耿道穎
人工智能(artificial intelligence,AI)是一門研究計算機模擬人類思維過程與智能化行為的學科。近年來,AI被應用到臨床影像工作流程中,能夠進行可重復和準確的影像學評估,已廣泛應用于病灶檢測、病灶分割、腫瘤分型和療效預測等方面[1]。針對臨床工作中獲得的大量影像,可以利用AI技術(shù)來挖掘病灶的影像特征,這在輔助臨床決策的同時,也為醫(yī)學研究提供了豐富的資源。
有文獻[2]報道,我國醫(yī)學影像數(shù)據(jù)每年增長超過30%,但放射科醫(yī)師人數(shù)每年增長僅為4%,兩者的增長速度不匹配使得放射科醫(yī)師壓力加重,高強度的工作容易造成誤診、漏診。隨著AI技術(shù)的發(fā)展和影像數(shù)據(jù)的積累,利用AI算法挖掘影像數(shù)據(jù)中的影像特征,構(gòu)建并訓練輔助診斷模型,將有利于提高疾病的診斷效率及準確性[3]。
中樞神經(jīng)系統(tǒng)疾病嚴重危害人類健康,特別是中國“腦計劃”的提出,反映了全社會對中樞神經(jīng)系統(tǒng)疾病的早診、早治的迫切需求,其中醫(yī)學影像對中樞神經(jīng)系統(tǒng)疾病的診治尤為重要。本文通過介紹AI對中樞神經(jīng)系統(tǒng)常見疾病的診斷作用來評述AI在醫(yī)學影像診療中的研究進展。
腦血管疾病是由腦血管病變和血液循環(huán)障礙引起的一組腦功能障礙,該病分為缺血性和出血性。由于腦血管病起病多較急驟,發(fā)病率、致殘率和死亡率都很高,因此及時診斷有決定性的意義[4]。利用AI技術(shù)構(gòu)建的模型,不僅可以檢測、分割腦卒中的出血灶或梗死灶,還可以評估卒中的病情分級和預測轉(zhuǎn)歸,對腦卒中病人的診療發(fā)揮巨大作用,從而降低腦卒中發(fā)病率和死亡率[5-6]。近年,Ye等[7]采用三維卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)聯(lián)合遞歸神經(jīng)網(wǎng)絡(luò)的深度學習框架,通過對836例腦出血和1 000例正常對照的CT平掃影像,對腦實質(zhì)出血、破入腦室出血、硬膜下出血、硬膜外出血和蛛網(wǎng)膜下腔出血進行檢測,經(jīng)驗證,該算法診斷5種腦出血亞型的受試者操作特征曲線下面積(AUC)>0.80,證實該算法的性能總體上優(yōu)于尚未完成規(guī)培的初級醫(yī)師的診斷水平;Chen等[8]采用擴散加權(quán)成像(DWI)數(shù)據(jù)開發(fā)出一個基于深度學習的CNN框架,能夠?qū)WI上急性缺血性卒中病灶進行分割,并且該算法在大型臨床數(shù)據(jù)集上得到了驗證。該研究結(jié)果表明,對于缺血性卒中病灶,基于深度學習的AI算法具有比較高的檢出率;Zhao等[9]采用基于no-new-Net框架的深度學習方法,對自發(fā)性出血性腦卒中、腦室積血及血腫周圍的水腫進行自動分割和體積測量,結(jié)果表明AI模型不僅有助于精準定量評估出血性腦卒中,而且有助于預測其進展。
對于中樞神經(jīng)系統(tǒng)退行性疾病,目前AI主要應用于阿爾茨海默?。ˋlzheimer’s disease,AD)和帕金森?。≒arkinson’s disease,PD)的影像診斷。
2.1 AD AD是一種出現(xiàn)于老年人群的進行性發(fā)展的中樞神經(jīng)系統(tǒng)退行性疾病,目前全球范圍內(nèi)約有5 000萬例病人[10],并且隨著人口老齡化加劇,病患數(shù)量將繼續(xù)增加。傳統(tǒng)的AD診斷過于依賴病人臨床表現(xiàn)和醫(yī)生的主觀判斷,近年來,通過AI技術(shù)與臨床工作的結(jié)合,可提高AD的診斷效率。Jo等[11]開發(fā)了一個深度學習框架,結(jié)合3D CNN和LRP(l ayer-wise relevance propagatio n)算法,采用正電子發(fā)射計算機體層成像(PET)識別AD分類特征,結(jié)果表明基于3D CNN的分類模型在5折交叉驗證后平均準確度達到90.8%;Feng等[12]研究發(fā)現(xiàn),3DCNN-支持向量機(support vetor machines,SVM)在AD診斷分類方面具有很優(yōu)越的性能,且無需預先手動進行任何特征提取,明顯提高了AD的臨床診斷效率和準確性。
2.2 PD PD是一種以運動遲緩、肌肉僵硬、靜止性震顫、姿勢和步態(tài)損傷等為臨床特征的中樞神經(jīng)系統(tǒng)的退行性疾病[13]。目前全球范圍內(nèi)大約有6 100萬PD病人,且數(shù)量還在不斷增加[14],因此早期診斷PD并進行干預將有利于減緩病情進展并改善病人總體生活質(zhì)量。Papadopoulos等[15]通過構(gòu)建深度學習框架,分析預測驗證數(shù)據(jù)集內(nèi)的22例病人的震顫、精細運動損傷和PD情況,結(jié)果表明基于深度學習的AI技術(shù)可以作為PD早期篩查工具。Mohammed等[16]開發(fā)了一個基于CNN的網(wǎng)絡(luò)模型,采用2 723例單光子發(fā)射計算機體層成像(SPECT)影像來鑒別PD病人和健康對照者,并進行10折交叉驗證來評估模型的性能,其準確度高達99.34%。由此推斷,基于CNN的深度學習方法有望改變PD的診斷和管理模式。
中樞神經(jīng)系統(tǒng)腫瘤是死亡率、致殘率極高的疾病,特別是在兒童和青年中,分別占大約30%和20%的癌癥死亡率[17]。在各類腦腫瘤中,腦膜瘤是成人最常見的腦瘤,膠質(zhì)瘤排在第二位,占成人腦腫瘤的24%[17]。目前AI在腦腫瘤影像診斷方面的應用也主要集中于這兩類腫瘤。
Zhang等[18]設(shè)計出一種深度學習算法并評估其在腦膜瘤病變檢測和分級中的性能,結(jié)果表明,該算法在腦膜瘤自動檢測、分割和分級方面準確可靠。Laukamp等[19]采用基于常規(guī)MRI數(shù)據(jù)建立腦膜瘤深度學習模型,并將其自動分割腫瘤的性能與手動分割進行對比,結(jié)果表明,基于深度學習的自動分割具有較高的分割精度,可與人工分割相媲美。筆者課題組的研究表明,使用放射組學技術(shù),對腦膜瘤的診斷可達到經(jīng)驗豐富的放射醫(yī)生水平[20];而對臨床難以分辨的血管瘤型腦膜瘤與血管外皮瘤鑒別診斷的準確度達到87.5%[21]。
Zhuge等[22]建立了R-CNN和3DconvNet 2種深度學習CNN模型,研究結(jié)果表明,采用常規(guī)MRI影像鑒別低級別膠質(zhì)瘤(low grade glioma,LG G)和高級別膠質(zhì)瘤(h igh grade glioma,HG G)的準確度分別為0.963和0.971,可為臨床術(shù)前評估的決策提供輔助信息。由于HGG具有浸潤性,區(qū)分血管源性水腫和無對比增強的HGG非常困難。Sengupta等[23]采用HGG病人術(shù)前和術(shù)后的T1WI、T2WI、液體衰減反轉(zhuǎn)恢復序列(FLAIR)及動態(tài)增強MRI影像,利用T1灌注MRI參數(shù)進行SVM分類,結(jié)果表明該分類在區(qū)分非對比增強型HGG和血管源性水腫時的錯誤分類誤差達8.4%,而使用鄰域平均法可降低此分類誤差至2.4%。筆者課題組在使用CNN方法對淋巴瘤和膠質(zhì)母細胞瘤鑒別時,精確度可達到0.899[24]。
4.1 預后預測 在腦腫瘤治療領(lǐng)域,AI主要應用于腫瘤分子生物學表達、病灶分割、靶區(qū)勾畫、病人生存和疾病進展預測等方面。彌漫性膠質(zhì)瘤是一種惡性腦腫瘤,根據(jù)2021年中樞神經(jīng)系統(tǒng)腫瘤WHO分類[25],膠質(zhì)瘤中的IDH野生型、IDH突變型、IDH突變伴1p/19q聯(lián)合缺失狀態(tài),決定治療方式與預后。Lu等[26]根據(jù)214例膠質(zhì)瘤病人的數(shù)據(jù),建立一個基于多模態(tài)MRI影像組學的機器學習模型來分類膠質(zhì)瘤,并在一個獨立數(shù)據(jù)集上驗證該模型,結(jié)果表明,影像組學和機器學習方法可無創(chuàng)分類膠質(zhì)瘤的IDH和1p/19q狀態(tài);Kickingereder等[27]從181例膠質(zhì)母細胞瘤病人的多參數(shù)MRI影像中提取1 043個影像特征以構(gòu)建預測無進展期(progressionfree survival,PFS)和總生存期(overall survival,OS)的模型,當加入影像組學特征時,PFS的預測誤差減少了36%,OS的預測誤差減少了37%。該研究結(jié)果表明,影像組學特征增加了對PFS和OS的預測準確性,說明影像組學在膠質(zhì)母細胞瘤分層方面具有很大潛力。將影像組學整合到關(guān)鍵分子和臨床特征的多層決策框架中,可以改善疾病分層并有望推進對膠質(zhì)母細胞瘤病人的個性化治療。筆者研究團隊采用機器學習方法,通過建立影像組學預測腦轉(zhuǎn)移瘤伽馬刀治療后PFS的模型,并結(jié)合治療前MRI紋理特征和臨床特征構(gòu)建列線圖,有望預測經(jīng)伽馬刀治療的乳腺癌腦轉(zhuǎn)移瘤病人的預后[28]。
4.2 療效判定 預測腦腫瘤的治療療效對指導選擇正確的治療方式具有重要意義。Grossmann等[29]在一個由126例病人組成的隊列中,確定了一組MRI放射學表型作為基線特征,并用于第二個隊列的評估;利用基線和治療開始后6周的首次隨訪成像,評估這些特征對OS、PFS以及3、6和9個月進展的預后價值,得出基于MRI的新型定量影像組學為接受貝伐珠單抗治療的復發(fā)性膠質(zhì)母細胞瘤病人的生存和病情進展提供了預后價值的結(jié)論。Kickingereder等[30]從172例貝伐珠單抗治療前復發(fā)的膠質(zhì)母細胞瘤病人的影像中,自動提取并定量分析了4 842個MRI影像特征,構(gòu)建了一個預測模型,并用PFS和OS對抗血管生成治療的結(jié)果進行分層,結(jié)果表明基于影像組學的機器學習算法可作為一種特定的影像學生物標志物,用于識別從抗血管生成治療中獲益最大的病人。
在放療靶區(qū)勾畫及放療計劃制定方面,AI可以明顯減少醫(yī)生的工作負擔,提高放療的精準度。目前,AI在腦腫瘤放療領(lǐng)域的研究主要集中于放射靶區(qū)的勾畫、危及器官的勾畫、腫瘤假進展與復發(fā)的鑒別等方面,但在面向不同腫瘤區(qū)域的個性化精準靶區(qū)放射劑量計算,以及腫瘤放療后的假進展與復發(fā)一直是臨床診斷的難點。國外研究者使用AI方法勾畫放療靶區(qū)與基于MR波譜成像的代謝靶區(qū)匹配度較高,因此AI在放療靶區(qū)勾畫方面具有廣泛應用前景[31]。Jang等[32]使用機器學習的方法,診斷膠質(zhì)母細胞瘤放化療后的假進展的AUC達到0.83。
AI技術(shù)發(fā)展迅速,給醫(yī)療實踐帶來巨大變化,但是現(xiàn)階段尚存在一些問題影響其在臨床的廣泛應用。①臨床上產(chǎn)生大量影像數(shù)據(jù),但不同醫(yī)療單位的、不同型號設(shè)備的數(shù)據(jù)采集的參數(shù)不同,數(shù)據(jù)均一性差,造成大量數(shù)據(jù)的浪費,今后需要多單位合作及影像醫(yī)學聯(lián)盟來解決這個問題。②影像自動分割模型和疾病風險評估模型的準確性與用于訓練模型的數(shù)據(jù)質(zhì)量密切相關(guān)。低質(zhì)量的影像數(shù)據(jù)和不恰當?shù)臄?shù)據(jù)標注會導致不正確分類和預測結(jié)果。因此,必須加強質(zhì)量控制,嚴格把握圖像標注的質(zhì)量,提高模型的泛化性。③AI的決策高效,但可解釋性不足,而且對特定結(jié)果背后的原因進行審查的能力和對失敗的預測能力都有待提升,這需要AI和放射科醫(yī)生更深入結(jié)合。④AI的發(fā)展離不開大數(shù)據(jù)集,但罕見病的數(shù)據(jù)是很難獲得的,面向多分類疾病診斷問題,往往是數(shù)據(jù)不平衡及數(shù)據(jù)長尾分布問題,因此需要通過小樣本摸索學習及不平衡數(shù)據(jù)策略優(yōu)化來解決多分類疾病診斷的數(shù)據(jù)不平衡問題。
AI將會在預防、診斷、治療、預后方面全流程服務于臨床。醫(yī)療單位需要共同攜手優(yōu)化機器學習算法和提高醫(yī)療數(shù)據(jù)的標準化程度,構(gòu)建可靠的疾病診斷模型,以幫助醫(yī)生篩查出高風險病人,從而制定個體化治療方案,降低發(fā)病率,緩解疾病負擔。
AI在中樞神經(jīng)影像領(lǐng)域優(yōu)勢突出,提高了疾病的篩查準確率,顯著提升了臨床工作效率,能夠更好的協(xié)助醫(yī)生診斷疾病、判斷預后。但是,值得注意的是,AI在醫(yī)學影像中的應用仍面臨著眾多挑戰(zhàn),需要進一步結(jié)合臨床需求、環(huán)境變化來加強其功能和提高其效率,切實在醫(yī)學影像方面發(fā)揮更強大力量,更好地為造福人類健康服務。
(志謝感謝尹波博士、于澤寬博士后等團隊成員協(xié)助)