定量评估技术系统

定量评估技术系统（共3篇）

定量评估技术系统 篇1

信息系统安全是一项系统工程,具有整体性、复杂性、不确定性,仅仅依靠技术手段防范不可能解决信息系统安全的根本问题,需要从全局观点出发,建设保障体系,全方位地控制和管理。而信息系统安全风险评估是整个安全系统工程的关键环节,是亟待解决的迫切问题,已成为全世界关注的课题。

信息系统安全风险评估是从风险管理角度,运用科学的手段和方法,系统地分析信息系统所面临的威胁及其存在的脆弱性,全面地、正确地认识系统目前与未来的风险,以及这些风险可能带来的安全威胁与影响程度,为安全策略的确定、信息系统的建立及安全运行提供科学依据,达到控制风险、规避风险、转移风险的目的,确保信息系统安全、稳定地运行。信息系统安全风险评估方法主要分为定性风险评估方法和定量风险评估方法。

定性风险评估方法是依靠专家对事物的经验、知识及对事物发展变化规律的预测、科学地进行分析、判断的一类方法。运用这类方法可以发现信息系统中存在的风险因素,进而针对这些风险因素从技术上、管理上提出解决问题的对策和整改措施,提高风险控制能力,达到保障信息系统安全的目的。定性风险评估针对系统中每个风险因素进行单项评估,忽略了对整体系统的安全评估,很难确定系统的综合风险程度。定性评估方法主要依靠专家和研究者的知识、经验和历史教训,主观性较强,而且对于评估人员的素质要求很高。常用于企业预测和预防事故、伤亡事故分析,以及信息系统的可靠性、安全性单项分析。

定量风险评估方法是根据同类或类似系统的数据资料,按照国家规定的标准,应用科学的方法构建数学模型进行定量化评估。信息系统风险级别用数值表示,清晰明确,直观地体现了系统总体风险的大小。同时可以确定每一种风险因素对信息系统安全的影响程度,进一步确定安全工作的重点,有针对性地采取应对措施。

本文选择可操作性、可行性较好的三种定量评估方法进行研究与分析,总结每一种方法的特点和应用范围,为企业、组织选择适合本单位的信息系统安全风险评估方法提供可靠依据。

1 层次分析风险评估法

1.1 层次分析法简介

层次分析法(AHP)是美国T.L.Saaty教授在20世纪70年代提出的[1],它是运用层次结构模型解决多目标、多准则的复杂系统决策的一种方法,是将复杂系统的决策过程模型化、定量化的过程。该方法具有思路清晰、方法简便、适用面广、系统性强等特点,便于普及推广,是信息系统安全风险评估的一种有效方法。

1.2 层次分析风险评估法的具体步骤

第一步:构建层次结构模型

一般层次结构模型分三层,由目标层、准则层和方案层构成。具体应用于信息系统安全风险评估的构建方法为:首先,确定信息系统安全风险评估的总目标G;其次,明确风险因素对信息系统影响的评估准则P;最后,列出各种风险因素F,形成由评估总目标、评估准则和风险因素的一个层次结构模型。在该模型中,评估总目标、评估准则和风险因素处于不同的层次,彼此之间有关系使用线段连接,根据被评估系统的复杂程度,评估准则层可以细分为多层。下面以三层结构为例,详细介绍AHP风险评估法。

第二步:构建判断矩阵

(1)风险因素两两比较

建立层次结构模型后,根据历史数据、统计数据、风险分析专家和系统分析员的经验和判断,确定各风险因素相对于准则层各准则的重要程度或优越性。层次分析法采用1-9标度法[2],对于每个准则Pk,风险因素进行两两比较,将比较结果写成矩阵形式。这些矩阵称为判断矩阵。

(2)一致性检验

判断矩阵必须做一致性检验,方法为:CR=CI/RI,其中,λmax为判断矩阵的最大特征值;RI为平均随机一致性指标[2]。

当CR<0.1时,判断矩阵满足一致性,否则,必须调整判断矩阵。

第三步:计算各个风险因素的相对权重

根据判断矩阵,计算各风险因素相对于准则Pk重要次序。通常采用和积法和方根法[2],求出判断矩阵的向量Vk,再进行归一化处理,即可计算出Fi相对于Pk的权重Wk。

(1)计算向量:Vk=(vk1,vk2,…,vkn)T,其中,,i=1,2,…,n,n为风险因素的数目。

(2)归一化处理:Wk=(wk1,wk2,…,wkn)T,其中,

同理,可以求出各准则相对于总目标的权重w=(w1,w2,…,wn)T,其中,m为准则的数目。

第四步:计算风险元素的综合权重

计算所有风险因素相对于总目标的综合权重。利用Wk构造综合矩阵C=(W1,W2,…,Wm)。利用公式:W'=C·W,得到新向量W',其中,其中,i=1,2,…,n。对向量W'进行归一化处理,可以求得各风险因素针对整体信息系统安全的影响程度。对风险较大的风险因素,采取必要措施加以控制,重点防护,以提高整个信息系统的安全性、可靠性。

1.3 结论

层次分析法将信息系统安全的评估过程模型化、定量化,可以确定风险因素对信息系统的影响程度,但是,计算判断矩阵是依赖专家的知识和经验,所以层次分析法结论的质量依赖于专家个人因素,主观性较强,这是该评估方法最大的缺点。利用模糊数学与层次分析法相结合,较好的解决了该方法主观性强的问题[3,4]。

2 模糊综合评价风险评估法

模糊综合评价[5]是利用模糊线性变换原理和最大隶属度原则,考虑与被评价事物相关的各个因素,对其做出合理的综合评价。它是一种用定量的方法解决不确定、不完全信息的评价方法,其最大特点是利用它可以比较自然地处理人类思维的主动性和模糊性。它特别适合于用来解决那些只能用模糊的、非定量的、难以明确定义的实际问题。

信息安全风险评估是一个由多因素决定的复杂过程,因素之间有层次之分,并且呈多层结构,实践证明应用多层次模糊综合评价进行信息系统风险评估是一条可行的也是一条很好的途径[6]。

2.1 建立评估指标体系

根据国家信息系统评估规范和信息技术信息安全评估准则以及结合待评估信息系统的特点确定评价因素,将评价因素分成若干类,每一类称为单一评价因素,各类的组合称为第一级评价因素集;单一评价因素可以包含若干个第二级评价因素,逐层分解,直到底层的不可再分的单因素,从而建立多级信息系统评估指标体系。

2.2 单因素评价

对因素集U中的单因素ui(i=1,2,…,n)做单因素评价,从因素ui确定该事物对评语vj(j=1,2,…,m)的隶属度rij,从而得出第i个因素ui的单因素评价集Ri(ri1,ri2,…rim),它是评语集V上的模糊子集即评语模糊向量,rij表示因素ui具有vj评语的程度。

2.3 构造综合评价矩阵

把n个单因素评价集作为行,构成一个矩阵R,,R称综合评价矩阵。

2.4 确定因素重要程度(权重)模糊集

由于各因素对被评价事物的影响程度不同,所以,进行综合评价时,必须给出一个模糊子集A=(a1,a2,…,an)描述各个因素在总评价中的重要程度即权重,且满足。。

2.5 确定综合评价模型,求出模糊综合评价集

因素重要度(权重)模糊集A和综合评价矩阵R已知时,通过R作模糊线性变换,把A变为评语集V上的模糊子集B=A*R=(b1b2,…,bm),其中,“*”为广义模糊合成运算,即

其中,表示广义模糊“与”运算,表示广义模糊“或”运算。再将B归一化得B',称B'为评语集V上的模糊综合评价集,bj'(j=1,2…,m)是等级评语vj对模糊评价集U的隶属度,式(1)称为综合评价模型,记作M。综合评价模型常用的有:模型M(∧,∨);模型M(·,∨);模型M(·,+);模型M(∧,茌);模型M(乘幂,∧);模型M(∧,+),针对具体评估系统的特性选择合适的综合评价模型[5]。

2.6 综合评价

根据最大隶属度原则,选择模糊综合评价集B'=(b1',b2'…,bm')中最大的bj'所对应的评语vj作为综合评判的结果。

2.7 因素权重的确定

为了计算综合评价结果,需要确定因素重要程度模糊集A,这是模糊综合评价法的重点也是难点,一般常用确定权重的方法有[7,8]:

专家调查法、Delphi法(专家评议法)、层次分析法,共同特点是方法操作简单,但主观较性强,不能客观反映因素间的重要性,往往导致评价的片面性。

主成分分析法和因子分析法、变异系数法、局部变权法和熵权系数法[6,9]是利用评估数据的信息客观地确定各因素的权重,具有科学性,操作性好的特点。

根据信息系统的特点、评估团队的水平、数据是否充分,选择适当的方法确定各因素的权重,通过定量计算求得各因素权向量即因素重要程度模糊集A。

2.8 结论

利用改进的模糊综合评价法进行信息系统安全风险评估,可以计算出精确系统风险值[6],用模糊综合评价法评估信息系统安全风险是合理的、可行的、有效的。将熵权系数应用于模糊综合评价法,利用熵计算各指标的重要程度即权重,克服了模糊综合评价主观性强的弱点,使综合评价过程客观、完善。

3 基于人工神经网络风险评估法

人工神经网络(ANN)是模拟人脑结构和思维过程,是一个高度自适应非线性动态系统,具有记忆能力、自学习能力和联想能力,人工干预少,精度较高,对专家知识的依赖较少[10]。主要用于解决不确定性、非结构性问题,实践证明基于神经网络的信息系统安全风险评估方法是有效的、可行的[11,12,13]。

3.1 构建基于BP神经网络的信息系统安全风险评估模型

反向传播神经网络(BP)是一种按误差反向传播算法训练的多层前馈网络,是目前应用最成熟的神经网络模型之一。数学理论已证明BP神经网络具有任意精度的函数逼近能力,所以,它为信息系统安全风险评估模型提供了一个可行的构造和表示方式。

基于神经网络的信息系统安全进行风险评估模型采用单隐含层的BP神经网络,其拓扑结构为输入层、隐含层和输出层。它的输入表示为特征量即风险因素的各个评价指标,将这些指标经过量化处理和一致性处理后,作为BP神经网络的输入量。经过BP神经网络的学习算法,网络的输出特征量为风险因素的风险级别。BP神经网络的激励函数采用Sigmoid函数,隐含层单元数在训练过程中,通过误判率的大小确定[10]。BP神经网络模型可以利用软件MATLAB的神经网络工具箱建立。

3.2 学习过程

BP算法的基本思路是信号正向传播经隐含层处理后传向输出层,计算输出值,如果输出值与期望的输出值之间的误差超过预先规定的限定值,则通过反向传播来不断修改网络的权值和阈值,最终使网络的误差平方和小于规定的限定值,此时学习过程结束,输出层的输出值就是系统风险评估级别。

3.3 学习算法

BP神经网络属于有监督学习(有导师学习),在利用BP网络风险评估前,必须先进行学习训练,要求准备一定数量的训练数据样本(成对的输入量和输出量),称为“教师信号”,当网络对于各种给定的输入量均能产生所期望的输出时,才认为网络已经在监督下“学会”了数据样本中包含的知识和规则,可以用来进行风险评估了。

利用MATLAB实现算法的基本步骤[14]:

1)收集一组信息系统安全风险评估成功案例的数据,训练和检验样本集;

2)初始化:给连接权值和阈值赋予(-1,1)之间的随机值;

3)随机选取一对输入输出样本对载入网络;

4)进行网络训练,可以得到输入层与隐含层、隐含层与输出层之间的权值和阈值;

5)随机选取下一个样本对提供给网络,返回到第⑷步,直到全部训练样本学习完毕。

训练结束后,专家对被评估系统各风险因素的风险等级评价作为输入量,最终得到整个系统的风险评估级别。

3.4 BP神经网络存在的问题

1)由于BP算法实际上使用梯度下降法,而它所要优化的目标函数很复杂,会出现“锯齿形现象”、麻痹现象、步长的更新规则也必须预先赋予网络,这些都导致BP算法的学习速度慢;

2)BP算法是一种局部搜索的优化方法,而它所要求解的是复杂非线性函数的全局极值、网络的逼近和推广能力同学习样本的典型性密切相关,要求选取典型样本实例组成训练集,否则,可能导致网络训练失败;

3)新加入的样本会影响已学习成功的网络,而且要求刻画每个输入样本的特征数目也必须相同。

由于经典的BP神经存在上述问题,专家、学者有研究了多种基于神经网络的信息系统风险评估法模型。

3.5 其他基于神经网络信息系统安全风险评估模型

3.5.1 模糊神经网络模型

模糊神经网络是模糊理论与神经网络相结合的产物。第一种类型是神经网络的神经元不仅具有普通神经元的功能,同时它又能反映神经元的模糊性质,具有模糊信息处理能力。虽然,此类型网络结构与算法比较复杂,但是计算推理更为严谨。第二种类型是将模糊概念与神经网络结合,它是将神经元输入引入模糊隶属度的概念,并且其神经元仍然保留原有形态和特性,输出层代表风险值的大小。由于这类模糊神经网络构造及算法相对比较简单,因此在信息系统安全风险评估中经常使用[15,16]。基于模糊神经网络的信息系统安全风险评估法减少了人为因素的干扰,评价更加客观。

3.5.2 小波神经网络模型和模糊-小波神经网络模型

小波神经网络主要思想是将小波与BP神经网络相融合[10]。基于小波神经网络对信息系统进行风险级别的评估模型采用单隐含层的小波神经网络模型,将神经网络的输入表示为特征量即风险因素的各个评价指标经量化和一致性处理后的量化值,经过小波神经网络的学习算法,网络的输出特征量为风险因素的风险级别。小波神经网络的变换函数采用Morlet小波基函数,隐含层单元数在训练过程中确定[17]。

小波神经网络与经典BP神经网络相比具有明显的优点:首先,将小波理论应用在网络结构设计上,避免了BP网络设计的盲目性;其次,小波神经网络有更强的学习能力,逼近速度快;第三,实践证明对于同样的学习任务,小波神经网络收敛速度快[17];第四,学习过程中避免了BP神经网络容易出现的“锯齿形现象”、麻痹现象、等缺点。

解决某类系统风险评估问题时,可以采用多种神经网络模型进行比较研究,通过对比神经网络系统的鲁棒性、自修复能力和收敛性等特性,选取最适合的神经网络模型进行某类信息系统安全风险评估。

3.6 结论

基于神经网络的风险评估法模型多种多样,它们共同的特性是要求有一定数量的、具有代表性的数据样本,但是,信息系统评估样本的获取有一定难度,因此制约了它的应用。

神经网络结构的选择尚无一种统一而完整的理论指导,一般只能由经验选定,而网络的结构直接影响网络的逼近能力及推广性质。因此,应用中如何选择合适的网络结构是一个重要的问题。

4 结束语

层次分析、模糊综合评价和基于神经网络的三种定量风险评估方法都可以用软件MATLAB实现,所以它们的可操作和可行性都很好。

层次分析法要求评估者具备相关知识和经验,主观随意性较强,而且量化过程中容易使数据过于简单化,不易清晰表示大型复杂系统的原有特性,所以这种方法适用于小型、新型,缺乏历史数据的信息系统安全的风险评估;模糊综合评价法适用于评价指标体系比较完善的信息系统风险的风险评估,也适用于大型信息系统中对数据库、网络安全等技术性比较强的综合评估、动态评估;小波神经网络的风险评估方法比较客观,但是要求大量的、完善的安全数据,而历史数据获取较难,制约着该评估方法的精准性和有效性,所以适合系统运行时间长,有可对比的历史数据的信息系统的风险评估。

对于大型信息系统风险的评估也可分项评估,每项使用不同的评估方法,将层次分析法、模糊综合评价法和小波神经网络法结合起来进行整体信息系统分析和评估,在它们之间取长补短,使得整体信息系统评估结果更真实、客观,增强整体信息系统风险识别能力和各风险因素的重要程度的辨别能力,进而针对问题根源制定风险预防措施和风险管理策略,达到规避风险、控制风险的目的,为信息系统安全运行提供保障。

定量评估技术系统 篇2

1 可靠性强化试验的概率评估

强化实验结果的统计特性与概率评估有着不可分割的联系。故障物理学是可靠性实验的主要理论依据, 它不仅能够对基础的产品进行分析, 还能够对一些金属试件进行实验。可靠性强化实验的统计方式主要针对一些具有缺陷性的产品进行性能开发, 在实验过程中, 评估人员可以对其应力强度进行检验, 如果产品出现了疲惫的状况, 它的寿命会相对降低, 我们可以从实验的标准系数对比中发现, 具有缺陷设备的系数一定高于原有数值。一般情况下, 疲惫性的产品系数是标准性数值的三倍, 系统会进行自动显示, 以提醒设计人员及时进行产品评估。而强化手段的应用是当前唯一的准确性方式, 它能够很快使零件的缺陷部位暴露出来, 使技术人员及时进行整合。但这种方式也会呈现出一定的弊端。例如:在实验的过程中, 无可避免的会将无缺陷的部位进行破坏。另外, 缺陷性产品的发展曲线与标准化不同, 在一定区域内, 产品的系数会出现失效的情况。简单来说, 我们无法从设备中观察到该构件的极限范围。产品是否存在故障与整体环境有着很大的关联性。为了使实验的可靠性提高, 设计人员应该利用振动仪器对场外环境进行测评, 以增加实验中的应力, 建立横纵坐标, 进行综合性评估。在横轴上, 我们可以以温度或是湿度为标准, 纵轴以产品系数为标准, 测试在具体环境下二者之间的关系。如果产品构件处于失效的状态, 在既定范围内很可能会出现数值的逆转, 特性曲线也会根据实际情况的不同而变化。

2 面向ARM的嵌入式系统的可靠性强化性实验定量分析评估

2.1 实验方法和过程

在实验的整体监督与分析过程中, 产品环境的测试是最首要问题。例如:车载是产品的主要实验环境, 嵌入式系统的测评方式主要是对湿度进行检验。由于许多产品构件的故障都是因环境湿度过大引起的, 所以具体应力的表现是在振动中连续性前进。针对这种情况, 实验者一般要用扳机印刷样品进行检查。实际的数据如下所示:样本指数为A, 厚度为N。A与N之间成正比关系。在同一生产工艺过程当中, 设计人员可以对样本的材质进行调整, 进行牢固性的双面贴片。为了使实验过程更加流畅, 设计人员可以增加监视机的数量, 将两台PC装置进行连接。如图1所示, 该图是基于ARM的嵌入式系统的强化评估结构图。我们可以从中看出, 实验过程是以时段性数据为标准, 将其进行分段提取的一种重要方式。提取的内容甚至包括产品生产的具体时间与分秒性记录。在分段整合后, 系统会对数据进行处理、储存以及显示, 以达到更加精准评估的目的。

2.2 定量评估模式

在定量评估中, 最重要的就是机器的时刻性监督系统。基于ARM的嵌入式定量实验过程以PC机器作为测试设备。两台PC机器分别有不同的作用, 一台用于对实验环境进行定位, 对数据进行统计。嵌入式系统会进行自动化指令接受, 将信息反馈给实验中心。如果在设备的流经过程中出现验证性错误, 系统会将数据按照原有路径返回, 还可以根据需要存储的内容进行修改。而另外一台PC机器则是负责将设备的网络接口与监测实验器进行相连, 将通信装置划分为几个不同的模块, 根据系统内核中所显示的内容进行整合。在实验过程中, 每个用量都有相关的等级性, 设备与被测系统会根据等级的不同而实现网络测试的应用过程。网络测试器则会根据系统的指令进行模式化调用。在实验规程中发现, 等级越高, 定量性测试的结果越精准, 系统会根据内核的涵盖内容进行解压, 根据GPS模拟器中所显示的内容进行整体观测。而如果产品的等级过低, 虽然样本都能实现正常工作, 但工作的时间就会不定期的延长, 会破坏产品的整体可靠性。

3 结论

综上所述, 本文根据可靠性实验的概率评估方式对应力强度模型进行具体化的论述, 对产品的外部环境进行了整体性分析, 给出了一个概率的大致定向坐标。另外, 基于ARM的嵌入式研究也说明了振动环境下强化实验的基本标准。为了验证这一理论, 本文对定量评估模式进行了研究, 以车载模型为样本, 提出了可靠性的相关依据。另外, 在该实验方法与过程的论述当中, 数据也起到了关键性的作用, 为定量评估方式的扩展奠定了有效性基础。

摘要：随着科学技术的不断发展, 产品的可靠性强化定量分析已经成为了当前必不可少的一部分内容, 它可以通过计算产品的各方面性能对其质量进行评估, 是新型的集约化系统手段。产品评估方式在很久以前就有出现, 但评估的手段不是非常科学, 技术性不强, 集约化程度不高, 并没有为产品的全面性分析做出相应的贡献。而ARM的嵌入方式实现了可靠性标准, 强化了试验的目的。所以, 本文针对试验评估的特性, 对产品的可靠性定量进行分析。

关键词：ARM,嵌入系统,可靠性,强化试验,定量分析

参考文献

[1]李驹光, 聂雪媛, 江泽明, 等.ARM应用系统开发详解——基于S3C4510B的系统设计[M].北京:清华大学出版社, 2014, 53-56.

[2]曾声奎, 赵廷第, 张建国, 等.系统可靠性设计分析教程[M].北京:北京航空航天大学出版社, 2011, 20-26.

[3]李澎, 吴云洁.基于ARM的嵌入式系统的设计及在转台控制系统中的应用.仪器仪表用户, 2013, 11-12.

定量评估技术系统 篇3

1 超声造影技术对CAS斑块稳定性的诊断价值

1.1超声造影技术评估CAS斑块稳定性的原理

近年研究发现斑块内微血管增生的程度与斑块出血、破裂及炎细胞浸润程度相关,也发现斑块内新生血管的形成及其程度与斑块破裂、发生心血管事件相关。Partovi等[2]研究表明,斑块内新生血管在颈动脉斑块形成之前即脂纹形成期就已发生,其在斑块形成、发展、破裂过程中均起关键性作用。因此,斑块内新生血管的形成可作为评价斑块稳定性的一个重要标志[3]。斑块新生血管大多起源于外膜滋养血管网,由外向内生长,炎性细胞因子常分布在斑块脂质核心周边及纤维帽的部位,故这些部位相对有较多的新生血管,除此之外,因斑块近心端受血流的切应力较明显,故该处易于产生新生血管。大多斑块在超声造影过程中表现为造影剂的充盈方向是从管壁外膜向斑块内部,呈点状及短线状增强,部分伴有从颈动脉管腔向斑块内的增强[4,5]。少数表现为造影剂单纯从颈动脉管腔向斑块内增强。同时,软斑块与混合斑块周边增强明显高于硬斑块,特别是在斑块的管腔面较清晰地显示了增强。

1.2 CAS斑块造影增强情况与病理学的关系

微血管密度(MVD)可作为评价超声造影检测颈动脉斑块新生血管丰富程度的可靠病理学指标。研究表明[6,7],斑块的造影增强度与斑块的MVD密切相关,超声造影能够很好地反应颈动脉斑块的新生血管组织学密度,而且特异性较好。但由于所有研究均建立在二维超声造影成像基础上,而相应的病理学检查却不局限于相同的空间定位,故研究仍存在一定的误差,还有待于进一步研究。宁彬等[8]研究颈动脉超声造影显示的新生血管情况与病理对照分析,发现超声造影可以用于评价新生血管的分布情况,且斑块不稳定往往会表现为近内膜处出现新生血管。

2 超声造影评价颈动脉斑块稳定性与临床相关疾病的关系

2. 1 CAS斑块造影增强情况与脑血管疾病的关系

颈动脉斑块与脑血管疾病的发生是密切相关的。其机制包括如下两个方面: ①动脉严重狭窄引起的低灌注;②斑块破裂脱落导致脑栓塞。研究表明[9],斑块破裂脱落致栓塞是更常见的机制,其中颈动脉颅外段不稳定斑块破裂是引起急性脑梗死的重要原因[10]。因此,颈动脉斑块稳定性的评估对脑血管病风险评估显得尤为重要。Huang等[9]研究显示,与非脑梗死病人相比,脑梗死病人组超声造影增强的颈动脉粥样硬化斑块比率更高,斑块内新生血管数量更多,增强水平也更高。孙晓峰等[11]临床研究发现微栓子检测以超声造影为2级和3 级的阳性检出率最高,为不稳定斑块,且经头CT、头MRI的回顾性分析提示这类病人多数可见新鲜的梗死灶,差异具有统计学意义。信天游等[12]研究显示,有脑缺血症状的病人软斑数、造影后EI及ratio高于无症状组。超声造影技术是通过对颈动脉斑块稳定性的评估而对脑血管疾病风险进行评估,可动态反映斑块内新生血管的情况,进而对脑血管疾病防治及相关手术时机的选择提供重要的依据。

2. 2 CAS斑块造影增强情况与心血管疾病的关系

颈动脉粥样硬化斑块与冠状动脉粥样硬化斑块有相同的病理生理基础。故对于颈动脉粥样斑块的检测常常被作为评估冠状动脉斑块的间接手段。朱英等[13]进行超声造影对颈动脉斑块新生血管密度与冠状动脉粥样硬化性心脏病相关性的评价。研究表明急性冠脉综合征病人软斑的例数、斑块增强强度比值及与颈动脉管腔内增强强度比值均显著高于稳定性心绞痛组。超声造影检查能无创性检测动脉斑块内新生血管密度,说明新生血管密度与冠心病病人临床症状之间有密切的联系。

3 超声造影技术与其他相关影像技术对CAS斑块稳定性评价的比较

3.1超声造影技术与其他超声技术对CAS斑块稳定性评价的比较

常规超声:常规超声主要通过评价斑块的形态,回声特点等来判断斑块的易损性,一般认为低回声的斑块具有脂质丰富、斑块内出血等不稳定的特性,在临床上是较为常用的粗略判断颈动脉斑块稳定性的手段,但因其结果的主观性强,因而其对斑块危险性的评估广受争议。然而,不可否认的是临床超声造影的结果往往提示低回声斑块的危险性高。研究发现斑块回声越低超声造影增强越明显[14,15]。斑块回声越低,超声造影定量分析增强越显著,呈线性相关。这与之前的研究结果是一致的[16]。Fleiner等[17]研究显示低回声斑块的增强显示率高达65.38%。

剪切波超声成像: 剪切波超声成像可反映颈动脉管壁及斑块的形态学和弹性特征,故可应用于斑块稳定性的检测。王艳红等[18]研究显示不均质斑块组的平均、最小及最大杨氏模量值均明显低于均质斑块组,不均质斑块组的杨氏模量SD值高于均质斑块组,提示不均质斑块内成分复杂多变,提示斑块的不稳定性。汤琳[19]研究发现高频超声内-中膜弹性成像的阳性检出率要高于普通高频超声,阳性指标主要表现在弹性应变值和应变率上。

3.2超声造影技术与PET/CT对CAS斑块稳定性评价的比较

斑块的不稳定性与病理性新生血管及炎症反应两个因素密切相关[20]。PET/CT的检查可评价颈动脉硬化斑块内巨噬细胞炎症活性,为炎症代谢方面提供了信息,若与可反应斑块新生血管的超声造影检查相联合可提供斑块代谢、血流情况、形态等多方面的信息,大大提高了不稳定斑块的检查准确率及灵敏度,这将是未来斑块稳定性检查的发展方向。李娟等[21]研究发现,软斑+混合斑组SUVmean值较硬斑+钙化斑组增高,但未达到统计学意义,这与试验过程中的用药干扰及PET/CT对粥样硬化斑块检测缺乏统一标准有关,仍需要大样本的研究结果支持。

4 问题与展望

超声造影作为新兴的检测颈动脉硬化斑块稳定性的技术,仍有一些问题需要克服[22]。如在超声造影中选择切面进行观察的过程中会存在一定的偏差; 对于斑块增强特点的观察需要肉眼,故会掺杂过多的主观性; 使用机器的不同也会对结果产生偏差。