肺癌影像學的人工智能研究

作者：早上好，王世偉，徐茂生，浙江醫(yī)科大學附屬第一醫(yī)院

肺癌是最常見的惡性腫瘤之一。根據美國癌癥協會2020年1月發(fā)布的數據，肺癌的發(fā)病率和死亡率在惡性腫瘤中排名第一。早期診斷和治療可以有效提高患者的生存率。 CT是肺癌篩查和臨床診斷中最常用的方法，在肺癌的早期發(fā)現和后續(xù)治療中起著非常重要的作用。隨著低劑量CT肺部篩查技術的日益普及，檢測到越來越多的肺結節(jié)，放射科醫(yī)生面臨許多挑戰(zhàn)，例如工作量增加，人力不足和診斷要求增加。近年來，隨著計算機技術的發(fā)展和進步，人工智能技術引起了廣泛的關注。使用人工智能技術來幫助放射科醫(yī)生解決這些挑戰(zhàn)已成為一種趨勢。本文總結了人工智能技術的介紹和肺癌成像的人工智能研究應用。

1.人工智能技術簡介

人工智能，也稱為機器智能，是指由人類制造的機器所表現出的智能。它通常指的是通過普通計算機程序實現的人工智能技術，例如人工神經網絡，支持向量機和卷積神經網絡。代表。人工智能是一種新興的革命性新技術。它結合了醫(yī)學影像學和回顧性機器學習訓練，并結合了大量病例，以達到診斷和預測疾病的目的。

在臨床實踐領域，人工智能是對各種醫(yī)學圖像的診斷和預測分析，包括視網膜和皮膚病變的照片，病理顯微鏡圖像和放射圖像，可提高診斷速度，準確性和報告質量。影像醫(yī)學的綜合功效。人工智能包括機器學習，而深度學習作為機器學習中的一項先進技術，目前是肺癌成像研究中最常用的方法。深度學習由多個工作層組成，例如視覺皮層，工作流程從初始層到最高層。人工智能使用的深度學習技術可以不斷提高模型的性能，以更好地滿足實際需求。它已被廣泛用于研究。

光化學組學主要通過高通量提取醫(yī)學圖像的特征，并使用處理后的特征建立診斷和預測臨床疾病的模型。該過程主要包括圖像采集，病變描繪，特征提取，特征選擇和機器建模。深度學習模型是一種不斷學習和改進的人工智能方法。相反，一旦建立了光化學模型，就不會自動修改參數，也就沒有獨立學習的能力。因此，圖像組學不是純粹的人工智能方法，而是人工智能技術和統計分析的綜合運用。研究對象的樣本量不如機器學習和深度學習那么高。根據最近的文獻報道，它已被廣泛用于影像醫(yī)學和核醫(yī)學。

2.人工智能在肺癌成像中的應用

由于肺癌的高發(fā)病率和高死亡率，它一直是基礎和臨床研究的熱點。近年來，人工智能技術發(fā)展迅速，其對肺癌的研究非常廣泛，包括病因分析，各種診斷（如活檢優(yōu)化，組織病理學，遺傳分類等），預后評估和治療方案優(yōu)化等。 。，主要側重于肺部病變的檢測。

2. 1個檢測

使用人工智能技術可以提高肺癌的檢測效率，并加強對肺結節(jié)患者的管理。 SIM等多中心研究表明，結合深層卷積神經網絡，放射科醫(yī)生對胸部X射線圖像的敏感性從65.1％提高到70.3％，每幅圖像的假陽性率0.20降至0.18。 LIU等人的研究。使用卷積神經網絡建立深度學習模型，對12754例CT掃描圖像進行全自動檢測，無論是大小和位置不同的實性結節(jié)還是亞實性結節(jié)，自動檢測模型的檢測靈敏度均高于的2名放射線醫(yī)師，模型的總陽性率為70.1％，高于2名放射線醫(yī)師（39.4％和56.6％）的放射線陽性率，誤報（48.4％）。

HAWKINS等人的研究探索了基線低劑量CT圖像通過成像組學分析檢測和預測隨后的肺結節(jié)癌變的能力。該研究使用了來自美國國家肺癌篩查測試的數據來檢測肺結節(jié)并通過隨機森林。該分類器具有23種穩(wěn)定特征，并且已建立的預測1年和2年內肺癌結節(jié)模型的準確率分別為80％和79％， （AUC分別是0.83和0.75）。

2. 2診斷

盡管傳統的影像學特征在識別肺癌的病理類型和基因突變方面取得了進展，但仍然存在重大挑戰(zhàn)。借助諸如圖像組學和深度學習之類的人工智能方法，可以提取肉眼無法識別的圖像信息特征，并且在識別肺癌的病理類型和基因突變方面具有良好的性能。 Wang等?；仡櫺苑治隽擞跋駥W組學技術在區(qū)分良性和惡性肺結節(jié)方面的預測能力。該研究在國際開放數據庫-肺成像數據庫聯盟和圖像數據資源計劃中獲得了593例肺腫瘤患者的CT圖像。 ，定量分析和提取150種成像組學特征，經過數據處理和支持向量機建模，最終獲得實驗組和驗證組的敏感性，特異性，準確率分別為8 2. 5％，89.5％， 86.0％和74.6％，78.9％，76.1％。 CHAE等。根據影像學特征，回顧性分析了58例浸潤性肺腺癌（包括7例微浸潤性腺癌）和28例浸潤前病變（4例非典型腺瘤性增生，24例原位腺癌）。由平均CT值，CT值的標準偏差，質量，峰度和熵值建立的人工神經網絡模型可以區(qū)分浸潤性和浸潤性病變的AUC0.981。

GAO等人的研究。結果表明，CT普通掃描圖像的成像組學紋理特征識別顯示出毛玻璃樣結節(jié)浸潤性肺腺癌。 AUC為0.890，增強掃描的AUC（AUC為0.868）具有很高的值，并且兩者之間的差異沒有統計學意義（P =0.1897））。 ROIS等使用影像學組學技術來鑒定陽性的生長因子受體（epidermalgrowthreceptor，EGFR）。對于陰性病例，應結合影像學組學特征（AUC =0.69）和EGFR相關的臨床特征（AUC =0.70）），組合模型AUC達到0.75，并且圖像Omics技術可以區(qū)分EGFR陽性和KRAS陽性腫瘤患者（AUC為0.80）。

2. 3個預測

人工智能技術不僅在肺癌的檢測和診斷方面有更多的研究和應用，而且在預測肺癌患者的預后和生存以及對放射療法和免疫療法的反應方面取得了很大的進展。宋等?；仡櫺苑治龇切〖毎伟╪onsmallcelllungcancer，NSCLC）IV期患者（1032）的EGFR突變肺癌的CT影像學特征，并建模和預測了接受EGFR-TKI治療的這些患者的無進展生存期。結果表明，與臨床病理特征模型相比，組合影像學組學的集成模型可以顯著提高臨床獲益（P ＜0.0001）。黃等人回顧性分析282例早期（ⅠA?ⅡB） ）使用影像學組學特征。）NSCLC患者的無病生存期（DFS）顯示影像學組學特征與DFS顯著相關，這是獨立于臨床病理危險因素的重要預測因子，而諾模圖C指數預測DFS為0.72（95％CI0.71?0.73），高于臨床病理危險因素C指數0.69（95％CI0.68?0.70） （P ＜0.0001）。

PYKA等。回顧性分析45例NSCLC患者的立體定向放射治療數據，提取PET / CT圖像數據，研究立體定向放射治療與局部復發(fā)和生存之間的相關性。結果表明，熵和相關性在NSCLC患者的T1期（腫瘤直徑≤3cm）和T2期（腫瘤直徑> 3cm）與局部腫瘤復發(fā)有關。 AUC是0.801和0.776，在多元回歸分析中，熵值被認為是疾病相關生存率的獨立預測因子（HR =7.48，P =0.016）。

3.人工智能在肺癌影像學研究中的局限性和挑戰(zhàn)

盡管關于肺癌影像人工智能的研究取得了一定的成果，但仍處于發(fā)展初期。因此，有必要認識到其研究和應用的局限性以及面臨的挑戰(zhàn)：

①樣本量問題，大多數研究是基于單個中心進行的，病例數較少，可能導致結果偏倚。病例的相對缺乏也導致大多數研究采用成像組學方法，而不是更智能的深度學習或機器學習方法。因此，有必要建立一個多中心智能檢具，大樣本的數據庫，對與人工智能有關的肺癌進行研究，以獲得更加客觀，科學的研究成果。

②描述或標記問題。由于技術原因，在許多情況下，無法自動劃定或標記肺癌病變智能檢具，而手工劃定，半自動劃定或標記會引起可重復性問題。由于當前沒有大量樣本可以支持深度學習訓練來自動繪制或標記模型，因此自動繪制或標記軟件尚未得到廣泛使用。隨著計算機技術的發(fā)展和多中心大樣本數據庫的建立，自動描繪或標記技術將得到廣泛驗證。

③模型的標準化和標準化尚處于發(fā)展初期。各種模型和軟件具有其自身的特征和特性，并且缺乏標準。標準化和統一是困難的，這將導致研究結果的可重復性和可比性。問題。因此，相關研究團隊需要盡快合作，建立統一的標準特征計算技術和方法，有利于成像特征的研究和深度學習，機器學習等高質量模型的構建，從而進一步實現對目標疾病的有效，準確的診斷和預測。

4.摘要

肺癌成像常用的人工智能研究方法是基于機器學習技術和相關成像組學方法開發(fā)的深度學習。人工智能在腫瘤檢測，高效診斷和療效預測中具有很高的價值，但它仍處于開發(fā)的早期階段，具有小樣本量，手動或半自動焦點描繪和標記以及特征或模型計算方法由于缺乏標準，規(guī)范等局限性，肺癌影像學研究需要進一步深入。

資料來源：高晨，王世偉，徐茂勝。肺癌影像學的人工智能研究[J]。中國中西醫(yī)結合影像學，2020,18（03)：219-22 3.