基于CT的人工智能技術(shù)在胃癌中的研究進(jìn)展

高緒杰 葉露 葉兆祥

胃癌是世界第五大常見惡性腫瘤，也是癌癥相關(guān)第四大死亡原因[1]。由于內(nèi)鏡篩查的開展，一些國家胃癌死亡率有所下降；但由于其早期缺乏典型的臨床癥狀，病人在診斷時(shí)往往已處于晚期，總體5年生存率仍然很低。人工智能（artificial intelligence，AI）是一種革命性的技術(shù)，正在深刻地影響和重塑腫瘤學(xué)的臨床實(shí)踐。隨著計(jì)算機(jī)處理能力和圖形處理技術(shù)的進(jìn)步，AI越來越多地被用于如內(nèi)鏡、病理和影像學(xué)檢查中的大規(guī)模和復(fù)雜圖像數(shù)據(jù)的分析。目前，CT仍是胃癌診斷、術(shù)前分期和療效評(píng)估最常用的工具。然而CT影像的分析主要依賴于形態(tài)學(xué)特征，不能滿足個(gè)性化和精準(zhǔn)醫(yī)學(xué)時(shí)代臨床診療的需求。AI技術(shù)可以將傳統(tǒng)醫(yī)學(xué)圖像轉(zhuǎn)換為定量數(shù)據(jù)，可以識(shí)別肉眼不能識(shí)別的腫瘤微觀特征，故而其在CT影像分割、診斷、轉(zhuǎn)移風(fēng)險(xiǎn)評(píng)估、生存率和治療反應(yīng)的預(yù)測(cè)等各個(gè)領(lǐng)域的應(yīng)用均引起了廣泛關(guān)注。

1 AI技術(shù)在胃癌診斷與鑒別診斷中的應(yīng)用

準(zhǔn)確的T分期對(duì)于病人治療方案的選擇至關(guān)重要。中國腫瘤臨床學(xué)會(huì)在指南中建議對(duì)T3及以上分期的病人進(jìn)行新輔助化療，而T1/2期病人則不推薦新輔助化療[2]。雖然常規(guī)增強(qiáng)CT仍是目前術(shù)前T分期的主要手段，但其準(zhǔn)確度僅為47%～82%[3]。同時(shí)，術(shù)前內(nèi)鏡和CT聯(lián)合檢查中，約22.8%的T1/2期病人會(huì)被誤診為T3/4期[4]。Wang等[3]報(bào)道了一種基于CT的影像組學(xué)模型，用于區(qū)分T2期和T3/4期胃癌，其最佳受試者操作特征曲線下面積（AUC）可達(dá)0.899。Sun等[5]從三期增強(qiáng)CT影像中提取深度學(xué)習(xí)特征，并使用機(jī)器學(xué)習(xí)方法構(gòu)建了影像組學(xué)預(yù)測(cè)模型，在識(shí)別T4a期胃癌中表現(xiàn)出良好的準(zhǔn)確度，最佳AUC可達(dá)0.90。

原發(fā)性胃淋巴瘤是除胃癌外最常見的胃惡性腫瘤之一。然而，胃癌和胃淋巴瘤治療方案截然不同，手術(shù)是胃癌的主要治療方法，而化放療則是胃淋巴瘤的最佳選擇。常規(guī)CT難以鑒別胃淋巴瘤及BorrmannⅣ型胃癌。Ma等[6]建立了一種基于影像組學(xué)的用于區(qū)分BorrmannⅣ型胃癌和胃淋巴瘤的模型，該模型顯示出良好的鑒別能力，AUC達(dá)0.903。Feng等[7]利用遷移學(xué)習(xí)方法，提出了一種基于CT及全視野數(shù)字切片的影像組學(xué)預(yù)測(cè)模型，可有效鑒別胃淋巴瘤和BorrmannⅣ型胃癌，AUC可達(dá)0.92~0.99。Wang等[8]建立了一個(gè)基于影像組學(xué)特征的預(yù)測(cè)模型，對(duì)于胃神經(jīng)內(nèi)分泌癌與腺癌具有良好的鑒別能力，最佳AUC達(dá)0.82。Chen等[9]報(bào)道了一種基于影像組學(xué)的列線圖模型，可用于鑒別彌漫型和印戒細(xì)胞胃癌；由于印戒細(xì)胞癌具有不良的組織學(xué)亞型和較高的轉(zhuǎn)移風(fēng)險(xiǎn)，該模型還可以預(yù)測(cè)病人總生存期和化療療效。

2 AI技術(shù)在胃癌轉(zhuǎn)移風(fēng)險(xiǎn)預(yù)測(cè)中的應(yīng)用

2.1 淋巴結(jié)轉(zhuǎn)移預(yù)測(cè) 淋巴結(jié)轉(zhuǎn)移是胃癌不良預(yù)后最重要的危險(xiǎn)因素之一。對(duì)于局限于黏膜和黏膜下層的早期胃癌，無淋巴結(jié)轉(zhuǎn)移的病人可接受內(nèi)鏡下切除，以避免根治性手術(shù)及淋巴結(jié)清掃導(dǎo)致的并發(fā)癥。然而，高達(dá)25%的T1b期病人存在淋巴結(jié)轉(zhuǎn)移。對(duì)于這部分病人，內(nèi)鏡下切除會(huì)延誤發(fā)現(xiàn)淋巴結(jié)轉(zhuǎn)移，使病人失去早期治療的機(jī)會(huì)。因此，準(zhǔn)確的術(shù)前淋巴結(jié)評(píng)估具有重要的臨床意義。常規(guī)CT主要依賴于淋巴結(jié)的大小及形狀等形態(tài)學(xué)特征來判斷淋巴結(jié)轉(zhuǎn)移，缺乏統(tǒng)一的標(biāo)準(zhǔn)，其總體準(zhǔn)確度僅為50%~70%[10-11]。尤其是對(duì)于早期胃癌病人，絕大部分轉(zhuǎn)移淋巴結(jié)的長(zhǎng)短徑均＜1 mm[11]。因此，CT診斷早期胃癌淋巴結(jié)轉(zhuǎn)移的敏感度僅為21.7%[12]。Huang等[13]首次證明影像組學(xué)在預(yù)測(cè)結(jié)直腸癌淋巴結(jié)轉(zhuǎn)移中的價(jià)值。而后，影像組學(xué)和深度學(xué)習(xí)方法對(duì)胃癌淋巴結(jié)轉(zhuǎn)移預(yù)測(cè)的應(yīng)用引起了研究者的廣泛關(guān)注。多項(xiàng)研究[14-16]通過從動(dòng)脈期或門靜脈期影像中提取特征來建立影像組學(xué)模型，均表明影像組學(xué)可成功地預(yù)測(cè)胃癌淋巴結(jié)轉(zhuǎn)移。Dong等[15]從5個(gè)獨(dú)立醫(yī)學(xué)中心招募了730例局部進(jìn)展期胃癌病人，建立基于多期增強(qiáng)CT影像的深度學(xué)習(xí)預(yù)測(cè)模型，顯示出良好的N分期判斷能力。Li等[17]對(duì)基于雙能CT單能量影像中提取的深度學(xué)習(xí)特征進(jìn)行研究，結(jié)果發(fā)現(xiàn)動(dòng)脈期和門靜脈期影像組學(xué)特征與淋巴結(jié)轉(zhuǎn)移具有顯著相關(guān)性。另外，與常規(guī)基于原發(fā)胃部病灶提取特征的模型不同，Gao等[18]通過標(biāo)記胃周轉(zhuǎn)移淋巴結(jié)，提出了一種快速的基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)模型，結(jié)果顯示該模型識(shí)別淋巴結(jié)轉(zhuǎn)移的準(zhǔn)確度達(dá)到95.4%。Jin等[14]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)11站淋巴結(jié)轉(zhuǎn)移的模型，研究顯示AUC、敏感度和特異度分別可達(dá)88%、74%和94%。

2.2 腹膜轉(zhuǎn)移預(yù)測(cè) 腹膜是胃癌最常見的轉(zhuǎn)移部位之一[19]。然而，10%~30%的胃癌病人表現(xiàn)為隱匿性腹膜轉(zhuǎn)移，CT影像上難以識(shí)別[20-21]。Li等[22]通過回顧性對(duì)照分析腹腔鏡術(shù)中所見轉(zhuǎn)移灶及CT影像中相應(yīng)區(qū)域，提出大網(wǎng)膜區(qū)污點(diǎn)樣磨玻璃密度影可能是隱匿性腹膜轉(zhuǎn)移的征象。但這一征象的判斷具有較強(qiáng)的主觀性，其診斷準(zhǔn)確性仍有待進(jìn)一步驗(yàn)證。與僅從原發(fā)腫瘤區(qū)域提取影像組學(xué)特征的傳統(tǒng)方法不同，一些研究評(píng)估了基于CT的機(jī)器學(xué)習(xí)方法預(yù)測(cè)隱匿性腹膜轉(zhuǎn)移的價(jià)值。如Dong等[23]通過從腫瘤和腹膜2個(gè)區(qū)域分別提取特征，構(gòu)建了2個(gè)影像組學(xué)預(yù)測(cè)模型，結(jié)果表明，2個(gè)區(qū)域的影像組學(xué)特征均可提供有關(guān)隱匿性腹膜轉(zhuǎn)移的信息，模型表現(xiàn)出極高的預(yù)測(cè)精度，其AUC達(dá)0.92~0.96。Chen等[24]利用雙能CT獲取碘攝取和120 kV等效混合影像提取的影像組學(xué)特征，結(jié)果表明，碘攝取影像的影像組學(xué)特征可用于預(yù)測(cè)腹膜轉(zhuǎn)移。Huang等[25]對(duì)深度學(xué)習(xí)模型在識(shí)別胃癌隱匿性腹膜轉(zhuǎn)移方面的價(jià)值進(jìn)行了研究，結(jié)果顯示基于二維雙能CT影像的深度卷積神經(jīng)網(wǎng)絡(luò)模型顯示出良好的預(yù)測(cè)效能，AUC達(dá)0.90。

3 AI技術(shù)在胃癌預(yù)后及療效預(yù)測(cè)中的應(yīng)用

胃癌具有高度異質(zhì)性，即使在同一階段內(nèi)，其臨床特征也存在顯著差異。由于常規(guī)的TNM分期系統(tǒng)不能準(zhǔn)確預(yù)測(cè)病人的預(yù)后并具有滯后性，因此一些研究探索了基于影像組學(xué)和深度學(xué)習(xí)方法預(yù)測(cè)胃癌預(yù)后及療效的潛力。如Wang等[26]從2個(gè)醫(yī)學(xué)中心招募了353例胃癌病人，建立了一種包含4個(gè)影像組學(xué)特征和3個(gè)臨床風(fēng)險(xiǎn)特征的影像組學(xué)模型，研究發(fā)現(xiàn)該模型可有效預(yù)測(cè)胃癌病人的無病生存時(shí)間（DFS），AUC達(dá)0.77。Shin等[27]建立由影像組學(xué)特征和重要臨床參數(shù)組成的預(yù)測(cè)模型，研究顯示該模型可準(zhǔn)確預(yù)測(cè)胃癌病人的無復(fù)發(fā)生存時(shí)間（RFS）。Zhang等[28]構(gòu)建一種基于CT影像組學(xué)的預(yù)測(cè)模型，結(jié)果表明該模型可有效預(yù)測(cè)胃癌病人的早期復(fù)發(fā)風(fēng)險(xiǎn)。Jiang等[29]利用一種新的深度神經(jīng)網(wǎng)絡(luò)（S-NET），集成了全面的多尺度圖像特征，可有效預(yù)測(cè)胃癌病人的DFS和總生存期（OS）；同時(shí)該模型還可以識(shí)別可從化療中獲益的Ⅱ期和Ⅲ期病人。Zhang等[30]利用18層殘差卷積神經(jīng)網(wǎng)絡(luò)建立的深度學(xué)習(xí)模型對(duì)胃癌病人進(jìn)行研究，結(jié)果發(fā)現(xiàn)該模型對(duì)胃癌病人的OS具有良好的預(yù)測(cè)能力。該團(tuán)隊(duì)進(jìn)一步提出了一種多聚焦融合特征金字塔網(wǎng)絡(luò)（MMF-FPN），該網(wǎng)絡(luò)統(tǒng)一了分離的低層特征和融合的高層特征，顯示出比現(xiàn)有的影像組學(xué)和深度學(xué)習(xí)方法更好的性能[31]。

化療是提高胃癌病人生存率的常規(guī)治療方法，但大多數(shù)方案的總有效率低于40%[32]。轉(zhuǎn)化治療是一種旨在通過術(shù)前新輔助化療實(shí)現(xiàn)對(duì)最初不能切除的腫瘤進(jìn)行R0切除手術(shù)的治療，目前已成為轉(zhuǎn)移性晚期胃癌病人的另一種治療選擇。然而，只有20%~40%的病人對(duì)新輔助化療表現(xiàn)出敏感性[33-34]。此外，40%~60%的病人會(huì)發(fā)生手術(shù)后復(fù)發(fā)[32]。因此，確定能夠從化療或新輔助化療獲益的人群，使病人避免不必要的治療不良反應(yīng)具有非常重要的臨床意義。Jiang等[35]建立了一種用于評(píng)估腫瘤浸潤淋巴細(xì)胞和髓系細(xì)胞的影像組學(xué)特征模型，可以作為胃癌化療反應(yīng)的預(yù)測(cè)工具。Li等[36]通過從CT影像的瘤內(nèi)和瘤周區(qū)域提取特征來構(gòu)建影像組學(xué)模型，對(duì)Ⅱ/Ⅲ期胃癌的DFS和化療反應(yīng)顯示出良好的預(yù)測(cè)能力。Liu等[37]基于雙能CT獲得的3組不同單能影像中提取的影像組學(xué)特征，建立了一種多能量影像組學(xué)模型，研究結(jié)果表明，高能特征對(duì)胃癌化療療效的預(yù)測(cè)能力最高，同時(shí)多能量模型的預(yù)測(cè)能力優(yōu)于單能影像組學(xué)模型。近年來，胃癌治療前后影像組學(xué)特征差異的分析（delta影像組學(xué)）對(duì)預(yù)測(cè)治療反應(yīng)顯示出應(yīng)用潛力[38-39]。Tan等[40]建立了一種delta影像組學(xué)模型，研究顯示該模型可有效預(yù)測(cè)晚期胃癌病人化療反應(yīng)，最佳AUC達(dá)0.83。以程序性細(xì)胞死亡抑制劑1（PD-1）為代表的免疫治療在胃癌病人中顯示出較好的療效。然而，目前仍然缺乏識(shí)別治療獲益者的有效標(biāo)志物。Gao等[41]建立了一種基于評(píng)估腫瘤浸潤調(diào)節(jié)性T細(xì)胞的影像組學(xué)模型，有助預(yù)測(cè)及識(shí)別PD-1治療后發(fā)生超進(jìn)展的病人。Liang等[42]提出了一種預(yù)測(cè)晚期胃癌的PD-1抑制劑反應(yīng)的影像組學(xué)模型，研究顯示該模型的AUC可達(dá)0.87。

4 局限性與展望

目前，AI技術(shù)真正用于臨床工作仍然有一些局限性?？山忉屝允菍I模型轉(zhuǎn)化為常規(guī)臨床應(yīng)用的最大障礙。目前，大多數(shù)基于深度學(xué)習(xí)的模型很難解釋模型是如何做出預(yù)測(cè)決策，即所謂的“黑箱”。然而，模型的透明度和可解釋性在法律和倫理學(xué)層面對(duì)于其能否在臨床開展應(yīng)用至關(guān)重要。了解AI工具是如何實(shí)現(xiàn)其預(yù)測(cè)，對(duì)于確保決策的公平性以及提高臨床醫(yī)生使用AI工具的信心非常重要。近年來，可解釋AI（explanatory artificial intelligence，XAI）引起了研究者的極大關(guān)注。XAI旨在為AI模型提供更透明、更可解釋的決策，有助于AI模型真正走向臨床應(yīng)用。其次，可重復(fù)性和再現(xiàn)性也是目前AI研究需要解決的關(guān)鍵問題。目前的大多數(shù)研究都是單中心回顧性研究。同時(shí)，大多數(shù)影像組學(xué)特征對(duì)于不同掃描設(shè)備、采集協(xié)議和重建算法高度敏感。因此，建立標(biāo)準(zhǔn)化AI工作流程，并進(jìn)行前瞻性多中心研究對(duì)于驗(yàn)證工具的穩(wěn)定性和普適性至關(guān)重要。

綜上所述，基于CT的AI技術(shù)在提高胃癌診斷、預(yù)后及療效預(yù)測(cè)準(zhǔn)確性和減少放射科醫(yī)生工作量方面顯示出巨大潛力。同時(shí)，AI的目標(biāo)不是取代醫(yī)生，而是幫助醫(yī)生在精準(zhǔn)醫(yī)學(xué)時(shí)代更快速更準(zhǔn)確地做出決策。因此，放射科醫(yī)生應(yīng)該在AI應(yīng)用中發(fā)揮主導(dǎo)作用，探索在臨床實(shí)踐中整合AI技術(shù)的最佳方式。