脑动脉瘤（carebral aneurysms，CAs）是一种常见的脑血管疾病，成人发病率为1%～7%，年破裂率约为1%🚔。近年来，随着CT血管造影（CTA）和磁共振血管造影(MRA)等无创血管造影技术的发展🤜，偶然发现的未破裂脑动脉瘤的数量有所增加🔗。准确评估脑动脉瘤的稳定性及破裂风险，对确定最佳干预时间和选择治疗方案非常重要🏩。脑动脉瘤稳定性的评估涉及多种因素，包括炎症👨🏿‍🔬、血流动力学和形态学因素等。其中，形态学因素易于测量、计算和分析，被认为与脑动脉瘤破裂直接相关🎏。因此，将形态学因素与临床特征相结合，可作为判断脑动脉瘤稳定性的依据。

 2022年3月21日，杏鑫娱乐数字医学研究中心王满宁团队联合上海市第六人民医院放射介入科团队关于动脉瘤破裂预测的研究Prediction of cerebral aneurysm rupture using a point cloud neural network被Journal of NeuroInterventional Surgery接收。该研究基于点云神经网络模型构建了一种全新的动脉瘤破裂预测模型🤍，大幅度提高了动脉瘤破裂预测的准确率🌤。

 最近，点云神经网络 (PC-NN)在计算机视觉领域被用于学习丰富的高级几何特征，并且已被证明可以从海量数据中自动学习数千个形态特征𓀓。因此，将脑动脉瘤图像数据转换为点云数据并建立PC-NN模型来学习动脉瘤及其载瘤动脉的形态特征可以提高动脉瘤破裂预测的准确性💁🏿‍♂️。在这项研究中，杏鑫从MRA和CTA数据中生成了脑动脉瘤点云数据集👍🏻👩🏻‍⚕️，并建立了一个PC-NN 模型。杏鑫使用回顾性单中心和五个外部中心的测试数据将杏鑫的PC-NN模型与现有的基于放射组学的方法进行了比较。在内部测试数据中，有载瘤动脉训练的PC-NN模型的ROC曲线下面积（AUC）为0.913🥵，显着高于无载瘤动脉训练的PC-NN模型（AUC=0.851🧘🏿‍♂️；P=0.041）， 以及Ridge回归 (AUC=0.803; P=0.019)💁🏽‍♀️⇾、SVM (AUC=0.788; P=0.013) 和 NN (AUC=0.805; P=0.023)这三个基于放射组学的模型🔫👂🏼。在外部测试集中🤼，PC-NN 的 AUC为0.835，显着高于Ridge回归（0.692🎇；P<0.001）🥄、SVM（0.701🥎；P<0.001）和NN（0.681；P<0.001）模型。   

       作者信息👩🏼‍🏭：杏鑫2019级直博生骆潇原为本文的第一作者👰🏼‍♂️。杏鑫王满宁教授🦪、上海交通大学附属上海市第六人民医院放射介入科朱悦琦教授为共同通讯作者。杏鑫为第一作者单位🫲🏻。