排除了120篇。对其余63篇全文文章进行了资格评估，导致排除了41项研究，原因包括主题不符、缺乏DL应用、未使用超声成像或无法获取全文。最终，22项研究被纳入本综述。数据提取使用预定义的模板，重点关注研究特征、临床重点、超声方法、DL模型、问题陈述、验证方法、性能指标、数据集可用性以及报告的挑战。

讨论

本范围综述凸显了深度学习（DL）在利用超声（US）成像进行血栓检测和风险评估中日益增长的作用。在所纳入的22项研究中，各种DL架构——从卷积神经网络（CNNs）到整合临床数据的混合模型——在分类、分割、血栓风险预测和血管超声分析自动化方面展现出显著潜力。这些发现强化了AI驱动的工具在增强血栓诊断精确度、减少操作者间变异以及可能实现床旁决策支持方面日益增长的影响力。

然而，该领域面临着几个挑战。数据集大小有限、缺乏公开可用的基准数据集以及验证方法的异质性（例如，留出法验证与交叉验证）限制了研究结果的可比性和普适性。许多研究在回顾性数据集上展示了良好的性能，但缺乏前瞻性试验或外部验证来确认其临床适用性。此外，DL模型的“黑箱”性质引发了关于其在临床工作流程中可信度和可接受性的问题。未来的努力应优先开发大型、注释良好且多样化的数据集，采用标准化报告指南，并探索可解释AI（Explainable AI, XAI）技术以提高透明度。将DL工具整合到实时超声系统以及评估其对患者预后的影响将是实现其全部潜力的关键步骤。

结论

本范围综述考察了深度学习（DL）在静脉、动脉和心脏领域中利用超声（US）成像进行血栓检测和风险评估的作用。所纳入的22项研究表明，DL模型——特别是卷积神经网络（CNNs）、U-Net和ResNet——在血栓分类、血管分割和风险预测任务中持续取得高性能。这些方法提高了诊断准确性，减少了操作者依赖性，并为自动化血栓风险评估提供了潜力。尽管存在数据集可变性和验证挑战等局限性，但DL增强超声成像在改善血栓护理方面的前景是明确的。未来的进展依赖于解决模型可解释性、促进真实世界临床整合以及开发标准化、可访问的数据集。通过应对这些挑战，DL有望彻底改变血栓的诊断和管理方式。