指导教师崔超毅所在单位上海交通大学医学院附属第九人民医院血管外科是院重点学科，从事血管疾病临床治疗和研究已有近30年的历史。既往工作中，获得国家、部委和上海市级重大科学进步奖20余项（其中包括国家发明四等奖和上海市重大科技进步一等奖），2002年已被列入国家十五建设“211工程”重点科室。我科对动静脉疾病的发病学、流行病学、临床治疗学以及医工合作方面已取得了丰硕的成果，在国内外有影响的杂志上发表了关于动静脉疾病的研究论文280余篇。本科室是上海交通大学医学院附属第九人民医院VTE防控体系重要牵头负责科室，科室年收治VTE病人300例以上，年收治肺栓塞病人80例以上。本科室是上海交通大学血管病诊治中心的牵头负责单位，有独立的血管外科专科门诊及病房，丰富的病例资源是本课题临床与工科结合的重要保障。
  本课题工作将在上海交通大学图像处理与模式识别研究所实验室完成。该研究所隶属于上海交通大学电子信息与电气工程学院，是国内最早从事模式识别领域研究的专业研究所之一。研究所承担建设的“模式识别与智能系统”早在1987年和2001年两度被评为国家重点建设学科，并支撑了“控制科学与工程”一级国家重点学科建设。研究所具有强大的科研实力和科研条件，拥有成套的视频数据采集设备，多视频摄像头组网系统、高性能服务器、大型工作站等；承担过国家973计划项目，国防973计划项目，国家863计划项目、自然科学基金重点项目、上海市重大项目等60余项；获得过国家进步一等奖等成果。该所近年来的研究领域主要包括：机器学习，图像处理和计算机视觉，医学影像分析等。
        指导老师崔超毅长期从事血管外科疾病数字诊疗医学研究，具有丰富的医工合作经验和较为全面的科研素质，独立承担科研项目2项，包括上海市卫生健康委员会卫生临床研究专项面上项目1项，上海交通大学转化医学交叉研究青年基金（医工交叉基金）1项，参加国家自然科学基金科研项目4项，参加上海促进市级医院临床技能与临床创新三年行动计划临床研究关键支撑项目：特色专病队列数据库建设项目（肺栓塞全程智慧专病队列数据库平台建设及其推广应用）1项等。本课题组人员结构合理，项目分工明确。课题组成员技术实力雄厚，具有较强的科研能力。本课题组的主要研究方向为三维医学图像的分析与可视化及其临床应用，基于机器学习的计算机辅助诊断及其临床应用。课题组成员以第一或通讯作者在国际期刊发表多篇研究论文，具有丰富的相关课题研究背景和经验。

  合作指导老师王利生，上海交通大学电信学院自动化系模式识别与智能系统专业的教授、博导。研究领域包括AI与大数据分析技术在临床诊疗流程中的集成应用、计算机辅助的诊断及手术规划、医学影像智能分析与智能诊断及预后分析等。与上海多家三甲医院的不同科室医生有着10多年的广泛深入的医工合作。在国际一流期刊发表研究论文20多篇。参加2018全球人工智能应用大赛，获第三名、二等奖；参加医学影像分析领域国际顶会MICCAI 2019举办的放疗规划中肿瘤及危及器官智能勾画国际挑战赛，在四项竞赛任务中获得三项第一。

   急性肺栓塞PE是直接威胁患者生命的重要危重症之一。早期动态地对中高危组患者预警识别，对于决定治疗方案，降低不良事件十分重要。当前的危险度分层方法基于定性和半定量分析 ，缺乏多模态医学数据支持，诊断时效性较差，并且无法提供辅助治疗决策信息。我们前期挖掘数据库相关信息，获取了多模态医学数据和肺动脉CTA图像数据，实现了对肺组织、肺动脉和肺栓塞病灶的三维重建和有效分割，提出肺栓塞病灶特点的影像学特征。由此我们提出科学假说：中高危组和中低危组患者之间存在多模态医学数据的特征差异，由此建立的预警和辅助 决策模型，可以早期动态预警中高危组患者，并为医生提供治疗决策。我们拟通过机器学习的方法整合多模态医学数据，建立预警和辅助决策模型，并采用临床指标和卫生经济学指标验证和评估其安全性、有效性和经济性，提高诊断效率和准确度，为医生治疗方案的决策提供可靠的数据和精准的判断依据，具有重要的理论和临床实践意义。在本项目中，我们拟采用临床指标和卫生经济学指标作为结局，进一步完善基于机器学习的PE中高危组动态预警模型，利用GBDT算法将PE中高危组动态预警系统转化成为动态预警辅助决策系统，同时采用能够提供干预措施和结局之间因果性的临床试验方案验证该系统的有效性、安全性和经济性。
        影像组学的工作流程包括：图像采集、图像分割、图像特征提取和量化，特征选择和建立模型等五个阶段。本课题组前期工作和部分预实验的结果完成了建立早期预警模型的基础工作。总结如下：
         图像的获取和采集是影像组学研究开展的第一步。我们深入挖掘分析了上海交通大学医学院附属第九人民医院血管外科2015年至今建立的医联体多中心VTE数据库（版本V.6.3.8）相关信息。该数据库建设得到了上海促进市级医院临床技能与临床创新三年行动计划临床研究关键支撑项目：特色专病队列数据库建设项目（SHDC2020CR6016-003，2020-12至2022-9，肺栓塞全程智慧专病队列数据库平台建设及其推广应用）的强有力支持。截止2022年2月28日，该VTE数据库共登记869患者，其中符合入组条件的中危组PE患者233例。每例患者均详细记录了基本信息，化验结果，影像学和相关辅助检查资料，治疗基本情况，手术基本参数，出院后1月、3月、6月和12月随访信息等。数据录入由两名专业人员独立录入，定期邀请第三方稽查机构对数据库进行质量控制稽查，保证了数据的真实可靠。完整规范化的数据库平台保证了本研究数据来源的真实性和全面性，为本课题开展奠定基础。所有入组的患者均采用Definition Flash 128排螺旋CT机（德国西门子公司）行肺动脉CTA检查。获取患者肺动脉CTA的原始标准医学影像DICOM格式数据用于影像组学进一步研究。

   图像的分割是影像组学研究的第二步骤。我们依次开展了肺组织的分割，肺动脉的分割，肺栓塞的病灶分割等过程。本课题组完成了基于CT的肺组织可视化分割。我们基于可视分类的方法能够快速直观地完成肺组织的分割；采用了基于区域生长的交互式定位方法分割肺的特定区域（例如肺结节或者钙化区域等）；并且提出了基于任意封闭曲线的选择体切割传递函数设计的方法，可以同时可视化肺组织、肺结节和肺间裂（包括斜裂和水平裂）等信息，克服了半透明机制和不透明机制在临床可视化中的缺点。此外，我们还开发了简单和直观的交互式操作界面。这部分前期工作已经发表SCI论文（Lan S, Liu X, Wang L, Cui C. A Visually Guided Framework for Lung Segmentation and Visualization in Chest CT Images. J.Med. Imaging & Health Infor. 2018;8:485-493.）。

   本课题组还完成了基于CTA的血管的可视化分割。在这部分实验中，课题组通过SG-TF空间和空间连通性计算从CTA图像分离出的主动脉和脊柱，然后通过边缘体素的集合运算分离主动脉和脊柱。我们根据主动脉和心脏连接处灰度值的跳跃现象，同样结合边缘体素的集合运算分离主动脉和心脏。之后，我们引入了半透明显示机制，即通过传递函数对分类的体素赋予了不同的光学属性，最终实现了血管的可视化分割。这部分前期工作已经发表EI论文（Lan S, Cui C, Liu X, Johnson S, Su J, Chen B, Wang L. Separation and visualization of arteries and heart in 3D computed tomography angiography images. J. Shanghai Jiaotong Univ.(Sci.) 2017;22（1）：1-9.）。在预实验中，我们采用基于从肺动脉干跟踪血管至外围肺动脉的分割方案，对部分实验组数据进行了分割和重建，得到了较好的肺动脉分割效果，为实验的进一步开展奠定了基础。

   图像特征提取和量化是实现影像组的关键。当前影像组学的影像特征多数是基于肿瘤的研究，我们不能完全直接照搬，还需要针对肺栓塞的病灶特点，确立专用的特征。因此，在预实验中，本课题组基于肺栓塞病灶的特点，提出了适用于肺栓塞的影像学特征。我们对候选栓塞的不同区域进行提取，为每个候选PE提供4类，共103个特征。包括：75个灰度纹理特征，19个形态特征，6个位置特征，3个基于肺动脉树的特征。为进一步的早期预警模型构建奠定了基础。
   本课题组在前期工作的基础上，拟重点开展：1. 基于多模态医学数据，采用不同机器学习算法建立急性PE中高危组早期动态预警模型，并验证预测模型的预测效能；2.以不同临床指标和卫生经济学指标为结局，纳入多个时间节点的不同治疗方法，在前一步建立的早期动态预警模型基础上，通过GBDT算法创建辅助决策模型；3. 开展基于数据库的前瞻性非随机对照临床研究，以验证该辅助决策模型在真实世界数据中的有效性和安全性，采用卫生经济学指标评价这一模型的价值。

   本课题的顺利实施，将有助于从传统的定性和半定量的分析到精准的定量分析解决临床上关于急性PE中高危组的早期动态预警和临床决策问题。我们构建的临床辅助决策模型，将大大缩短医生诊断时间，提高诊断效率和准确度，为医生治疗方案的决策提供可靠的数据和精准的判断依据，具有重要的理论和临床实践意义。