胃癌臨床分期MSCT研究進(jìn)展

陳帥, 李響

胃癌(Gastric cancer,GC)是世界發(fā)病率第5位與死亡率第4位的惡性腫瘤;在我國(guó),其新發(fā)病例居于第3位,死亡率居于第3位[1]。CT檢查是GC治療前首選的非侵入性影像學(xué)檢查[2],可輔助分析胃癌病灶特點(diǎn)、周圍浸潤(rùn)狀態(tài)、淋巴結(jié)轉(zhuǎn)移及遠(yuǎn)處轉(zhuǎn)移情況。腫瘤精準(zhǔn)分期對(duì)治療方案選擇、病情進(jìn)展及預(yù)后判斷具有重要的指導(dǎo)意義。國(guó)際抗癌聯(lián)盟及美國(guó)癌癥聯(lián)合會(huì)(UICC/AJCC)于2016年更新第八版TNM分期,將單一的TNM分期細(xì)分為病理分期(pTNM)、臨床分期(cTNM)和新輔助化療后分期(ypTNM),規(guī)定了CT在胃癌臨床分期中的操作流程和規(guī)范。新版的臨床T分期沿用病理分期的浸潤(rùn)深度標(biāo)準(zhǔn),但未描述各分期對(duì)應(yīng)的影像標(biāo)準(zhǔn);規(guī)定以短徑>10 mm作為淋巴結(jié)轉(zhuǎn)移的標(biāo)準(zhǔn),卻對(duì)5 mm以下淋巴結(jié)轉(zhuǎn)移情況難以精準(zhǔn)判斷,有報(bào)道約有55%的轉(zhuǎn)移淋巴結(jié)直徑小于5 mm[3],因此CT檢查在GC臨床分期中尚存諸多問(wèn)題。隨著影像技術(shù)的進(jìn)步以及對(duì)GC影像特征的深入發(fā)掘,GC臨床分期的評(píng)估已不斷完善。

人工智能(artificial intelligence,AI)同樣為GC臨床分期提供了新的研究方法。在醫(yī)療影像的背景下,人工智能是通過(guò)理解、分析醫(yī)學(xué)影像數(shù)據(jù)并得出類似人的認(rèn)知[4]。機(jī)器學(xué)習(xí)(machine learning,ML)是人工智能的一個(gè)重要子領(lǐng)域并廣泛應(yīng)用于醫(yī)學(xué)影像研究中。影像組學(xué)和深度學(xué)習(xí)(deep learning,DL)是ML在醫(yī)學(xué)影像研究中最常用的兩種方法,在乳腺[5]、前列腺[6]等多個(gè)領(lǐng)域有所應(yīng)用。影像組學(xué)和DL能把醫(yī)學(xué)圖像轉(zhuǎn)化為定量的、客觀的可挖掘數(shù)據(jù),并應(yīng)用于疾病的診斷、腫瘤分級(jí)分期、分子分型、療效評(píng)估及預(yù)后等多方向的預(yù)測(cè),輔助臨床診療[4,7]。

精準(zhǔn)分期是個(gè)性化診療的基礎(chǔ)。本文從MSCT在胃癌臨床分期的研究著手,介紹影像特征評(píng)估和ML預(yù)測(cè)模型的研究現(xiàn)狀,并對(duì)當(dāng)前的局限性和未來(lái)的發(fā)展進(jìn)行總結(jié),以期為臨床研究和診療提供更好的幫助。

機(jī)器學(xué)習(xí)簡(jiǎn)述

ML是一種數(shù)據(jù)科學(xué)方法,它能夠像人類一樣完成預(yù)測(cè)分類,并根據(jù)以往的經(jīng)驗(yàn)數(shù)據(jù)做出學(xué)習(xí)和改進(jìn)[8]。根據(jù)學(xué)習(xí)方式的不同,通常分為監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)及強(qiáng)化學(xué)習(xí),目前影像組學(xué)和DL中多使用監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)是給定輸入數(shù)據(jù)特征的情況下預(yù)測(cè)標(biāo)簽,每個(gè)“特征-標(biāo)簽”的對(duì)應(yīng)稱為一個(gè)樣本,通過(guò)對(duì)每個(gè)樣本的學(xué)習(xí)完成將輸入特征到標(biāo)簽的預(yù)測(cè)。在醫(yī)學(xué)領(lǐng)域中,特征就是每個(gè)患者或樣本的相關(guān)醫(yī)療數(shù)據(jù),標(biāo)簽則是疾病的診斷、腫瘤分級(jí)分期、分子分型預(yù)測(cè)、療效評(píng)估及預(yù)后預(yù)測(cè)等具體的研究?jī)?nèi)容,研究目標(biāo)是通過(guò)ML建立一個(gè)模型,將醫(yī)療數(shù)據(jù)特征映射到標(biāo)簽,即疾病的相關(guān)預(yù)測(cè)。

影像組學(xué)是從醫(yī)療影像提取人眼無(wú)法識(shí)別的信息并轉(zhuǎn)換為定量特征,對(duì)醫(yī)學(xué)影像特征、臨床資料和基因信息等進(jìn)行相關(guān)性分析,建立疾病預(yù)測(cè)模型[7]。影像組學(xué)流程分為5個(gè)階段:圖像的采集與獲取、感興趣區(qū)域的勾畫(huà)、特征提取、數(shù)據(jù)探索性分析和模型建立。ML在后四個(gè)階段都有涉及并主要應(yīng)用于數(shù)據(jù)探索性分析及模型建立。DL是ML的一種算法,它受人腦神經(jīng)網(wǎng)絡(luò)的啟發(fā),使用多層結(jié)構(gòu)從輸入數(shù)據(jù)中提取更高級(jí)的特征,并能自動(dòng)從數(shù)據(jù)中學(xué)習(xí)特征,完成復(fù)雜分類任務(wù)。DL中以卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)在醫(yī)學(xué)影像領(lǐng)域的應(yīng)用較為廣泛,其基本結(jié)構(gòu)由輸入層、卷積層、池化層、全連接層及輸出層組成,現(xiàn)代卷積神經(jīng)網(wǎng)絡(luò)都是以CNN為基礎(chǔ)建立的[9]。近年來(lái),已有研究將深度學(xué)習(xí)特征與影像組學(xué)進(jìn)行融合并完成醫(yī)療預(yù)測(cè)的研究。

ML的前提是數(shù)據(jù),無(wú)論是影像組學(xué)還是深度學(xué)習(xí),都需要充足的數(shù)據(jù)才能保證模型的魯棒性和泛化能力。

評(píng)估原發(fā)腫瘤情況——T分期

1.影像特征評(píng)估胃癌T分期

GC準(zhǔn)確分期是精準(zhǔn)治療的前提和關(guān)鍵。胃壁是由黏膜、黏膜肌層、黏膜下層、固有肌層和漿膜層構(gòu)成,但在增強(qiáng)CT上僅能顯示2-3層結(jié)構(gòu)[10]。GC通常表現(xiàn)為胃壁局灶性增厚、伴或不伴潰瘍、息肉樣腫塊或彌漫性病變,印戒細(xì)胞癌通常表現(xiàn)為胃的正常褶皺消失和胃壁彌漫增厚[11]。增強(qiáng)CT可以根據(jù)胃壁強(qiáng)化情況、胃周脂肪組織及鄰近器官的侵襲情況進(jìn)行T分期。

近年來(lái),隨著多平面重建(multiplanar reformation,MPR)和虛擬胃鏡(virtual gastroscopy,VG)的應(yīng)用使T分期的準(zhǔn)確率進(jìn)一步提高。Wani等[12]聯(lián)合使用MPR及VG技術(shù)對(duì)160例GC增強(qiáng)CT進(jìn)行T分期評(píng)估,其T分期總體診斷準(zhǔn)確率為82.5%,對(duì)早期GC診斷準(zhǔn)確率達(dá)到93.75%,但敏感度僅為66.7%,并強(qiáng)調(diào)有3例早期GC病例僅在VG上被診斷。Feng等[13]使用MPR技術(shù)對(duì)462例GC增強(qiáng)CT進(jìn)行T分期,以T1-2期作為對(duì)照,其診斷T3-4期準(zhǔn)確率為69.9%。Shimada等[14]對(duì)GC臨床分期的準(zhǔn)確率進(jìn)行系統(tǒng)性回顧,增強(qiáng)CT對(duì)進(jìn)展期GC的T分期診斷準(zhǔn)確率為73%～91%。目前增強(qiáng)CT能對(duì)胃癌T分期提供一定幫助,隨著MPR和VG的應(yīng)用可以進(jìn)一步提高分期診斷的準(zhǔn)確性。

2.ML預(yù)測(cè)胃癌T分期

隨著ML的興起,ML預(yù)測(cè)胃癌T分期的研究也不斷涌現(xiàn)。Zheng等[15]建立了一個(gè)50層的快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)進(jìn)展期GC(T2、T3、T4)的T分期進(jìn)行預(yù)測(cè),該研究回顧性分析了225例GC的增強(qiáng)CT靜脈期圖像,并對(duì)訓(xùn)練集圖像加以增強(qiáng),最終該模型的ROC曲線下面積(area under curve,AUC)為0.93,對(duì)T2、T3、T4預(yù)測(cè)的準(zhǔn)確率分別為90%、93%、95%。Sun等[16]建立DL影像組學(xué)模型以T3期作為對(duì)比區(qū)分T4a期GC,共收集572例GC三期增強(qiáng)圖像(回顧性428例,前瞻性144例),結(jié)果顯示使用支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)構(gòu)建的放射組學(xué)特征在回顧性測(cè)試集和前瞻性測(cè)試集中均表現(xiàn)出良好的識(shí)別性能,其AUC分別為0.76～0.78和0.79～0.84,以此聯(lián)合影像特征建立的列線圖更是表現(xiàn)出較好的診斷效能,其AUC分別為0.87和0.90。Yardimci等[17]對(duì)114例GC增強(qiáng)CT進(jìn)行影像組學(xué)紋理分析,建立治療前GC分期模型,對(duì)T1-2期和T3-4期進(jìn)行預(yù)測(cè),其T1-2期診斷準(zhǔn)確率為60%,T3-4期準(zhǔn)確率為96.6%,總體T分期準(zhǔn)確率達(dá)90.4%。ML模型可能甄別出對(duì)疾病預(yù)測(cè)更加高效客觀的影像特征。

綜上,有關(guān)胃癌T分期的眾多研究結(jié)果表明(表1),ML預(yù)測(cè)表現(xiàn)出不劣于甚至優(yōu)于影像特征評(píng)估的效能。

表1 T分期參考文獻(xiàn)

評(píng)估胃周淋巴結(jié)轉(zhuǎn)移及N分期

1.影像特征評(píng)估胃周淋巴結(jié)轉(zhuǎn)移及N分期

評(píng)估胃周淋巴結(jié)轉(zhuǎn)移是胃癌影像學(xué)評(píng)估中的難點(diǎn),也是影響個(gè)體化治療和預(yù)后的重要因素之一。美國(guó)國(guó)立綜合癌癥網(wǎng)絡(luò)(national comprehensive cancer network,NCCN)和中國(guó)臨床腫瘤學(xué)會(huì)(chinese society of clinical oncology,CSCO)推薦增強(qiáng)CT作為評(píng)估胃周淋巴結(jié)轉(zhuǎn)移的首選檢查方法[2,23]。評(píng)估淋巴結(jié)轉(zhuǎn)移是以淋巴結(jié)的大小、形態(tài)、淋巴結(jié)中心是否壞死、淋巴結(jié)強(qiáng)化程度等作為參考因素[24],淋巴結(jié)大小是評(píng)估淋巴結(jié)轉(zhuǎn)移的重要參考指標(biāo),但轉(zhuǎn)移淋巴結(jié)不都是增大的,對(duì)于小淋巴結(jié)轉(zhuǎn)移診斷困難是評(píng)估淋巴結(jié)轉(zhuǎn)移準(zhǔn)確率較低的重要原因[14]。而在影像特征中,對(duì)于轉(zhuǎn)移淋巴結(jié)大小的診斷標(biāo)準(zhǔn)也存在較大爭(zhēng)議[24],多數(shù)研究者以短徑≥8 mm作為淋巴結(jié)轉(zhuǎn)移的標(biāo)準(zhǔn)[25]。轉(zhuǎn)移淋巴結(jié)大小的設(shè)定標(biāo)準(zhǔn)不同,其敏感性和特異性也會(huì)有所改變。

Jiang等[26]運(yùn)用MPR對(duì)108例(69例回顧性,39例前瞻性)進(jìn)展期GC的CT圖像進(jìn)行研究,評(píng)估胃周淋巴結(jié)轉(zhuǎn)移情況,當(dāng)以長(zhǎng)徑≥7.55 mm為淋巴結(jié)轉(zhuǎn)移標(biāo)準(zhǔn)時(shí),在回顧性病例和前瞻性病例中的AUC分別為0.706和0.849,敏感度分別為86.8%和91.4%,特異度分別為80.1%和47.3%;當(dāng)以短徑≥6.55 mm為淋巴結(jié)轉(zhuǎn)移標(biāo)準(zhǔn)時(shí),其AUC分別為0.634和0.813,敏感度分別為80.8%和88.9%,特異度分別為72.9%和52.1%。Wada等[27]對(duì)650例T1期胃癌CT圖像的淋巴結(jié)轉(zhuǎn)移情況進(jìn)行評(píng)估,共分為兩組,A組為內(nèi)鏡黏膜下剝離(endoscopic submucosal dissection,ESD)術(shù)后接受CT檢查者(81例),B組為手術(shù)前或ESD術(shù)前接受CT檢查者(569例),以短徑≥8.0 mm或長(zhǎng)徑≥10.0 mm為淋巴結(jié)轉(zhuǎn)移標(biāo)準(zhǔn),兩組淋巴結(jié)診斷準(zhǔn)確率分別為77.8%和84.2%,敏感度分別為0%和15.9%,特異度分別為84.0%和95.7%,陽(yáng)性預(yù)測(cè)值分別為0.0%和38.2%,陰性預(yù)測(cè)值分別為91.3%和87.1%,假陽(yáng)性率分別為100%和61.8%。諸多研究表明(表2),以淋巴結(jié)大小判斷淋巴結(jié)轉(zhuǎn)移情況是不可靠的。

表2 局部淋巴結(jié)轉(zhuǎn)移、N分期參考文獻(xiàn)

Yang等[28]以MRI定義的直腸癌壁外脈管侵犯(extramural vessel invasion,EMVI)為參照,采用MPR評(píng)估105例GC增強(qiáng)CT的EMVI情況。將EMVI預(yù)測(cè)淋巴結(jié)轉(zhuǎn)移與直接評(píng)估淋巴結(jié)轉(zhuǎn)移(以短徑≥10 mm為淋巴結(jié)轉(zhuǎn)移標(biāo)準(zhǔn))進(jìn)行比較,結(jié)果顯示兩者具有良好的一致性,預(yù)測(cè)效能前者優(yōu)于后者,其準(zhǔn)確率分別為78.1%和70.5%,敏感度分別為81.7%和70.0%,特異度分別為73.3%和71.1%。評(píng)估EMVI這類與淋巴結(jié)轉(zhuǎn)移相關(guān)的征象可以得到有效參考信息,為預(yù)測(cè)淋巴結(jié)轉(zhuǎn)移提供了新的研究方向。

淋巴結(jié)轉(zhuǎn)移的判斷困難也使N分期評(píng)估準(zhǔn)確率較低。Ri等[29]通過(guò)MPR對(duì)421例增強(qiáng)CT圖像進(jìn)行研究,評(píng)估pN2-3期胃癌的準(zhǔn)確性(以pN0-1作為對(duì)照),當(dāng)以單一可測(cè)量淋巴結(jié)短軸長(zhǎng)度≥10 mm為轉(zhuǎn)移標(biāo)準(zhǔn)時(shí),其診斷pN2-3期的敏感度為36.5%,特異度為95.0%,陽(yáng)性預(yù)測(cè)值為84.6%,陰性預(yù)測(cè)值為66.5%,準(zhǔn)確率為69.8%;當(dāng)有2枚可測(cè)量淋巴結(jié)短軸長(zhǎng)度≥5 mm為轉(zhuǎn)移標(biāo)準(zhǔn)時(shí),其診斷pN2-3期的敏感度為39.2%,特異度為90.0%,陽(yáng)性預(yù)測(cè)值為74.7%,陰性預(yù)測(cè)值為66.3%,準(zhǔn)確率為68.2%;當(dāng)有2枚可測(cè)量淋巴結(jié)短軸長(zhǎng)度≥10 mm為轉(zhuǎn)移標(biāo)準(zhǔn)時(shí),其診斷pN2-3期的敏感度為13.8%,特異度為99.2%,陽(yáng)性預(yù)測(cè)值為92.6%,陰性預(yù)測(cè)值為60.4%,準(zhǔn)確率為62.5%。與T分期相比,MPR的應(yīng)用似乎沒(méi)有顯著提高N分期的準(zhǔn)確率[12]。

2.ML預(yù)測(cè)胃周淋巴結(jié)轉(zhuǎn)移及N分期

基于胃周淋巴結(jié)轉(zhuǎn)移及N分期在影像學(xué)評(píng)估的準(zhǔn)確率較低,有學(xué)者使用ML模型對(duì)胃周淋巴結(jié)轉(zhuǎn)移及N分期進(jìn)行研究。

Gao等[30]以淋巴結(jié)增強(qiáng)CT圖像為研究對(duì)象,建立快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的DL模型預(yù)測(cè)胃周淋巴結(jié)轉(zhuǎn)移情況,回顧性納入602例單中心患者,該模型經(jīng)過(guò)第一階段的初步學(xué)習(xí)和第二階段精確DL的訓(xùn)練,對(duì)胃周轉(zhuǎn)移淋巴結(jié)的預(yù)測(cè)準(zhǔn)確率達(dá)到95.4%。Jin等[31]以胃癌原發(fā)灶為研究對(duì)象,對(duì)兩個(gè)醫(yī)療中心的1699例(內(nèi)部訓(xùn)練集1172例,外部驗(yàn)證集527例)GC術(shù)前增強(qiáng)CT圖像進(jìn)行研究,經(jīng)DL構(gòu)建11個(gè)區(qū)域淋巴結(jié)轉(zhuǎn)移模型分別預(yù)測(cè)各區(qū)域淋巴結(jié)轉(zhuǎn)移情況。在外部驗(yàn)證隊(duì)列中,中位AUC為0.876,中位敏感度和中位特異度分別為0.743和0.936。

ML模型對(duì)N分期的預(yù)測(cè)也極具參考價(jià)值。Jiang等[32]以GC原發(fā)灶為研究對(duì)象,對(duì)3個(gè)醫(yī)療中心的1689例門靜脈CT圖像進(jìn)行研究,通過(guò)影像組學(xué)聯(lián)合臨床病理資料建立多組GC淋巴結(jié)轉(zhuǎn)移分期的列線圖,以pN0為對(duì)照,分別與pN1、pN2、pN3進(jìn)行鑒別,其內(nèi)部驗(yàn)證集的AUC分別為0.772、0.873、0.913,外部驗(yàn)證集的AUC分別為0.822、0.866、0.936。Dong等[33]以T2-T4a期胃癌原發(fā)病灶為研究對(duì)象,回顧性納入國(guó)內(nèi)5個(gè)醫(yī)療中心和意大利1個(gè)醫(yī)療中心的730例胃癌CT圖像,建立深度學(xué)習(xí)影像組學(xué)列線圖(deep learning radiomic nomogram,DLRN)對(duì)淋巴結(jié)分期情況進(jìn)行研究,使用一致性指數(shù)(Harrell's concordance index,C-index)評(píng)價(jià)模型的預(yù)測(cè)能力,結(jié)果顯示DLRN在主要隊(duì)列、外部驗(yàn)證隊(duì)列和國(guó)際驗(yàn)證隊(duì)列中的總體C-index分別為0.821、0.797、0.822。DLRN模型的表現(xiàn)優(yōu)于臨床N分期和其他預(yù)測(cè)模型,在每個(gè)亞組(N0組與非N0組、N0-1組與N2-3b組、N0-2組與N3a-3b組、N3b組與N0-3a組)的預(yù)測(cè)中也表現(xiàn)良好(C-index范圍為0.791～0.893),并能檢測(cè)到81.7%不具有典型CT征象的淋巴結(jié)轉(zhuǎn)移。

多個(gè)研究均表明(表2),不同于僅對(duì)淋巴結(jié)進(jìn)行影像學(xué)觀察,ML可能從高維度的影像數(shù)據(jù)中探索出更有效的特征,或聯(lián)合更多特征提高對(duì)淋巴結(jié)轉(zhuǎn)移及N分期評(píng)估的準(zhǔn)確性。

評(píng)估遠(yuǎn)處轉(zhuǎn)移——M分期

1.影像特征評(píng)估腹膜轉(zhuǎn)移

GC遠(yuǎn)處轉(zhuǎn)移情況的評(píng)估是決定能否手術(shù)的重要依據(jù),當(dāng)前最大的困難和挑戰(zhàn)在于準(zhǔn)確評(píng)估腹膜狀況。GC細(xì)胞侵入漿膜層后,其游離癌細(xì)胞可脫落播散至腹膜。腹膜種植是GC最常見(jiàn)的遠(yuǎn)處轉(zhuǎn)移部位之一[37]。診斷性腹腔鏡檢查是診斷腹膜轉(zhuǎn)移(peritoneal metastasis,PM)的金標(biāo)準(zhǔn),但這種侵入性檢查可能會(huì)導(dǎo)致術(shù)后粘連和一些并發(fā)癥。目前,CT仍是大多數(shù)醫(yī)學(xué)中心診斷PM的首選方式[38-39]。CT掃描速度快,運(yùn)動(dòng)偽影較少并且有著較高的空間分辨率,可以通過(guò)MPR對(duì)腹膜進(jìn)行多角度觀察。然而,CT軟組織對(duì)比度有限,且PM在影像上的表現(xiàn)多樣,判斷PM的準(zhǔn)確性受到轉(zhuǎn)移結(jié)節(jié)大小、位置、腹水及觀察者的專業(yè)知識(shí)和經(jīng)驗(yàn)的影響[39]。Van’t Sant等[39]在影像學(xué)診斷PM效能的META分析中,共有20篇CT參考文獻(xiàn)被納入研究,其CT診斷PM的敏感度為68%,特異度為88%。因影像檢查敏感度較低,歐洲腫瘤內(nèi)科學(xué)會(huì)(european society for medical oncology,ESMO)、NCCN和CSCO推薦診斷性腹腔鏡和腹腔灌洗液檢查進(jìn)一步排除影像學(xué)上的隱匿性腹膜轉(zhuǎn)移(occult peritoneal metastasis,OPM)[2,23,24]。

近期有學(xué)者對(duì)CT評(píng)估OPM做了更加深入的研究。Li等[40]在胃癌臨床T分期≥2的385例入組患者中,有33例患者在腹腔鏡探查中發(fā)現(xiàn)共57個(gè)OPM區(qū)域,根據(jù)腹腔鏡結(jié)果與增強(qiáng)CT進(jìn)行逐一對(duì)照,建立4分評(píng)分法并進(jìn)行前瞻性驗(yàn)證,以≥2分為OPM標(biāo)準(zhǔn),其AUC為0.848,敏感度為87.5%,特異度為76.4%,兩位觀察者間的一致性為76.2%。4分法為臨床評(píng)估OPM提供了重要的量化工具,也為其他疾病引起PM的研究提供了重要參考。

2.ML預(yù)測(cè)腹膜轉(zhuǎn)移

針對(duì)PM難以在影像中準(zhǔn)確診斷,ML對(duì)GC腹膜轉(zhuǎn)移的預(yù)測(cè)亦有較多研究。Dong等[41]以原發(fā)腫瘤及鄰近腹膜為研究對(duì)象,對(duì)4個(gè)不同醫(yī)療中心的554例GC增強(qiáng)CT圖像進(jìn)行影像組學(xué)研究并建立列線圖,以期識(shí)別OPM。該模型在訓(xùn)練集、內(nèi)部驗(yàn)證集及兩組外部驗(yàn)證集中表現(xiàn)出優(yōu)秀的性能及較強(qiáng)的泛化能力,其AUC分別為0.958、0.941、0.928、0.920。該研究證實(shí)原發(fā)腫瘤和鄰近腹膜的增強(qiáng)CT情況與OPM明確相關(guān)。Huang等[42]對(duì)544例GC門靜脈期CT圖像進(jìn)行研究,以GC原發(fā)病灶為研究對(duì)象建立深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network,DCNN)模型,預(yù)測(cè)術(shù)前進(jìn)展期胃癌的OPM。與臨床模型相比,DCNN模型優(yōu)于臨床模型,其AUC值為0.90,敏感度為0.81,特異度為0.875。Jiang等[43]以GC病灶增強(qiáng)CT門靜脈期的最大層面作為感興趣區(qū),對(duì)來(lái)自3家醫(yī)療中心的1978例進(jìn)展期GC進(jìn)行研究,并建立DL模型預(yù)測(cè)OPM。與Laurren分型和GC分化程度相比,其建立的PMetNet深度學(xué)習(xí)模型可以更好地預(yù)測(cè)OPM,訓(xùn)練集及兩組外部驗(yàn)證隊(duì)列的敏感度分別為83.7%、75.4%和87.5%,特異度分別為92.8%、92.9%和98.2%,AUC分別為0.955、0.946和0.920。Liu等[44]以GC原發(fā)病灶為研究對(duì)象,對(duì)3個(gè)中心的599例進(jìn)展期GC的門靜脈CT圖像進(jìn)行研究,建立基于包圍框(Bounding box)的影像組學(xué)模型檢測(cè)OPM,容納原發(fā)病灶的最小矩形模型展現(xiàn)出了最好的效能,其內(nèi)部驗(yàn)證隊(duì)列和外部驗(yàn)證隊(duì)列的AUC分別為0.871和0.841,敏感度分別為0.810和0.857,特異度分別為0.852和0.805。ML模型以GC原發(fā)灶或聯(lián)合腹膜作為研究對(duì)象對(duì)腹膜轉(zhuǎn)移情況進(jìn)行預(yù)測(cè),表明GC原發(fā)病灶可能包含著診斷腹膜轉(zhuǎn)移的關(guān)鍵信息。

綜上,有多個(gè)研究表明(表3),與影像特征判斷腹膜轉(zhuǎn)移相比,ML模型可能有著更好的表現(xiàn)。

表3 M分期參考文獻(xiàn)

不足與展望

在GC臨床分期中,影像特征評(píng)估和ML預(yù)測(cè)模型尚存以下問(wèn)題:①多為回顧性和單中心研究,容易出現(xiàn)選擇偏倚,多中心研究及前瞻性研究較少,難以擬合疾病的真實(shí)情況,各種方法、模型的泛化能力和魯棒性有待檢驗(yàn),經(jīng)過(guò)多中心、大樣本、前瞻性研究反復(fù)檢驗(yàn)的方法和模型才能準(zhǔn)確、可靠、有效地指導(dǎo)臨床診療;②有關(guān)胃癌的公開(kāi)數(shù)據(jù)集很少,癌癥醫(yī)學(xué)圖像數(shù)據(jù)庫(kù)(the cancer imaging archive,TCIA)是腫瘤影像的開(kāi)放獲取數(shù)據(jù)庫(kù),胃癌CT圖像目前僅有1組,期待未來(lái)有更多胃癌的公開(kāi)標(biāo)準(zhǔn)化信息數(shù)據(jù)供研究者們使用。

影像特征評(píng)估受限于影像技術(shù)及觀察者的經(jīng)驗(yàn),主觀性較強(qiáng)。MPR、VG提高了T分期的準(zhǔn)確率,但對(duì)于不同機(jī)構(gòu)的觀察者,其主觀差異可能較大,期望會(huì)出現(xiàn)有關(guān)胃癌的影像報(bào)告和數(shù)據(jù)系統(tǒng)以評(píng)分量化的方式把主觀差異縮小。由于難以評(píng)價(jià)5 mm以下淋巴結(jié)轉(zhuǎn)移情況,對(duì)N分期及淋巴結(jié)轉(zhuǎn)移的準(zhǔn)確性可能會(huì)通過(guò)聯(lián)合原發(fā)病灶的相關(guān)信息加以改善。在M分期中,OPM在CT上可能僅有細(xì)微的改變而難以診斷,評(píng)分量化法可能會(huì)對(duì)OPM的診斷有所突破,加入原發(fā)病灶的相關(guān)信息可能會(huì)成為進(jìn)一步的研究方向。

由于CT掃描協(xié)議缺乏統(tǒng)一標(biāo)準(zhǔn)及原始圖像數(shù)據(jù)處理方式不同等多種因素,ML模型難以驗(yàn)證和推廣。在未來(lái),有待不同公司、廠家及相關(guān)從業(yè)者對(duì)CT掃描協(xié)議及圖像采集標(biāo)準(zhǔn)進(jìn)行統(tǒng)一規(guī)范。感興趣區(qū)的分割或標(biāo)注決定了模型的優(yōu)劣,ML模型的建立多基于人工分割感興趣區(qū),由于GC病灶多隨胃壁呈迂曲走行,手工分割病灶耗時(shí)且主觀性強(qiáng),部分研究?jī)H以病灶最大橫斷面作為研究對(duì)象,可能會(huì)導(dǎo)致部分有用信息的缺失,更多自動(dòng)或半自動(dòng)分割方法的開(kāi)發(fā)及應(yīng)用將推動(dòng)GC相關(guān)研究的發(fā)展。無(wú)論DL模型或影像組學(xué)模型提取的影像定量特征缺少生物學(xué)驗(yàn)證及合理的病理組織學(xué)解釋,在醫(yī)療問(wèn)責(zé)機(jī)制下,模型需在臨床中謹(jǐn)慎應(yīng)用,未來(lái)對(duì)建立的模型給予相應(yīng)的解釋成為了ML發(fā)展及應(yīng)用的關(guān)鍵。

影像特征評(píng)估胃癌臨床分期的優(yōu)勢(shì)在于其可解釋性,基于CT的機(jī)器學(xué)習(xí)模型在胃癌臨床分期中展現(xiàn)出強(qiáng)大的預(yù)測(cè)能力。隨著對(duì)疾病征象更加深入的認(rèn)識(shí)、更多影像技術(shù)的開(kāi)發(fā)應(yīng)用以及機(jī)器學(xué)習(xí)的快速發(fā)展,我們有理由期待,未來(lái)的胃癌臨床分期將是影像特征評(píng)估輔以機(jī)器學(xué)習(xí)模型的聯(lián)合應(yīng)用,實(shí)現(xiàn)“人工”與“智能”相結(jié)合。醫(yī)學(xué)影像將作為影像學(xué)生物標(biāo)志物,成為疾病精準(zhǔn)診療中極為重要的一環(huán)。