神刊CA:人工智慧能為腫瘤影像學帶來春天嗎?

前不久，《CA: 臨床醫師癌症雜誌》（CA Cancer J Clin）發表了一篇題為「Artificial intelligence in cancer imaging: Clinical challenges and applications」的綜述，對這個問題進行了深入的解析。

醫療決策，作為醫學的核心之一，依賴於多層次數據與精細化決策的整合。在腫瘤這一特殊的領域裡，醫療決策要考慮多方面的因素。儘管技術在不斷地進步發展，但是在腫瘤的精準診斷、定性分析和監測等方面仍存在著挑戰。

AI與醫學影像的結合，在腫瘤診斷和治療領域將大有所為。在診斷上，AI可以實現腫瘤勾畫、腫瘤分型、臨床療效預測等功能。AI通過「深度學習」，可以自動化地幫助我們獲得關於腫瘤的數據與信息，從而協助臨床醫生的診治工作。AI還可以在影像報告的初步診斷上實現自動化，並且改變臨床上影像檢查的工作流程，管理決策是否實施幹預以及後續觀察。

腫瘤影像學中的AI

在腫瘤影像學中，AI的用途主要體現在三個方面：① 機體病變的發現；② 通過確定可疑病變的形狀體積、組織病理學診斷、疾病分期或分子譜來對其進行定性；③ 在監測腫瘤發展的過程中，評估預後和治療效果。

檢測

在機體異常的發現中，基於AI開發的計算機輔助檢測（CAD）逐漸進入影像科的工作中，通過預先設定好模式識別的公式，以AI為基礎的檢測工具可以提示可疑的影像學結果，為醫生的診斷提供支持。CAD作為腫瘤檢查時的初篩工具，可以有效地降低假陽性率和減少過度診斷。

定性

定性檢查時，AI提供了大量的腫瘤描述元，以此來捕捉腫瘤內部的異質性和變異性，從而對腫瘤進行定性的分析。① AI應用在圖像分割時，用2D或者3D測量的方式可以界定出異常的程度，這些信息除了可以幫助診斷之外，還可以用在放射治療中劑量的計算。② 在診斷上，AI可以根據量化的數據來幫助影像科的醫生劃分腫瘤的良性與惡性。③ 在分期上，AI可以通過檢測腫瘤範圍或腫瘤多灶性來協助確定分期。④ 值得一提的是，AI將腫瘤的影像學特徵與生物特徵整合起來，形成「影像組學」，更好地為臨床檢查提供幫助。

監測

AI在監測腫瘤隨時間的變化方面發揮越來越大的作用。傳統的腫瘤監測通常被局限在預先定義的（諸如腫瘤直徑等）指標裡，而AI可以捕捉大量的腫瘤特徵，從而更好地指示腫瘤的發展和治療效果。

管理

在臨床管理上，AI的幹預有望擴大現有的治療標準。除了向臨床醫生提供有用的疾病信息之外，還可以通過基於AI的

整合診斷系統，將影像信息與分子、病理信息融合，從而導向更加明智的醫療決策。

文中，作者選取了肺癌、中樞神經系統腫瘤、乳腺癌、前列腺癌四種疾病，分析AI在癌症診斷與治療的應用現狀。

肺癌

肺癌影像中AI應用研究進展

挑戰

- 不確定的肺結節大都是偶然發現的，有12%的結節是惡性的；

- 在發現結節之後，通常需要3~13個月的時間進行後續檢查以對其確診。

應用

- 良惡性結節區分：

結合四個量化評分（短軸直徑、輪廓、凹陷和紋理）的模型，區分肺部良惡性結節的準確率高達74.3%；

- 評估與風險分析：

計算機輔助結節評估和風險分析（CANARY）工具， 基於圖像標誌物無創地捕獲腫瘤的表型並提示其潛在的病理生理變化，對結節進行風險分層，從而識別出其中較為危險的亞群；

- 異質性分析：

腫瘤的異質性（ITH）與非小細胞肺癌（NSCLC）的預後不良息息相關，藉助AI對肺癌瘤內特徵的全面描述，為異質性的定性和定量提供了幫助；

- 微環境變化：

通過AI影像來識別腫瘤微環境，進而評價腫瘤的發展；

- 免疫治療評估：

通過識別與免疫治療相關的放射生物標誌物來評估免疫治療的效果；

- 靶向治療評估：

通過識別與突變相關的影像學表型來對活檢結果進行補充，避免無法識別出瘤內異質性所導致的耐藥和轉移。

中樞神經系統腫瘤

CNS影像中AI應用研究進展

挑戰

- 中樞神經系統（CNS）腫瘤多樣化；

- 與其他腦部腫瘤難以鑑別。

應用

- 亞型識別：

利用「影像組學」識別CNS腫瘤的不同分子亞型、組織病理學亞型，以及鑑別CNS與其他臨床表現相似的腫瘤；

- 腫瘤勾畫：

半自動算法可以應用於立體定向放射、術後殘留體積計算及跟蹤腫瘤生長變化等領域之中；

- 優化CNS診斷：

利用機器學習可以區分出放射性壞死造成的強化或假脫位這些在傳統影像學檢查中難以被解決的問題；

- 治療評估：

以影像為基礎的標誌物檢測可以對CNS腫瘤的治療效果進行預測，從而能夠選擇出對治療達到預期效果的患者，以避免無效治療和降低藥物毒性所帶來的風險。

乳腺癌

乳腺癌影像中AI應用研究進展

挑戰

- 乳腺癌是一種多樣化的疾病；

- 三陰性乳腺癌的影像檢查中沒有典型的惡性腫瘤信號，疾病發現較晚。

應用

- 輔助檢測：

通過預定義算法和深度學習的方法，在3D超聲、乳房MRI和乳房斷層融合影像中自動檢測乳房病變；

- 風險評估：

計算機視覺技術的應用，包括全數字平板乳腺機（FFDM）和動態對比增強核磁（DCE MRI），可以提取乳腺圖像中薄壁組織的密度與特徵，從而用於乳腺癌的風險預測；

- 量化腫瘤異質性：

通過動態對比評估將腫瘤異質性予以量化，從而提示腫瘤內部血管生成的情況以及治療的敏感性；

- 治療評估：

通過影像為基礎的標誌物檢測來進行預後評估和治療效果的評價。

乳腺癌中基因表型與影像學表型之間的關係

前列腺癌

挑戰

- 過度診斷，導致不必要的治療。

應用

- 輔助檢測：

AI在腫瘤分子診斷的基礎上，加強臨床醫生對前列腺癌檢測、定位、確定分期及監測的能力；

- 軟組織對比：

多參數磁共振成像（mpMRI）提供了檢測和定位前列腺可疑病變所需的軟組織對比，可將不必要的活檢減少四分之一；

- 病例數據系統：

前列腺成像報告與數據系統（PI-RADS），幫助解讀疑難病例和減少醫師間解讀分歧。

儘管AI在腫瘤成像方面已經取得了相當大的進步，但在廣泛應用於臨床之前，還必須克服一些限制與障礙。① 醫療數據的管理需要專業人員花費大量時間精力進行標記注釋；② 成像的標準化需要現有的研究團隊對數據集達成共識；③ 數據的共享需要克服法律和倫理方面的問題；④ AI對結果的可解釋性及對醫患關係的責任存在著挑戰。

現在，AI在臨床上的應用都處於嚴格的監管中。美國食品與藥物管理局（FDA）要求這些AI技術在提交審批時，要審查機器學習中的標定數據、測試案例、對邊緣案例的普遍適用性和穩定性以及能夠在全產品周期內的不斷更新。同時，由於雲計算和虛擬化越來越多地應用於醫療數據的處理，醫療信息技術正逐漸成為「大數據」革命的一部分，與此同時也引起了對數據安全和隱私的關注，這也需要更多的加密解決方案及更為完善的法規支撐。

參考文獻：

Artificial Intelligence in Cancer Imaging: Clinical Challenges and Applications. 

CA CANCER J CLIN, 2019;0:1–3

原標題：神刊CA再議人工智慧，腫瘤影像學的春天到了嗎？