人工智能在鼻咽癌影像中的研究進展

謝東 李印 金觀橋

鼻咽癌（nasopharyngeal carcinoma，NPC）是我國常見的頭頸部惡性腫瘤，高發(fā)于我國南方地區(qū)，其中廣東、廣西發(fā)病率最高。NPC發(fā)病位置隱匿，早期無明顯臨床癥狀，放射治療以及放化療聯(lián)合治療是主要的治療手段，但首程治療失敗率達24.0%～29.5%［1］。近年來隨著醫(yī)學影像技術的迅速發(fā)展及其在組織結(jié)構(gòu)及功能代謝方面的獨特優(yōu)勢，影像學檢查在NPC術前診斷、臨床分期、術后評估中發(fā)揮了重要作用［2-3］。醫(yī)學影像主要由放射科醫(yī)師和臨床醫(yī)師等判讀，但在臨床工作中醫(yī)學圖像復雜且數(shù)量龐大，判讀結(jié)果可能因醫(yī)師本身的主觀性、經(jīng)驗上的差異和疲勞等問題受影響。人工智能（artificial intelligence，AI）的出現(xiàn)恰逢其時，目前在醫(yī)學影像學中也有著廣泛的應用，其強大的運算和數(shù)據(jù)處理能力提高了影像數(shù)據(jù)的處理效率和診斷準確率，具有為NPC患者提供更加精準醫(yī)療服務的巨大潛力［4］。本文就AI在NPC影像中的應用作一綜述。

1 醫(yī)學影像AI

AI是經(jīng)研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學。AI發(fā)展至今，技術上不斷取得突破，近年來也在醫(yī)學領域中應用，而醫(yī)學影像成為主要應用的方向之一，“AI+醫(yī)學影像”成為一種全新的領域，且有著非常廣闊的前景［5-6］。機器學習是實現(xiàn)AI的方法和核心，傳統(tǒng)的機器學習算法主要包括K最近鄰算法（K-nearest neighbor，KNN）、支持向量機（supportvector machine，SVM）、樸素貝葉斯分類器（na?ve bayesian model，NBM）和馬爾可夫隨機場（Markov random field，MRF）等。但是這些算法均依賴于人工輸入，具有對應的人為標定的淺層特征［7］，工作量繁重而復雜。深度學習是一種機器學習的實現(xiàn)技術。目前，大多數(shù)深度學習算法基于人工神經(jīng)網(wǎng)絡（artificial neural network，ANN）進行計算機分析處理。而ANN是受生物神經(jīng)元的生物學特性啟發(fā)而研發(fā)出的模型，包括輸入層、輸出層及中間的隱藏層三層［7］。在圖像處理領域中，最流行的深度學習算法是卷積神經(jīng)網(wǎng)絡（convolutional neural networks，CNN），它是ANN 的子類［8-9］。典型的CNN結(jié)構(gòu)由卷積層、池化層、非線性層和全連接層組成，使其能夠自動學習圖像的深層特征。研究報道CNN的圖像處理識別能力出色，在醫(yī)學圖像處理領域中應用最廣泛［10-11］。其中，深度學習按學習形式分類又可分為有監(jiān)督學習和無監(jiān)督學習。而研究較多的深度學習形式是無監(jiān)督學習，即計算機能通過原始數(shù)據(jù)直接提取特征，省去人為設計特征的步驟，為圖像、視頻、音頻等數(shù)據(jù)的處理帶來了新的突破，而且相對于傳統(tǒng)機器學習算法，深度學習算法可自動提取的特征維度更高、更抽象，更適合計算機分析處理醫(yī)學圖像數(shù)據(jù)［12］。

目前，在眾多鼻咽癌影像檢查技術和診斷中，影像組學成為了醫(yī)學影像與AI的完美融合典范。影像組學是指從影像（CT、MRI、PET等）中高通量地提取大量影像信息，實現(xiàn)腫瘤分割、特征提取與模型建立，憑借對海量影像數(shù)據(jù)信息進行更深層次的挖掘、預測和分析，從而輔助醫(yī)師作出最準確的診斷。該方法是利用AI從龐大的醫(yī)學圖像集中提取高通量特征，經(jīng)過不斷研究和完善，影像組學已經(jīng)可以提取并分析大量醫(yī)學圖像數(shù)據(jù)，從而為臨床診斷提供支持，在腫瘤診斷、預后分析和療效預測等方面表現(xiàn)出巨大潛力，而基于機器學習的放射組學也已成為當前AI在鼻咽癌影像診斷的熱門研究領域之一［13-15］。

2 AI在NPC影像診斷中的輔助診斷

目前臨床上NPC的診斷主要依靠CT、MRI、PET/CT等影像學檢查，但醫(yī)師的經(jīng)驗及主觀性均可能影響診斷的準確性［16-17］。既往研究顯示AI的應用有效克服了這一難題，在NPC影像輔助診斷中具有較高的準確性。李騰翔等［18］利用影像組學回顧性分析了41例初診鼻咽癌患者CT圖像，每組CT圖像包含平掃、動脈期、靜脈期3個時相，提取了4組共55個紋理特征，結(jié)果發(fā)現(xiàn)其中的10個特征可預測大體腫瘤靶區(qū)（GTV滿足AUC≥0.9），證實CT影像組學可以動態(tài)、準確區(qū)別鼻咽癌腫瘤與正常組織的細微差異，為鼻咽癌的精確診療提供參考。ZHUO等［19］利用基于SVM的影像組學回顧性分析了658例非轉(zhuǎn)移性NPC患者影像資料，從T1WI、T2WI和T1WI增強MRI中提取4 863個腫瘤區(qū)域的放射學特征應用于鼻咽癌分期，發(fā)現(xiàn)放射組學的分期結(jié)果較TNM分期更穩(wěn)定。DU等［20］納入76例鼻咽癌放療患者（經(jīng)病理證實局部復發(fā)41例，炎癥35例），從PET圖像中提取每例患者487個放射組學特征，然后對來自6種特征選擇方法和7種分類器的42個交叉組合的診斷性能進行分析，且在原始隊列中，70%用于特征選擇和分類器開發(fā)，其余30%作為獨立的驗證集，通過AUC、測試誤差、靈敏度和特異度評估診斷性能，結(jié)果發(fā)現(xiàn)基于機器學習的影像組學能提高鑒別鼻咽癌治療后局部復發(fā)與炎癥的準確性。WU等［21］利用基于SVM的計算機輔助診斷系統(tǒng)（computer-aided diagnosis，CAD）提取了10例NPC患者的25次PET/CT檢查圖像的紋理特征，經(jīng)過分析得出該系統(tǒng)成功識別了所有53個＞1 cm的高代謝病變，并排除了褐色脂肪、肌肉、骨髓、大腦和唾液腺的正常生理攝取，同樣提高了診斷和鑒別診斷的能力。雖然，AI在鼻咽癌影像診斷的輔助診斷的實際應用中存在一些問題，但影像組學能深入挖掘圖像微觀表現(xiàn)和抽象特征表現(xiàn)的能力使之在輔助診斷的研究中具有巨大的潛力。

3 AI在NPC影像診斷中的療效評估

放療及放化療聯(lián)合是NPC的主要治療方法，及時有效地評估治療方案的療效對提高生存率至關重要，而AI在NPC療效預測中也顯示較好的應用價值。FARHIDZADEH等［22］利用基于SVM的放射組學從25例NPC患者MRI的增強T1WI圖像中提取了288個組織學影像學特征，結(jié)果發(fā)現(xiàn)放射組學可較好地量化腫瘤區(qū)域內(nèi)的紋理異質(zhì)性，對鼻咽癌療效具有更穩(wěn)定的預測能力，其中在增強度高的腫瘤區(qū)域中準確率為80%（AUC=0.60），在增強度低的腫瘤區(qū)域中準確率為76%（AUC=0.76）。LIU 等［23］利用 KNN 和 ANN 算法在 53 例 NPC 患者 MRI的 T1WI、T2WI、DWI、增強T1WI圖像中提取紋理特征用于療效預測，結(jié)果同樣發(fā)現(xiàn)基于T1W、T2W和DWI的導出紋理分析結(jié)合機器的監(jiān)督學習算法是療效預測的新工具，這些指標也可作為評估NPC對放化療反應的指標。ZHANG等［24］招募了110例晚期NPC患者，從每個患者的MRI圖像中總共提取了970個放射特征，評估了6種特征選擇方法和9種分類方法，發(fā)現(xiàn)隨機森林（random forest，RF）的 AUC 為（0.846 4±0.006 9）；測試誤差為（0.313 5±0.008 8），認為這種機器學習方法具有較高的預測性能，可以在MRI圖像上實現(xiàn)NPC療效預測。此外，通過影像組學高通量數(shù)據(jù)可以獲得鼻咽癌的全部遺傳學及微環(huán)境信息，通過AI技術各種參數(shù)自動生成全息靶區(qū)，將腫瘤和正常組織的各種生物學信息通過三維的方式呈現(xiàn)出來，避免了人工勾畫靶區(qū)帶來的不確定性，從而達到精準決策的目的［25-26］。可見，AI在NPC療效預測中顯示了較好的前景，有望在制定更精準的治療方案中發(fā)揮作用，從而使患者最大獲益。

4 AI在NPC影像診斷中的預后預測

遠處轉(zhuǎn)移是NPC治療失敗的主要原因之一，科學地預測NPC遠處轉(zhuǎn)移的風險并在出現(xiàn)轉(zhuǎn)移前及時地制定個體化精準治療，是改善NPC治療效果和患者獲得長期生存的關鍵。RAGHAVAN等［27］對58例NPC患者進行了回顧性分析，從治療前MRI中提取42個圖像紋理特征，采用多因素logistic回歸對紋理特征進行建模，采用Cox比例模型預測最終模型的復發(fā)情況，發(fā)現(xiàn)MRI圖像中的紋理特征是鼻咽癌復發(fā)的獨立預測因素。ZHANG等［28］將140例NPC患者隨機分為訓練隊列（n=80）和驗證隊列（n=60），從患者MRI的T2WI和增強T1WI圖像中共提取970個放射學特征，采用單因素和多因素分析選擇與局部復發(fā)相關的放射學特征，用多因素分析建立放射學列線圖，同樣證實基于MRI的放射組學可作為評估NPC局部復發(fā)的輔助工具，同時還針對患者特征開發(fā)了個性化治療方法。CUI等［29］收集了792例鼻咽癌患者的MRI圖像資料，采用自動機器算法分析總生存期、遠處無轉(zhuǎn)移生存期和局部無復發(fā)生存期，結(jié)果顯示機器學習評分系統(tǒng)的生存曲線差異有統(tǒng)計學意義（P＜0.05），而TNM和AJCC系統(tǒng)中的生存曲線差異無統(tǒng)計學意義（P=0.118，0.121），說明自動機器算法分析具有更好的預后預測性能及臨床應用潛力，可能有助于改善NPC患者的咨詢和個性化管理。而ZHANG［30］等回顧性分析176例NPC患者，將患者分為訓練組和驗證組，利用放射組學提取了2 780個MRI放射學特征，并建立了含有7個特征的模型，結(jié)果也證實該算法有助于區(qū)分高遠處轉(zhuǎn)移風險和低遠處轉(zhuǎn)移風險患者，從而改善治療決策，不失為一種有效的NPC遠處轉(zhuǎn)移預測可視化工具。AI有助于更加準確地預測鼻咽癌復發(fā)等情況，為鑒別鼻咽癌復發(fā)是否轉(zhuǎn)移提供一種新思路，也有利于初步輔助對原發(fā)灶淋巴結(jié)引流區(qū)不同區(qū)域施行不同處方劑量的個體化治療方法。

5 小結(jié)與展望

AI在醫(yī)學領域中應用最成熟的就是腫瘤影像，故在鼻咽癌早期預防、輔助診斷、療效評估和預后預測等方面發(fā)揮了重要作用，也被看作是未來智能醫(yī)療的重要組成部分。但是，AI在NPC影像中的應用還是存在諸多挑戰(zhàn)：⑴AI在鼻咽癌影像診斷應用總體上仍處于初步臨床應用階段，在腫瘤良惡性判斷、靶區(qū)精準勾畫和預后預測等方面的預測性能和臨床應用仍需進一步驗證；⑵雖然AI在鼻咽癌影像診斷中的應用屬于智能化的統(tǒng)計學模型，但機器學習數(shù)據(jù)來源往往帶有醫(yī)師的主觀性，也可能造成偏差；⑶AI在鼻咽癌影像診斷方面的研究主要為單中心或有限的開發(fā)數(shù)據(jù)集，因此會造成數(shù)據(jù)集偏倚，難以全面反映鼻咽癌的影像特征。此外，不同廠家提供的影像設備在層厚和圖像重建算法存在差異，圖像質(zhì)量的差異也可能影響AI模型的預測結(jié)果。但總而言之，雖然AI在影像醫(yī)學中的應用仍處于弱人工智能階段，但已經(jīng)顯示出了巨大的應用前景，相信在醫(yī)學影像領域?qū)＜覍W者的引領下，影像醫(yī)學的發(fā)展將到達一個全新的高度。