人工智能在鼻咽癌診療中的應(yīng)用研究進(jìn)展

【摘要】鼻咽癌作為頭頸部常見的惡性腫瘤之一，早期診斷和精準(zhǔn)治療至關(guān)重要。隨著人工智能技術(shù)的快速發(fā)展，其在醫(yī)療領(lǐng)域的應(yīng)用日益廣泛，尤其在鼻咽癌的診療中顯示出巨大潛力。人工智能技術(shù)可以深度挖掘影像數(shù)據(jù)與鼻咽癌診斷、治療及預(yù)后等方面的關(guān)系，在鼻咽癌精準(zhǔn)醫(yī)學(xué)領(lǐng)域有著廣闊的應(yīng)用前景。盡管目前人工智能在鼻咽癌診療中的應(yīng)用仍處于研究階段，但未來的發(fā)展方向?qū)⒏幼⒅啬Ｐ偷姆夯芰?、多中心?shù)據(jù)的驗(yàn)證及與臨床工作流程的整合。預(yù)計(jì)人工智能技術(shù)將顯著提升鼻咽癌的診療效率和準(zhǔn)確性，為患者帶來更為精準(zhǔn)的治療方案?，F(xiàn)就人工智能在提高疾病早期診斷準(zhǔn)確性、治療及評估患者預(yù)后等方面的進(jìn)展進(jìn)行綜述，特別是支持向量機(jī)、隨機(jī)森林等機(jī)器學(xué)習(xí)算法在分析臨床數(shù)據(jù)和生物標(biāo)志物建立預(yù)后模型方面的應(yīng)用進(jìn)行綜述，為疾病的個(gè)性化治療策略制定提供了新的指導(dǎo)。

【關(guān)鍵詞】人工智能 ; 鼻咽癌 ; 機(jī)器學(xué)習(xí)算法 ; 診斷

【中圖分類號】R766.3 【文獻(xiàn)標(biāo)識碼】A 【文章編號】2096-3718.2024.21.0127.06

DOI：10.3969/j.issn.2096-3718.2024.21.040

鼻咽癌通常在咽隱窩區(qū)域較為常見，常采用內(nèi)鏡檢查，隨后對可疑區(qū)域進(jìn)行活檢。但是由于鼻咽部解剖結(jié)構(gòu)的特殊性，內(nèi)鏡活檢可能無法檢測到隱藏在咽隱窩黏膜下或外側(cè)的微小腫瘤，同時(shí)鼻咽癌的早期癥狀不典型，通常在疾病進(jìn)展晚期才顯現(xiàn)，使得早期診斷變得尤為困難，導(dǎo)致大多數(shù)情況下，鼻咽癌患者在確診時(shí)已處于中晚期階段，預(yù)后不佳[1]，這也凸顯了早期診斷的重要性。鼻咽癌對電離輻射高度敏感，放療是主要治療手段，Ⅰ期鼻咽癌可單獨(dú)放療，Ⅱ ～ Ⅳ B期可同步放化療或聯(lián)合輔助化療（AC），或先誘導(dǎo)化療（IC）后進(jìn)行同步放化療。隨著調(diào)強(qiáng)放療技術(shù)應(yīng)用，鼻咽癌患者局部控制率和5年生存率顯著提高，均可達(dá)80%以上，但10%～20%的患者仍會(huì)發(fā)生復(fù)發(fā)、轉(zhuǎn)移[2]，因此鼻咽癌的預(yù)后預(yù)測研究具有重要意義。

現(xiàn)如今，人工智能在鼻咽癌的診斷、治療及預(yù)后預(yù)測方面的研究日益深入。醫(yī)療人工智能主要?jiǎng)澐譃樘摂M和物理兩大領(lǐng)域。在虛擬領(lǐng)域，深度學(xué)習(xí)和機(jī)器學(xué)習(xí)技術(shù)發(fā)揮著核心作用，其為開發(fā)高效的計(jì)算機(jī)輔助診斷系統(tǒng)提供了堅(jiān)實(shí)的技術(shù)基礎(chǔ)[3]。近期研究表明，人工智能技術(shù)在鼻咽癌的診斷和治療中的應(yīng)用，能夠顯著提高患者的早期診斷率，改善預(yù)后[4]。本文介紹了人工智能在鼻咽癌診療中的研究進(jìn)展，包括人工智能在提高疾病早期診斷準(zhǔn)確性、評估患者預(yù)后及預(yù)測治療反應(yīng)等方面的應(yīng)用，探討支持向量機(jī)、隨機(jī)森林等機(jī)器學(xué)習(xí)算法在分析臨床數(shù)據(jù)和生物標(biāo)志物建立預(yù)后模型方面的應(yīng)用，以期為人工智能技術(shù)對鼻咽癌的臨床診療提供參考依據(jù)。

1 人工智能技術(shù)與機(jī)器學(xué)習(xí)算法

近年來，許多醫(yī)學(xué)成像技術(shù)，如超聲、CT、MRI及正電子發(fā)射計(jì)算機(jī)斷層掃描（PET）等的成像信息均可以被人工智能識別并進(jìn)行定量評估。人工智能在規(guī)避主觀判斷的同時(shí)，也能幫助醫(yī)師在臨床實(shí)踐中做出準(zhǔn)確和快速的影像診斷，并大幅減少工作量。傳統(tǒng)機(jī)器學(xué)習(xí)算法作為人工智能技術(shù)的一種應(yīng)用，主要依賴于預(yù)先定義的特征工程[5]。例如腫瘤的特征可以通過計(jì)算機(jī)程序進(jìn)行量化分析，量化后的特征被輸入到機(jī)器學(xué)習(xí)模型中，以便輔助醫(yī)師對患者進(jìn)行分類診斷和臨床決策。目前，傳統(tǒng)機(jī)器學(xué)習(xí)涵蓋了多種成熟的方法，包括k-最近鄰、支持向量機(jī)、隨機(jī)森林等，可根據(jù)研究的特征向量構(gòu)建預(yù)測模型，實(shí)現(xiàn)疾病診斷或預(yù)后的預(yù)測[6]。傳統(tǒng)機(jī)器學(xué)習(xí)算法的性能在很大程度上受到所選取特征質(zhì)量的影響，這一特點(diǎn)決定了其效能表現(xiàn)與特征工程的優(yōu)劣緊密相關(guān)。當(dāng)選取的特征能夠精確捕捉到鼻咽癌的關(guān)鍵病理特點(diǎn)、影像學(xué)表現(xiàn)或患者臨床信息，并與鼻咽癌的診斷、分期或預(yù)后評估任務(wù)高度相關(guān)時(shí)，機(jī)器學(xué)習(xí)模型便能發(fā)揮其卓越的性能，為醫(yī)師提供更精確、更可靠的輔助決策支持；反之，如果特征選擇不當(dāng)，可能會(huì)導(dǎo)致臨床決策的誤導(dǎo)，從而對患者的治療和管理帶來不利影響[7]。

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)子集，其基于模仿人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的算法，能夠自動(dòng)學(xué)習(xí)特征，并執(zhí)行圖像分類和任務(wù)處理，在鼻咽癌的診斷治療中也具有重要意義。深度學(xué)習(xí)在一定程度上規(guī)避了機(jī)器學(xué)習(xí)需要的人工干預(yù)和對高質(zhì)量特征的依賴，常用的深度學(xué)習(xí)算法包括人工神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)及循環(huán)神經(jīng)網(wǎng)絡(luò)等，不同的深度學(xué)習(xí)算法具有不同的特性和應(yīng)用場景。翁敬錦等[8]基于卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對鼻咽癌窄帶成像圖像診斷，且與兩名內(nèi)鏡專家的診斷結(jié)果比較，差異無統(tǒng)計(jì)學(xué)意義，識別時(shí)間為0.1 s/張。但由于深度學(xué)習(xí)的參數(shù)會(huì)通過多個(gè)層次的非線性處理進(jìn)行復(fù)雜的數(shù)據(jù)轉(zhuǎn)換，雖然在處理數(shù)據(jù)時(shí)表現(xiàn)出色，但從模型中直接提取可解釋的信息更困難，模型的決策過程難以被直觀理解。而機(jī)器學(xué)習(xí)模型因決策過程相對直觀，可以通過特征權(quán)重、決策樹路徑等方式進(jìn)行解釋，便于醫(yī)師理解模型的決策依據(jù)，以確保診斷的準(zhǔn)確性和可信度，加之其構(gòu)建參數(shù)優(yōu)化、計(jì)算部署等成本更低，因此包括支持向量機(jī)、隨機(jī)森林等機(jī)器學(xué)習(xí)算法仍是鼻咽癌診療研究的主要方向。

2 人工智能在鼻咽癌診斷中的應(yīng)用

目前，鼻咽癌的診斷主要通過內(nèi)窺鏡觀察可疑組織部位并進(jìn)行活檢。既往研究中均利用大量鼻咽內(nèi)窺鏡圖像開發(fā)了不同的人工智能模型，以區(qū)分鼻咽癌與鼻咽良性增生，如LI等[9]則利用27 536張白光成像的鼻咽鏡圖像，開發(fā)了一個(gè)深度學(xué)習(xí)模型，用于鼻咽癌的檢測，該報(bào)告稱，其在回顧性和前瞻性測試集上的準(zhǔn)確率分別為88.7%和88.0%，這表明該模型能夠有效地輔助醫(yī)師在鼻咽內(nèi)窺鏡檢查中識別鼻咽癌，提高診斷的準(zhǔn)確性和效率。而KE等[10]基于4 100例受試者成功開發(fā)并驗(yàn)證了一種基于自約束3D DenseNet架構(gòu)的深度學(xué)習(xí)雙任務(wù)模型，在檢測鼻咽癌方面總體準(zhǔn)確率、敏感性及特異性甚至高于經(jīng)驗(yàn)豐富的放射科醫(yī)師（分別為97.77% vs 95.87%，99.68% vs 99.24%，91.67% vs 85.21%），能夠提高早期診斷率和減少漏診。此外，SHU等[11]研究創(chuàng)新性地將多層拉曼特定卷積神經(jīng)網(wǎng)絡(luò)與光纖拉曼光譜內(nèi)窺鏡系統(tǒng)相結(jié)合，在識別鼻咽癌整體診斷準(zhǔn)確率達(dá)到了82.09%（敏感性92.18%，特異性73.99%），同時(shí)還進(jìn)一步通過分析拉曼光譜數(shù)據(jù)，揭示了與癌癥相關(guān)的特定生物分子變化，不僅可用于鼻咽癌患者的快速篩查和監(jiān)測，并且也可以部署用于治療后鼻咽癌患者的長期隨訪監(jiān)測，以便在頭頸部檢測早期癌癥復(fù)發(fā)。在針對傳統(tǒng)內(nèi)窺鏡檢查往往容易漏診的表面黏膜病變方面，XU等[12]收集了4 783張鼻咽鏡圖像進(jìn)行設(shè)計(jì)并訓(xùn)練了一個(gè)孿生深度卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)能夠利用白光和窄帶成像圖像來提高區(qū)分表面黏膜病變的性能，模型的整體準(zhǔn)確率和敏感性分別為95.7%和97.0%，能夠彌補(bǔ)傳統(tǒng)內(nèi)窺鏡檢查的漏診問題。可見，人工智能與內(nèi)窺鏡技術(shù)的結(jié)合在鼻咽癌診斷領(lǐng)域取得了顯著成果，不僅提高了診斷的準(zhǔn)確性和效率，還拓展了診斷的廣度和深度。

病理活檢是目前鼻咽癌診斷的金標(biāo)準(zhǔn)，但由于大多數(shù)樣本中非角化性癌的分化程度低且混有大量淋巴細(xì)胞，使得活檢樣本的診斷結(jié)果往往具有主觀性，導(dǎo)致觀察者之間的差異，影響診斷效率。對此，有研究收集了726個(gè)鼻咽活檢樣本，基于ResNeXt深度神經(jīng)網(wǎng)絡(luò)架構(gòu)，訓(xùn)練出了識別鼻咽癌的圖像塊的塊級診斷模型，并在塊級模型的基礎(chǔ)上，進(jìn)一步開發(fā)了完整影圖模型，對所有塊級模型的識別信息與逆行整合等，通過接收者操作特征曲線下面積（AUC）評估發(fā)現(xiàn)模型的AUC達(dá)到了0.9900，而在幻燈片級別上，模型的AUC為0.9848，展現(xiàn)出了在病理組織中識別鼻咽癌的有效性[13]。而DIAO等[14]則收集了1 970張病理圖，采用卷積神經(jīng)網(wǎng)絡(luò)Inception-v3并將其訓(xùn)練為能識別和分類慢性鼻咽炎、淋巴組織增生和鼻咽癌的診斷模型。在三個(gè)圖像類別上的AUC分別為0.905（慢性鼻咽炎）、0.972（淋巴組織增生）和0.930（鼻咽癌），其在測試集上的平均AUC為0.936，與初級和中級病理學(xué)專家相比表現(xiàn)更優(yōu)。

由于鼻咽癌和鼻咽部良性增生早期局限于鼻咽部，CT、MRI等難以辨別，而人工智能的加入提高了早期識別鼻咽癌的能力。如WONG等[15]研究通過分析412例經(jīng)鼻咽活檢確認(rèn)的原發(fā)性鼻咽癌與鼻咽部良性增生患者，利用患者治療前的T2加權(quán)磁共振圖像，構(gòu)建了一種殘差注意力網(wǎng)絡(luò)模型，用以區(qū)分鼻咽部的良性與早期惡性組織，該模型在敏感性、特異性及準(zhǔn)確率方面表現(xiàn)出色，分別達(dá)到了92.4%、90.6%、91.5%。而YANG等[16]則通過弱監(jiān)督深度學(xué)習(xí)方法預(yù)測了鼻咽癌患者的T分期，驗(yàn)證數(shù)據(jù)集中預(yù)測準(zhǔn)確率達(dá)到了75.59%，同時(shí)分析結(jié)果顯示，該模型對于患者無進(jìn)展生存期和總生存期的預(yù)估與TNM分期在統(tǒng)計(jì)學(xué)上沒有顯著差異，表明了深度學(xué)習(xí)技術(shù)在從影像資料中提取豐富定量信息方面將發(fā)揮關(guān)鍵作用。

人工智能技術(shù)在鼻咽癌的診斷中展現(xiàn)出了巨大的潛力和優(yōu)勢。通過與內(nèi)窺鏡、病理活檢圖像及醫(yī)學(xué)影像技術(shù)的深度融合，人工智能不僅顯著提高了鼻咽癌診斷的準(zhǔn)確性和效率，還克服了傳統(tǒng)診斷方法中的主觀性和局限性，這不僅為臨床提供了更為精準(zhǔn)的診斷工具，也為鼻咽癌的早期發(fā)現(xiàn)、治療和預(yù)后評估開辟了新的路徑。

3 人工智能在鼻咽癌治療中的應(yīng)用

鼻咽癌的治療目前主要包括放射治療、化學(xué)治療、手術(shù)治療及這些療法的綜合應(yīng)用[17]。而由于鼻咽癌的生長位置特殊，難以通過手術(shù)切除，因此放射治療是鼻咽癌的首選治療方法，而勾畫腫瘤靶區(qū)和影像學(xué)圖像質(zhì)量等均是影響患者放療的主要障礙[18]。圖像質(zhì)量受限于機(jī)器性能和為減少人體輻射的考慮，但人工智能技術(shù)的應(yīng)用為提升圖像質(zhì)量提供了新的可能性。例如，CHEN等[19]通過應(yīng)用深度學(xué)習(xí)算法，成功地創(chuàng)建了合成千伏CT圖像，在實(shí)體模型研究中較傳統(tǒng)兆伏CT圖像展現(xiàn)出更佳的信噪比及更優(yōu)的圖像一致性和對比度特性。LI等[20]則運(yùn)用深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，從錐形束CT數(shù)據(jù)中合成CT圖像，并將其有效應(yīng)用于鼻咽癌的放射治療劑量計(jì)算，證實(shí)了合成圖像在臨床劑量計(jì)算中的實(shí)用性。此外，還有研究開發(fā)了一種創(chuàng)新的深度卷積神經(jīng)網(wǎng)絡(luò)模型，該模型能夠根據(jù)MRI圖像合成CT圖像，用于鼻咽癌患者的調(diào)強(qiáng)質(zhì)子治療計(jì)劃，其中合成圖像的伽馬通過率在嚴(yán)格標(biāo)準(zhǔn)下（3 mm/3%）均達(dá)到了超過97.32%的高比率[21]?？傊斯ぶ悄軐τ趫D像質(zhì)量的提升確保了放射治療的安全性和有效性，減少了因圖像質(zhì)量不足可能導(dǎo)致的治療誤差。

在放射治療的臨床應(yīng)用中，精確地在CT圖像上描繪治療靶區(qū)和危及器官是至關(guān)重要的步驟，該步驟通常由醫(yī)師手動(dòng)操作完成，而為了提升這一過程的效率和準(zhǔn)確性，目前已經(jīng)開發(fā)了多種基于深度學(xué)習(xí)的自動(dòng)分割算法。相關(guān)研究開發(fā)/改進(jìn)U-net模型來更精確地描繪鼻咽癌的治療靶區(qū)，經(jīng)訓(xùn)練后Dice系數(shù)可達(dá)0.8以上（0.827～0.840），為實(shí)現(xiàn)自動(dòng)化的分割技術(shù)提供了可能性，有助于提高放療計(jì)劃的質(zhì)量和效率[22]。還有研究結(jié)合了改良的遞歸特征選擇方法和經(jīng)典隨機(jī)森林算法，提出了名為改良隨機(jī)森林遞歸特征選擇的新穎特征選擇算法，可用于訓(xùn)練識別鼻咽癌圖像的邊緣，準(zhǔn)確率可達(dá)96.7%，并發(fā)現(xiàn)該算法在鼻咽癌患者的T1加權(quán)磁共振圖像分割任務(wù)上優(yōu)于深度學(xué)習(xí)方法，提示了特定醫(yī)學(xué)圖像處理任務(wù)中，通過結(jié)合創(chuàng)新的特征選擇方法的傳統(tǒng)機(jī)器學(xué)習(xí)算法依然具有競爭力和應(yīng)用潛力[23]。

對比CT圖像，MRI圖像具有更明顯的軟組織對比度，可以進(jìn)一步腫瘤靶區(qū)的準(zhǔn)確分割提供了有力支持。LIN等[24]基于1 021例鼻咽癌患者的數(shù)據(jù)采用VoxResNet構(gòu)建了一個(gè)3D卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，用于自動(dòng)描繪原發(fā)性大體腫瘤體積，Dice系數(shù)可達(dá)0.79。還有研究創(chuàng)新性地采用具備長距離跳躍連接和多尺度特征金字塔的3D卷積神經(jīng)網(wǎng)絡(luò)用于鼻咽癌的分割，該模型在測試中Dice系數(shù)為0.737 DSC [25]。而YE等[26]則采用密集連接的U-net和雙序列MRI圖像，開發(fā)了一種全自動(dòng)鼻咽癌分割方法，7例鼻咽癌患者的平均Dice系數(shù)為0.87。但LUO等[27]研究則發(fā)現(xiàn)在深度學(xué)習(xí)模型結(jié)合增強(qiáng)策略后，在MRI圖像上對鼻咽癌進(jìn)行大體腫瘤體積分割的精度優(yōu)于廣泛使用的nnU-net（由2D UNet、3D UNet和U-Net Cascade組成）。而考慮到鼻咽癌的高惡性和侵襲性，以及MRI環(huán)境中腫瘤組織與正常組織邊界的模糊性。還有研究開發(fā)了一種“從粗到細(xì)”的深度神經(jīng)網(wǎng)絡(luò)模型，通過兩步走的方式，先預(yù)測粗略的掩碼快速確定腫瘤的大致位置，然后通過邊界渲染模塊利用從不同層次的特征映射中提取的語義信息慢慢調(diào)整邊界，使之更加精確地貼合腫瘤的實(shí)際形狀，該模型在一個(gè)包含596例患者的2 000個(gè)MRI切片的數(shù)據(jù)集上，該模型的Dice系數(shù)達(dá)到了0.703，具有良好的圖像分割效果[28]。

人工智能技術(shù)在鼻咽癌的放射治療領(lǐng)域展現(xiàn)出了巨大的潛力和優(yōu)勢。影像學(xué)圖像質(zhì)量的提升確保了治療的精準(zhǔn)性，而高效的自動(dòng)分割算法則顯著提高了靶區(qū)和危及器官勾畫的準(zhǔn)確性和效率，減少了因人為因素或圖像質(zhì)量不足可能帶來的治療誤差，提高了治療效果和患者的生存率。

4 人工智能在評估治療預(yù)后中的應(yīng)用

鼻咽癌患者預(yù)后預(yù)測涉及多個(gè)變量，包括臨床信息、病理特征、治療策略等，這些變量往往構(gòu)成高維數(shù)據(jù)集。而傳統(tǒng)的TNM/美國癌癥聯(lián)合會(huì)（AJCC）分期系統(tǒng)無法提供預(yù)期的預(yù)后效果和預(yù)測患者進(jìn)展。相比之下，人工智能可以通過處理數(shù)據(jù)和分析重要特征來準(zhǔn)確預(yù)測癌癥生存時(shí)間和進(jìn)展。有許多研究采用支持向量機(jī)構(gòu)建了放射組學(xué)機(jī)器學(xué)習(xí)模型來預(yù)測疾病進(jìn)展，且在研究中均表現(xiàn)出良好的性能[29-30]。也有研究認(rèn)為，隨機(jī)森林算法相比于其他機(jī)器學(xué)習(xí)算法，在處理高維數(shù)據(jù)并評估變量、處理不平衡數(shù)據(jù)集、通過多棵樹的集成減少模型的偏差，提高預(yù)測準(zhǔn)確性等方面顯示出一定優(yōu)勢[31]。如PEI等[32]基于294例接受治療前MRI檢測的局部晚期鼻咽癌患者，以及對其放射組學(xué)特征的提取，發(fā)現(xiàn)隨機(jī)森林模型在訓(xùn)練隊(duì)列和測試隊(duì)列中預(yù)測3年和5年模型的AUC值分別為0.899和0.861，顯著高于其他三種Cox回歸模型。同樣也有研究指出了Cox回歸模型在鼻咽癌患者生存預(yù)后方面的準(zhǔn)確性不足，基于隨機(jī)生存森林和生存支持向量機(jī)，利用SEER數(shù)據(jù)庫中

1 683例鼻咽癌患者數(shù)據(jù)，開發(fā)了一個(gè)專門針對鼻咽癌患者的生存預(yù)測系統(tǒng)，C-index相比Cox回歸模型更高（0.785對比0.721）[33]。XUE等[34]則采用隨機(jī)森林模型選出了與鼻咽癌患者總體生存顯著相關(guān)的三個(gè)最重要的特征，包括中性粒細(xì)胞與淋巴細(xì)胞比率、血紅蛋和EB病毒DNA；在訓(xùn)練和驗(yàn)證集中，該模型的C-index指數(shù)分別為0.733（95%CI值0.673～0.793）和0.772（95%CI值0.691～0.853），顯著高于TNM分期等傳統(tǒng)預(yù)估方法的C-index。還有研究基于利用隨機(jī)生存森林算法開發(fā)了三酰甘油- 炎癥評分，結(jié)果顯示，該評分在訓(xùn)練集的C-index為0.806，在驗(yàn)證集為0.759，在整組為0.808，在預(yù)測鼻咽癌患者總生成期方面具有出色的性能[35]。

PET-CT在鼻咽癌復(fù)發(fā)和遠(yuǎn)處轉(zhuǎn)移的檢測中具有特殊的敏感性、特異性及準(zhǔn)確性優(yōu)勢。MENG等[36]創(chuàng)新性地構(gòu)建了一個(gè)基于預(yù)處理PET-CT圖像的模型，該模型集成了硬共享分割骨干與級聯(lián)生存網(wǎng)絡(luò)，通過硬共享分割骨干，模型有效提取了與原發(fā)腫瘤緊密相關(guān)的區(qū)域特征，顯著減少了無關(guān)背景數(shù)據(jù)的干擾；級聯(lián)神經(jīng)網(wǎng)絡(luò)進(jìn)一步挖掘這些腫瘤數(shù)據(jù)中的預(yù)后信息，從而實(shí)現(xiàn)了對鼻咽癌患者生存期的精確預(yù)測。GU等[37]則開發(fā)了一個(gè)端到端的多模態(tài)深度學(xué)習(xí)放射組學(xué)模型，該模型結(jié)合預(yù)處理的PET-CT圖像與TNM分期系統(tǒng)，從圖像中提取深度特征以預(yù)測晚期鼻咽癌患者的5年無進(jìn)展生存，該模型在內(nèi)、外部隊(duì)列上均表現(xiàn)出色（AUC分別為0.842和0.823），展示了其高準(zhǔn)確性和可靠性。病理圖像顯示出在構(gòu)建人工智能預(yù)后模型中的潛力。病理圖像也可以用來構(gòu)建人工智能預(yù)后模型，有研究將MRI的放射學(xué)特征、病理圖像的DCNN模型和鼻咽癌患者的臨床特征整合在一起，構(gòu)建了一個(gè)多尺度列線圖來預(yù)測鼻咽癌患者的無失敗生存期，觀察發(fā)現(xiàn)，其在內(nèi)部和外部試驗(yàn)隊(duì)列的C指數(shù)分別為0.828和0.834 [38]。

人工智能技術(shù)在鼻咽癌預(yù)后預(yù)測中展現(xiàn)出顯著優(yōu)勢，特別是隨機(jī)森林等算法，通過處理高維數(shù)據(jù)集和識別關(guān)鍵特征，提高了預(yù)測準(zhǔn)確性。相比傳統(tǒng)分期系統(tǒng)，人工智能模型能綜合多源信息，如臨床、病理、影像及基因數(shù)據(jù)，實(shí)現(xiàn)精準(zhǔn)預(yù)測，應(yīng)用前景廣闊，有望提升患者治療效果和后期生存質(zhì)量。

5 小結(jié)與展望

基于目前的研究，可以認(rèn)為人工智能在鼻咽癌診療中具有顯著提升早期診斷率、治療精確性及預(yù)后評估準(zhǔn)確性的應(yīng)用價(jià)值。在鼻咽癌的早期診斷方面通過深度學(xué)習(xí)和機(jī)器學(xué)習(xí)算法，能夠處理超聲、CT、MRI等醫(yī)學(xué)影像數(shù)據(jù)，提高對可疑組織的識別能力；在治療方面為自動(dòng)分割治療靶區(qū)和危及器官、提高放療的精確性和效率等方面提供了可能性；在預(yù)后評估方面通過分析臨床數(shù)據(jù)、病理特征及治療策略等多個(gè)變量，能夠預(yù)測鼻咽癌患者的預(yù)后，隨機(jī)森林等機(jī)器學(xué)習(xí)算法在處理高維數(shù)據(jù)集和識別關(guān)鍵特征方面表現(xiàn)出色，有助于構(gòu)建精確的預(yù)后模型。但人工智能模型的訓(xùn)練和驗(yàn)證需要大量高質(zhì)量的標(biāo)注數(shù)據(jù)，而這些數(shù)據(jù)的獲取和處理可能涉及隱私保護(hù)和數(shù)據(jù)安全問題，需要符合相關(guān)法律法規(guī)及倫理批準(zhǔn)。此外，人工智能模型的泛化能力、跨中心數(shù)據(jù)的驗(yàn)證及與現(xiàn)有臨床工作流程的整合也是當(dāng)前研究的重點(diǎn)，還需注意算法黑箱帶來的解釋性難題。未來，隨著技術(shù)的進(jìn)步和法規(guī)的完善，預(yù)計(jì)人工智能將在鼻咽癌的早期診斷、治療計(jì)劃和預(yù)后評估中發(fā)揮更大的作用。

人工智能技術(shù)有望進(jìn)一步整合到鼻咽癌的診療全流程中，從輔助診斷到個(gè)性化治療，再到長期隨訪，實(shí)現(xiàn)全周期管理。同時(shí)，隨著深度學(xué)習(xí)算法的不斷優(yōu)化和計(jì)算能力的提升，人工智能模型的準(zhǔn)確性和效率將得到顯著提高。此外，跨學(xué)科合作，包括醫(yī)學(xué)、計(jì)算機(jī)科學(xué)、生物信息學(xué)等領(lǐng)域的深入合作，將推動(dòng)人工智能在鼻咽癌診療中的應(yīng)用，為患者提供更精準(zhǔn)、更個(gè)性化的治療方案。隨著法規(guī)的完善和倫理的指導(dǎo)，人工智能技術(shù)的臨床應(yīng)用將更加規(guī)范化，確?；颊呃婧蛿?shù)據(jù)安全。預(yù)計(jì)人工智能技術(shù)將為鼻咽癌患者帶來更加精準(zhǔn)的診療服務(wù)，顯著提高患者治療效果和生活質(zhì)量。

參考文獻(xiàn)

TANG L L， CHEN Y P， CHEN C B， et al. The Chinese Society of Clinical Oncology （CSCO） clinical guidelines for the diagnosis and treatment of nasopharyngeal carcinoma[J]. Cancer Commun （Lond）， 2021， 41（11）： 1195-1227.

LIANG H， XIANG Y Q， LV X， et al. Survival impact of waiting time for radical radiotherapy in nasopharyngeal carcinoma： A large institution-based cohort study from an endemic area[J]. Eur J Cancer， 2017， 73： 48-60.

曾華堂， 柯夏童， 伍麗群， 等. 人工智能在醫(yī)療質(zhì)量管理中應(yīng)用現(xiàn)狀和效果范圍綜述[J]. 中國醫(yī)院管理， 2023， 43（8）： 21-26.

NG W T， BUT B， CHOI H C W， et al. Application of artificial intelligence for nasopharyngeal carcinoma management-a systematic review[J]. Cancer Manag Res， 2022， 14： 339-366.

CHOI R Y， COYNER A S， KALPATHY-CRAMER J， et al. Introduction to machine learning， neural networks， and deep learning[J]. Transl Vis Sci Technol， 2020， 9（2）： 14.

SULTAN A S， ELGHARIB M A， TAVARES T， et al. The use of artificial intelligence， machine learning and deep learning in oncologic histopathology[J]. Oral Pathol Med， 2020， 49（9）： 849-856.

楊晨， 林勤. 深度學(xué)習(xí)在鼻咽癌影像及圖像分析中應(yīng)用的研究進(jìn)展[J]. 癌癥， 2022， 41（9）： 425-433.

翁敬錦， 韋嘉章， 韋云鐘， 等. 卷積神經(jīng)網(wǎng)絡(luò)對鼻咽癌窄帶成像圖像診斷的研究[J]. 臨床耳鼻咽喉頭頸外科雜志， 2023， 37（6）： 483-486.

LI C F， JING B Z， KE L， et al. Development and validation of an endoscopic images-based deep learning model for detection with nasopharyngeal malignancies[J]. Cancer Commun （Lond）， 2018， 38（1）： 59.

KE L， DENG Y， XIA W， et al. Development of a self-constrAIned 3D DenseNet model in automatic detection and segmentation of nasopharyngeal carcinoma using magnetic resonance images[J]. Oral Oncol， 2020， 110： 104862.

SHU C， YAN H S， ZHENG W， et al. Deep learning-guided fiberoptic raman spectroscopy enables real-time in vivo diagnosis and assessment of nasopharyngeal carcinoma and post-treatment efficacy during endoscopy[J]. Anal Chem， 2021， 93（31）： 10898-10906.

XU J W， WANG J， BIAN X Z， et al. Deep learning for nasopharyngeal carcinoma identification using both white light and narrow-band Imaging endoscopy[J]. Laryngoscope， 2022， 132（5）： 999-1007.

CHUANG W Y， CHANG S H， YU W H， et al. Successful identification of nasopharyngeal carcinoma in nasopharyngeal biopsies using deep learning[J]. Cancers （Basel）， 2020， 12（2）： 507.

DIAO S H， HOU J， YU H， et al. Computer-aIded pathologic diagnosis of nasopharyngeal carcinoma based on deep learning[J]. Am J Pathol， 2020， 190（8）： 1691-1700.

WONG L M， KING A D， AI Q Y H， et al. Convolutional neural network for discriminating nasopharyngeal carcinoma and benign hyperplasia on MRI[J]. Eur Radiol， 2021， 31（6）： 3856-3863.

YANG Q， GUO Y， OU X M， et al. Automatic tagging using weakly supervised deep learning for nasopharyngeal carcinoma on MRI images[J]. J Mag Reson Imaging， 2020， 52（4）： 1074-1102.

謝民強(qiáng). 鼻咽癌治療研究進(jìn)展[J]. 中國耳鼻咽喉顱底外科雜志， 2023， 29（6）： 1-10.

康敏. 中國鼻咽癌放射治療指南（2022版）[J]. 中華腫瘤防治雜志， 2022， 39（9）： 611-622.

CHEN X Y， YANG B， LI J W， et al. A deep-learning method for generating synthetic kV-CT and improving tumor segmentation for helical tomotherapy of nasopharyngeal carcinoma[J]. Phys Med Biol， 2021， 66： 224001.

LI Y， ZHU J， LIU Z， et al. A preliminary study of using a deep convolution neural network to generate synthesized CT images based on CBCT for adaptive radiotherapy of nasopharyngeal carcinoma[J]. Phys Med Biol， 2019， 64（14）： 145010.

CHEN S P， PENG Y L， QIN A， et al. MR-based synthetic CT image for intensity-modulated proton treatment planning of nasopharyngeal carcinoma patients[J]. Acta Oncol， 2022， 61（11）： 1417-1424.

XUE X D， QIN N N， HAO X Y， et al. Sequential and iterative auto-segmentation of high-risk clinical target volume for radiotherapy of nasopharyngeal carcinoma in planning CT images[J]. Front Oncol， 2020， 10： 1134.

FEI Y C， ZHANG F Y， ZU C， et al. MRF-RFS： A Modified random forest recursive fFeature selection algorithm for nasopharyngeal carcinoma segmentation[J]. Methods Inf Med， 2020， 59（5）： 151-161.

LIN L， DOU Q， JIN Y M， et al. Deep learning for automated contouring of primary tumor volumes by MRI for nasopharyngeal carcinoma[J]. Radiology， 2019， 291（3）： 677-686.

GUO F， SHI C， LI X.， et al. Image segmentation of nasopharyngeal carcinoma using 3D CNN with long-range skip connection and multi-scale feature pyramid[J]. Soft Comput， 2020， 24： 12671-12680.

YE Y F， CAI Z Y， HUANG B， et al. Fully-automated segmentation of nasopharyngeal carcinoma on dual-sequence MRI using convolutional neural networks[J]. Front Oncol， 2020， 10： 166.

LUO X D， LIAO W J， HE Y， et al. Deep learning-based accurate delineation of primary gross tumor volume of nasopharyngeal carcinoma on heterogeneous magnetic resonance imaging： A large-scale and multi-center study[J]. Radiother Oncol， 2023， 180： 109480.

LI Y，PENG H， DAN T T， et al. Coarse-to-fine nasopharyngeal carcinoma segmentation in MRI via multi-stage rendering[C]. //2020 IEEE International Conference on Bioinformatics and Biomedicine： IEEE International Conference on Bioinformatics and Biomedicine （BIBM 2020）， 16-19 December 2020， Virtual Event， Seoul， Korea （South）.：Institute of Electrical and Electronics Engineers， 2020： 623-628.

ZHUO E H， ZHANG W J， LI H J， et al. Radiomics on multi-modalities MR sequences can subtype patients with non-metastatic nasopharyngeal carcinoma （NPC） into distinct survival subgroups[J]. Eur Radiol， 2019， 29（10）： 5590-5599.

DU R， LEE V H， YUAN H， et al. Radiomics model to predict early progression of nonmetastatic nasopharyngeal carcinoma after intensity modulation radiation therapy： A multicenter study[J]. Radiol Artif Intell， 2019， 1（4）： e180075.

BECKER T， ROUSSEAU A J， GEUBBELMANS M， et al. Decision trees and random forests[J]. Am J Orthod Dentofacial Orthop， 2023， 164（6）： 894-897.

PEI W， WANG C， LIAO H， et al. MRI-based random survival forest model improves prediction of progression-free survival to induction chemotherapy plus concurrent chemoradiotherapy in locoregionally advanced nasopharyngeal carcinoma[J]. BMC Cancer， 2022， 22（1）： 739.

XIAO Z W， SONG Q， WEI Y K， et al. Use of survival support vector machine combined with random survival forest to predict the survival of nasopharyngeal carcinoma patients[J]. Transl Cancer Res， 2023， 12（12）： 3581-3590.

XUE N， Ou G P， MA W G. et al. Development and validation of a risk prediction score for patients with nasopharyngeal carcinoma[J]. Cancer Cell Int， 2021， 21（1）： 452.

LI J， YE Y X， CAI Y L， et al. Triglyceride-inflammation score established on account of random survival forest for predicting survival in patients with nasopharyngeal carcinoma： A retrospective study[J]. Front Immunol， 2024， 15： 1375931.

MENG M Y， GU B X， BI L， et al. DeepMTS： Deep multi-task learning for survival prediction in patients with advanced nasopharyngeal carcinoma using pretreatment PET/CT[J]. IEEE J Biomed Health Inform， 2022， 26（9）： 4497-4507.

GU B X， MENG M Y， BI L， et al. Prediction of 5-year progression-free survival in advanced nasopharyngeal carcinoma with pretreatment PET/CT using multi-modality deep learning-based radiomics[J]. Front Oncol， 2022， 12： 899351.

ZHANG F， ZHONG L Z， ZHAO X， et al. A deep-learning-based prognostic nomogram integrating microscopic digital pathology and macroscopic magnetic resonance images in nasopharyngeal carcinoma： A multi-cohort study[J]. Ther Adv Med Oncol， 2020， 12： 1758835920971416.