肺癌影像學(xué)的人工智能研究
作者：早上好，王世偉，徐茂生，浙江醫(yī)科大學(xué)附屬第一醫(yī)院
肺癌是最常見的惡性腫瘤之一。根據(jù)美國癌癥協(xié)會2020年1月發(fā)布的數(shù)據(jù)，肺癌的發(fā)病率和死亡率在惡性腫瘤中排名第一。早期診斷和治療可以有效提高患者的生存率。 CT是肺癌篩查和臨床診斷中最常用的方法，在肺癌的早期發(fā)現(xiàn)和后續(xù)治療中起著非常重要的作用。隨著低劑量CT肺部篩查技術(shù)的日益普及，檢測到越來越多的肺結(jié)節(jié)，放射科醫(yī)生面臨許多挑戰(zhàn)，例如工作量增加，人力不足和診斷要求增加。近年來，隨著計(jì)算機(jī)技術(shù)的發(fā)展和進(jìn)步，人工智能技術(shù)引起了廣泛的關(guān)注。使用人工智能技術(shù)來幫助放射科醫(yī)生解決這些挑戰(zhàn)已成為一種趨勢。本文總結(jié)了人工智能技術(shù)的介紹和肺癌成像的人工智能研究應(yīng)用。
1.人工智能技術(shù)簡介
人工智能，也稱為機(jī)器智能，是指由人類制造的機(jī)器所表現(xiàn)出的智能。它通常指的是通過普通計(jì)算機(jī)程序?qū)崿F(xiàn)的人工智能技術(shù)，例如人工神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)和卷積神經(jīng)網(wǎng)絡(luò)。代表。人工智能是一種新興的革命性新技術(shù)。它結(jié)合了醫(yī)學(xué)影像學(xué)和回顧性機(jī)器學(xué)習(xí)訓(xùn)練，并結(jié)合了大量病例，以達(dá)到診斷和預(yù)測疾病的目的。
在臨床實(shí)踐領(lǐng)域，人工智能是對各種醫(yī)學(xué)圖像的診斷和預(yù)測分析，包括視網(wǎng)膜和皮膚病變的照片，病理顯微鏡圖像和放射圖像，可提高診斷速度，準(zhǔn)確性和報(bào)告質(zhì)量。影像醫(yī)學(xué)的綜合功效。人工智能包括機(jī)器學(xué)習(xí)，而深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)中的一項(xiàng)先進(jìn)技術(shù)，目前是肺癌成像研究中最常用的方法。深度學(xué)習(xí)由多個(gè)工作層組成，例如視覺皮層，工作流程從初始層到最高層。人工智能使用的深度學(xué)習(xí)技術(shù)可以不斷提高模型的性能，以更好地滿足實(shí)際需求。它已被廣泛用于研究。
光化學(xué)組學(xué)主要通過高通量提取醫(yī)學(xué)圖像的特征，并使用處理后的特征建立診斷和預(yù)測臨床疾病的模型。該過程主要包括圖像采集，病變描繪，特征提取，特征選擇和機(jī)器建模。深度學(xué)習(xí)模型是一種不斷學(xué)習(xí)和改進(jìn)的人工智能方法。相反，一旦建立了光化學(xué)模型，就不會自動修改參數(shù)，也就沒有獨(dú)立學(xué)習(xí)的能力。因此，圖像組學(xué)不是純粹的人工智能方法，而是人工智能技術(shù)和統(tǒng)計(jì)分析的綜合運(yùn)用。研究對象的樣本量不如機(jī)器學(xué)習(xí)和深度學(xué)習(xí)那么高。根據(jù)最近的文獻(xiàn)報(bào)道，它已被廣泛用于影像醫(yī)學(xué)和核醫(yī)學(xué)。
2.人工智能在肺癌成像中的應(yīng)用
由于肺癌的高發(fā)病率和高死亡率，它一直是基礎(chǔ)和臨床研究的熱點(diǎn)。近年來，人工智能技術(shù)發(fā)展迅速，其對肺癌的研究非常廣泛，包括病因分析，各種診斷（如活檢優(yōu)化，組織病理學(xué)，遺傳分類等），預(yù)后評估和治療方案優(yōu)化等。 。，主要側(cè)重于肺部病變的檢測。
2. 1個(gè)檢測
使用人工智能技術(shù)可以提高肺癌的檢測效率，并加強(qiáng)對肺結(jié)節(jié)患者的管理。 SIM等多中心研究表明，結(jié)合深層卷積神經(jīng)網(wǎng)絡(luò)，放射科醫(yī)生對胸部X射線圖像的敏感性從65.1％提高到70.3％，每幅圖像的假陽性率0.20降至0.18。 LIU等人的研究。使用卷積神經(jīng)網(wǎng)絡(luò)建立深度學(xué)習(xí)模型，對12754例CT掃描圖像進(jìn)行全自動檢測，無論是大小和位置不同的實(shí)性結(jié)節(jié)還是亞實(shí)性結(jié)節(jié)，自動檢測模型的檢測靈敏度均高于的2名放射線醫(yī)師，模型的總陽性率為70.1％，高于2名放射線醫(yī)師（39.4％和56.6％）的放射線陽性率，誤報(bào)（48.4％）。
HAWKINS等人的研究探索了基線低劑量CT圖像通過成像組學(xué)分析檢測和預(yù)測隨后的肺結(jié)節(jié)癌變的能力。該研究使用了來自美國國家肺癌篩查測試的數(shù)據(jù)來檢測肺結(jié)節(jié)并通過隨機(jī)森林。該分類器具有23種穩(wěn)定特征，并且已建立的預(yù)測1年和2年內(nèi)肺癌結(jié)節(jié)模型的準(zhǔn)確率分別為80％和79％， （AUC分別是0.83和0.75）。
2. 2診斷
盡管傳統(tǒng)的影像學(xué)特征在識別肺癌的病理類型和基因突變方面取得了進(jìn)展，但仍然存在重大挑戰(zhàn)。借助諸如圖像組學(xué)和深度學(xué)習(xí)之類的人工智能方法，可以提取肉眼無法識別的圖像信息特征，并且在識別肺癌的病理類型和基因突變方面具有良好的性能。 Wang等?；仡櫺苑治隽擞跋駥W(xué)組學(xué)技術(shù)在區(qū)分良性和惡性肺結(jié)節(jié)方面的預(yù)測能力。該研究在國際開放數(shù)據(jù)庫-肺成像數(shù)據(jù)庫聯(lián)盟和圖像數(shù)據(jù)資源計(jì)劃中獲得了593例肺腫瘤患者的CT圖像。 ，定量分析和提取150種成像組學(xué)特征，經(jīng)過數(shù)據(jù)處理和支持向量機(jī)建模，最終獲得實(shí)驗(yàn)組和驗(yàn)證組的敏感性，特異性，準(zhǔn)確率分別為8 2. 5％，89.5％， 86.0％和74.6％，78.9％，76.1％。 CHAE等。根據(jù)影像學(xué)特征，回顧性分析了58例浸潤性肺腺癌（包括7例微浸潤性腺癌）和28例浸潤前病變（4例非典型腺瘤性增生，24例原位腺癌）。由平均CT值，CT值的標(biāo)準(zhǔn)偏差，質(zhì)量，峰度和熵值建立的人工神經(jīng)網(wǎng)絡(luò)模型可以區(qū)分浸潤性和浸潤性病變的AUC0.981。
GAO等人的研究。結(jié)果表明，CT普通掃描圖像的成像組學(xué)紋理特征識別顯示出毛玻璃樣結(jié)節(jié)浸潤性肺腺癌。 AUC為0.890，增強(qiáng)掃描的AUC（AUC為0.868）具有很高的值，并且兩者之間的差異沒有統(tǒng)計(jì)學(xué)意義（P =0.1897））。 ROIS等使用影像學(xué)組學(xué)技術(shù)來鑒定陽性的生長因子受體（epidermalgrowthreceptor，EGFR）。對于陰性病例，應(yīng)結(jié)合影像學(xué)組學(xué)特征（AUC =0.69）和EGFR相關(guān)的臨床特征（AUC =0.70）），組合模型AUC達(dá)到0.75，并且圖像Omics技術(shù)可以區(qū)分EGFR陽性和KRAS陽性腫瘤患者（AUC為0.80）。
2. 3個(gè)預(yù)測
人工智能技術(shù)不僅在肺癌的檢測和診斷方面有更多的研究和應(yīng)用，而且在預(yù)測肺癌患者的預(yù)后和生存以及對放射療法和免疫療法的反應(yīng)方面取得了很大的進(jìn)展。宋等。回顧性分析非小細(xì)胞肺癌（nonsmallcelllungcancer，NSCLC）IV期患者（1032）的EGFR突變肺癌的CT影像學(xué)特征，并建模和預(yù)測了接受EGFR-TKI治療的這些患者的無進(jìn)展生存期。結(jié)果表明，與臨床病理特征模型相比，組合影像學(xué)組學(xué)的集成模型可以顯著提高臨床獲益（P ＜0.0001）。黃等人回顧性分析282例早期（ⅠA?ⅡB） ）使用影像學(xué)組學(xué)特征。）NSCLC患者的無病生存期（DFS）顯示影像學(xué)組學(xué)特征與DFS顯著相關(guān)，這是獨(dú)立于臨床病理危險(xiǎn)因素的重要預(yù)測因子，而諾模圖C指數(shù)預(yù)測DFS為0.72（95％CI0.71?0.73），高于臨床病理危險(xiǎn)因素C指數(shù)0.69（95％CI0.68?0.70） （P ＜0.0001）。
PYKA等?；仡櫺苑治?5例NSCLC患者的立體定向放射治療數(shù)據(jù)，提取PET / CT圖像數(shù)據(jù)，研究立體定向放射治療與局部復(fù)發(fā)和生存之間的相關(guān)性。結(jié)果表明，熵和相關(guān)性在NSCLC患者的T1期（腫瘤直徑≤3cm）和T2期（腫瘤直徑> 3cm）與局部腫瘤復(fù)發(fā)有關(guān)。 AUC是0.801和0.776，在多元回歸分析中，熵值被認(rèn)為是疾病相關(guān)生存率的獨(dú)立預(yù)測因子（HR =7.48，P =0.016）。
3.人工智能在肺癌影像學(xué)研究中的局限性和挑戰(zhàn)
盡管關(guān)于肺癌影像人工智能的研究取得了一定的成果，但仍處于發(fā)展初期。因此，有必要認(rèn)識到其研究和應(yīng)用的局限性以及面臨的挑戰(zhàn)：
①樣本量問題，大多數(shù)研究是基于單個(gè)中心進(jìn)行的，病例數(shù)較少，可能導(dǎo)致結(jié)果偏倚。病例的相對缺乏也導(dǎo)致大多數(shù)研究采用成像組學(xué)方法，而不是更智能的深度學(xué)習(xí)或機(jī)器學(xué)習(xí)方法。因此，有必要建立一個(gè)多中心智能檢具，大樣本的數(shù)據(jù)庫，對與人工智能有關(guān)的肺癌進(jìn)行研究，以獲得更加客觀，科學(xué)的研究成果。
②描述或標(biāo)記問題。由于技術(shù)原因，在許多情況下，無法自動劃定或標(biāo)記肺癌病變智能檢具，而手工劃定，半自動劃定或標(biāo)記會引起可重復(fù)性問題。由于當(dāng)前沒有大量樣本可以支持深度學(xué)習(xí)訓(xùn)練來自動繪制或標(biāo)記模型，因此自動繪制或標(biāo)記軟件尚未得到廣泛使用。隨著計(jì)算機(jī)技術(shù)的發(fā)展和多中心大樣本數(shù)據(jù)庫的建立，自動描繪或標(biāo)記技術(shù)將得到廣泛驗(yàn)證。
③模型的標(biāo)準(zhǔn)化和標(biāo)準(zhǔn)化尚處于發(fā)展初期。各種模型和軟件具有其自身的特征和特性，并且缺乏標(biāo)準(zhǔn)。標(biāo)準(zhǔn)化和統(tǒng)一是困難的，這將導(dǎo)致研究結(jié)果的可重復(fù)性和可比性。問題。因此，相關(guān)研究團(tuán)隊(duì)需要盡快合作，建立統(tǒng)一的標(biāo)準(zhǔn)特征計(jì)算技術(shù)和方法，有利于成像特征的研究和深度學(xué)習(xí)，機(jī)器學(xué)習(xí)等高質(zhì)量模型的構(gòu)建，從而進(jìn)一步實(shí)現(xiàn)對目標(biāo)疾病的有效，準(zhǔn)確的診斷和預(yù)測。
4.摘要
肺癌成像常用的人工智能研究方法是基于機(jī)器學(xué)習(xí)技術(shù)和相關(guān)成像組學(xué)方法開發(fā)的深度學(xué)習(xí)。人工智能在腫瘤檢測，高效診斷和療效預(yù)測中具有很高的價(jià)值，但它仍處于開發(fā)的早期階段，具有小樣本量，手動或半自動焦點(diǎn)描繪和標(biāo)記以及特征或模型計(jì)算方法由于缺乏標(biāo)準(zhǔn)，規(guī)范等局限性，肺癌影像學(xué)研究需要進(jìn)一步深入。
資料來源：高晨，王世偉，徐茂勝。肺癌影像學(xué)的人工智能研究[J]。中國中西醫(yī)結(jié)合影像學(xué)，2020,18（03)：219-22 3.
