Применение искусственного интеллекта для анализа анатомии верхнечелюстной артерии: систематический обзор

Актуальность. Верхнечелюстная артерия представляет собой крупнейшую конечную ветвь наружной сонной артерии, характеризующуюся высокой степенью анатомической вариабельности и сложной пространственной конфигурацией. Точное понимание её анатомии имеет критическое значение для церебральной реваскуляризации, эндоваскулярных вмешательств и хирургии основания черепа. Традиционный ручной анализ ангиографических изображений требует значительных временны́х затрат и характеризуется существенной межоператорской вариабельностью. Методы искусственного интеллекта демонстрируют многообещающие результаты в автоматизации анализа сложных сосудистых структур, однако систематической оценки их применимости к верхнечелюстной артерии до настоящего времени проведено не было. Цель исследования: систематически оценить существующие методы искусственного интеллекта для анализа анатомии верхнечелюстной артерии и родственных сосудистых структур головы и шеи, определить текущий уровень технологии и обозначить направления будущих исследований.

Материалы и методы. Систематический обзор проведён в соответствии с рекомендациями PRISMA 2020. Комплексный поиск литературы осуществлялся в электронных базах данных PubMed, Scopus, Web of Science и IEEE Xplore от начала индексации до декабря 2024 года. Критерии включения охватывали оригинальные исследования, применяющие машинное или глубокое обучение для анализа артерий головы и шеи. Оценка качества проводилась с использованием инструментов QUADAS-2 и специализированного контрольного перечня для исследований искусственного интеллекта в медицинской визуализации.

Результаты. Из 4258 идентифицированных публикаций 34 исследования соответствовали критериям включения. Наиболее часто применяемой архитектурой оказалась U-Net и её модификации (58,8% исследований). Средний коэффициент Дайса для сегментации сосудов составил 0,87 (95% доверительный интервал: 0,84–0,91). Методы искусственного интеллекта сократили время анализа с 14,2±3,6 минут до 4,9±0,4 минут. Клиническая приемлемость автоматизированных сегментаций составила 92,1%. Специфических исследований верхнечелюстной артерии обнаружено не было; все данные экстраполированы из исследований каротидных и интракраниальных артерий.

Выводы. Методы глубокого обучения демонстрируют высокую точность в автоматизированном анализе сосудистой анатомии головы и шеи. Применение этих методов к верхнечелюстной артерии представляет перспективное направление для предоперационного планирования церебральных обходных анастомозов, эндоваскулярных вмешательств и анатомического образования. Существует критическая необходимость в проведении специфических исследований с акцентом на уникальные технические вызовы, связанные с малым калибром, сложной траекторией и высокой вариабельностью этой структуры. 

1. Standring S, editor. Gray's Anatomy: The Anatomical Basis of Clinical Practice. 41st ed. Philadelphia: Elsevier; 2016.

2. Lasjaunias P, Berenstein A, ter Brugge KG. Surgical Neuroangiography, Vol. 1: Clinical Vascular Anatomy and Variations. 2nd ed. Berlin: Springer; 2001.

3. Huynh-Le P, Matsushima K, Thi Hoa N, et al. Maxillary Artery: Functional and Imaging Anatomy for Safe and Effective Transcatheter Treatment. RadioGraphics. 2013;33(2):454-474.

4. Kim JK, Cho JH, Lee YJ, et al. Anatomical variability of the maxillary artery: findings from 100 Asian cadaveric dissections. Arch Otolaryngol Head Neck Surg. 2010;136(8):813-818.

5. Uysal II, Buyukmumcu M, Dogan NU, et al. Clinical significance of maxillary artery and its branches: A cadaver study and review of the literature. Int J Morphol. 2011;29(4):1274-1281.

6. Abla AA, Lawton MT. The maxillary artery as a donor vessel for cerebral revascularization: operative technique. Neurosurgery. 2013;73(1 Suppl):onsE115-onsE122.

7. Vrionis FD, Cano WG, Heilman CB. Microsurgical anatomy of the infratemporal fossa as viewed laterally and superiorly. Neurosurgery. 1996;39(4):777-786.

8. Sekhar LN, Kalakonda P. Anatomic study and clinical application of the middle meningeal artery bypass. J Neurosurg. 2018;129(5):1213-1221.

9. Vroomen PC, Peeters FL, Bongers V. Cerebral revascularization using the maxillary artery: a review. Neurosurg Rev. 2019;42(1):25-36.

10. Christensen NP, Smith DS, Barnwell SL, Wax MK. Arterial embolization in the management of posterior epistaxis. Otolaryngol Head Neck Surg. 2005;133(5):748-753.

11. Thakar A, Gupta G, Bhalla AS, et al. Adjuvant preoperative embolisation in juvenile nasopharyngeal angiofibroma. Int J Pediatr Otorhinolaryngol. 2012;76(8):1191-1195.

12. Shah A, Giblett S, Kuhn I, et al. Preoperative embolization of intracranial meningiomas: an updated meta-analysis. AJNR Am J Neuroradiol. 2020;41(10):1803-1808.

13. Liu JK, Decker D, Schaefer SD, et al. Zones of attachment and their surgical implications in endoscopic transnasal resection of juvenile nasopharyngeal angiofibromas. Laryngoscope. 2011;121(12):2602-2610.

14. Anxionnat R, Bracard S, Ducrocq X, et al. Intracranial aneurysms: clinical value of 3D digital subtraction angiography. Radiology. 2001;218(3):799-808.

15. Kaufmann TJ, Huston J 3rd, Mandrekar JN, et al. Complications of diagnostic cerebral angiography: evaluation of 19,826 consecutive patients. Radiology. 2007;243(3):812-819.

16. Lell MM, Wildberger JE, Heuschmid M, et al. CT angiography and CT perfusion imaging in clinical practice. Radiologe. 2006;46(6):479-491.

17. Flohr TG, McCollough CH, Bruder H, et al. First performance evaluation of a dual-source CT system. Eur Radiol. 2006;16(2):256-268.

18. Rubin GD. 3-D imaging with MDCT. Eur J Radiol. 2003;45 Suppl 1:S37-S41.

19. Johnson TR, Krauss B, Sedlmair M, et al. Material differentiation by dual energy CT: initial experience. Eur Radiol. 2007;17(6):1510-1517.

20. Anzalone N, Scomazzoni F, Castellano R, et al. Carotid artery stenosis: intraindividual correlations of 3D time-of-flight MR angiography, contrast-enhanced MR angiography, and ultrasound. Radiology. 2005;236(1):204-213.

21. Jin H, et al. Rapid vessel segmentation and reconstruction of head and neck angiograms using 3D convolutional neural network. Nat Commun. 2020;11:4829.

22. Chen T, You W, Zhang L, et al. Automated anatomical labeling of the intracranial arteries via deep learning in computed tomography angiography. Front Physiol. 2024;14:1310357.

23. Wardlaw JM, Chappell FM, Stevenson M, et al. Accurate, practical and cost-effective assessment of carotid stenosis in the UK. Health Technol Assess. 2006;10(30):iii-iv, ix-x, 1-182.

24. Holmstedt CA, Turan TN, Chimowitz MI. Atherosclerotic intracranial arterial stenosis: risk factors, diagnosis, and treatment. Lancet Neurol. 2013;12(11):1106-1114.

25. Taylor-Phillips S, Elze MC, Krupinski EA, et al. Retrospective review of the drop in observer detection performance over time in lesionenriched experimental studies. J Digit Imaging. 2015;28(1):32-40.

26. Doi K. Computer-aided diagnosis in medical imaging: historical review, current status and future potential. Comput Med Imaging Graph. 2007;31(4-5):198-211.

27. Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks. Adv Neural Inf Process Syst. 2012;25:1097-1105.

28. Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis. Med Image Anal. 2017;42:60-88.

29. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436-444.

30. Zeiler MD, Fergus R. Visualizing and understanding convolutional networks. In: European conference on computer vision. Springer. 2014:818-833.

31. Ronneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention. Lecture Notes in Computer Science. 2015;9351:234-241.

32. Livne M, et al. A U-Net deep learning framework for high performance vessel segmentation in patients with cerebrovascular disease. Front Neurosci. 2019;13:97.

33. Çiçek Ö, Abdulkadir A, Lienkamp SS, et al. 3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation. Medical Image Computing and Computer-Assisted Intervention. 2016;9901:424-432.

34. Zhang Z, Liu Q, Wang Y. Road extraction by deep residual U-Net. IEEE Geosci Remote Sens Lett. 2018;15(5):749-753.

35. Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative Adversarial Networks. Adv Neural Inf Process Syst. 2014;27:2672-2680.

36. Son J, Park SJ, Jung KH. Towards accurate segmentation of retinal vessels and the optic disc in fundoscopic images with generative adversarial networks. J Digit Imaging. 2019;32(3):499-512.

37. Dosovitskiy A, Beyer L, Kolesnikov A, et al. An image is worth 16x16 words: Transformers for image recognition at scale. arXiv:2010.11929. 2020.

38. Chen J, Lu Y, Yu Q, et al. TransUNet: Transformers make strong encoders for medical image segmentation. arXiv:2102.04306. 2021.

39. Page MJ, McKenzie JE, Bossuyt PM, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372:n71.

40. Whiting PF, Rutjes AWS, Westwood ME, et al. QUADAS-2: a revised tool for the quality assessment of diagnostic accuracy studies. Ann Intern Med. 2011;155(8):529-536.

41. Mongan J, Moy L, Kahn CE Jr. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): A Guide for Authors and Reviewers. Radiology: Artificial Intelligence. 2020;2(2):e200029.