腦膜瘤影像人工智能應(yīng)用進(jìn)展

鄭飛，陳緒珠

人工智能(artificial intelligence，AI)是1956年在Dartmouth大學(xué)舉辦的會議期間首次出現(xiàn)的名稱[1]。作為一個通用術(shù)語，它是指以最低限度的人為干預(yù)，讓計算機(jī)自行模擬智能行為[2]。本文就人工智能在腦膜瘤的影像應(yīng)用進(jìn)展及發(fā)展前景進(jìn)行綜述。

1 AI在影像診斷領(lǐng)域的應(yīng)用背景

AI是計算機(jī)科學(xué)的分支，用機(jī)器執(zhí)行通常由人的智力活動完成的認(rèn)知任務(wù)。AI 近來在感知能力方面取得了巨大進(jìn)步，已能讓機(jī)器更好地描述和解釋復(fù)雜的數(shù)據(jù)。而深度學(xué)習(xí)的加入，強(qiáng)化了計算能力，加速了AI的發(fā)展。

當(dāng)前影像診斷專業(yè)的特點(diǎn)是大量的圖像和報告以數(shù)字形式存在，這些特點(diǎn)在推動醫(yī)學(xué)進(jìn)入數(shù)字化時代的過程中起到了引領(lǐng)作用，同時為發(fā)展AI提供了契機(jī)。AI在影像醫(yī)學(xué)應(yīng)用的最初目的是在臨床工作中提高效率和效果，減少專業(yè)人員的失誤，增加客觀性。近年來，影像組學(xué)結(jié)合深度學(xué)習(xí)技術(shù)(AI的算法之一)可自圖像中自動學(xué)習(xí)有代表性的特征，從而在腫瘤影像學(xué)領(lǐng)域幫助臨床決策，如明確診斷、不同癌癥的危險分層等。

目前廣泛使用的AI方法分為2種：第一種是手工裁切特征，如腫瘤紋理特征，再使用計算機(jī)程序進(jìn)行量化；第二種方法是深度學(xué)習(xí)，深度學(xué)習(xí)算法能自動從數(shù)據(jù)中提取特征，不需人工預(yù)定義特征[3]。AI在腫瘤影像的應(yīng)用主要是發(fā)現(xiàn)異常(腫瘤識別)、特征提取、監(jiān)測變化這3個方面，但也面臨一些挑戰(zhàn)，包括開發(fā)通用術(shù)語以及在不同成像平臺和患者人群中制定AI程序使用的驗(yàn)證標(biāo)準(zhǔn)。

2 AI在腦膜瘤影像的應(yīng)用現(xiàn)狀

腦膜瘤AI應(yīng)用的倫理問題由McCradden等[4]進(jìn)行了研究，結(jié)果表明幾乎所有參與者都認(rèn)為，售賣醫(yī)療數(shù)據(jù)應(yīng)該被禁止，但為了改進(jìn)健康狀況，也有小部分人認(rèn)為暴露少量隱私是可以接受的。

技術(shù)方面，腦膜瘤圖像分割、智能識別的方法學(xué)研究不斷進(jìn)步，自動化程度越來越高，從而使得影像結(jié)果輸出更方便、快捷及精準(zhǔn)。2019年1月，Laukamp等[5]采用深度學(xué)習(xí)模型對56例腦膜瘤患者(病理組織類型Ⅰ級n=38、Ⅱ級n=18)的T1WI、T2WI、T1增強(qiáng)圖像和FLAIR圖像進(jìn)行識別、分割，輸入模型后結(jié)果顯示檢測到腦膜瘤55例，與人工分割效果相當(dāng)。這表明盡管掃描器數(shù)據(jù)各不相同，但深度學(xué)習(xí)模型仍能對腦膜瘤組織進(jìn)行準(zhǔn)確的自動檢測和分割。同年8月，Stember等[6]采用視覺追蹤技術(shù)對腦膜瘤圖像進(jìn)行分割，結(jié)果表明，該方法可用于深度學(xué)習(xí)的語義分割，將來進(jìn)一步優(yōu)化，便可以通過更快、更自然的方式用于臨床。2020年2月，Laukamp等[7]對56位腦膜瘤患者的影像數(shù)據(jù)分別進(jìn)行兩種處理：深度學(xué)習(xí)算法自動分割和由兩位高年資影像工作者手動分割，輸入模型后結(jié)果顯示為55個腦膜瘤是由深度學(xué)習(xí)自動分割的，其研究表明對腦膜瘤圖像采用基于深度學(xué)習(xí)的自動分割具有較高的分割準(zhǔn)確性，與人工分割效果相當(dāng)。這種自動分割圖像包括增強(qiáng)掃描T1WI和FLAIR圖像，與Laukamp等[5]的研究相一致。鑒于腦膜瘤的瘤周水腫程度影響患者的臨床結(jié)果，亦有研究者使用半自動方法對該區(qū)域進(jìn)行了精準(zhǔn)分割，Latini等[8]使用商業(yè)軟件(Vue PACS Livewire)在50例顱內(nèi)腦膜瘤患者的磁共振圖像上采用半自動計算方法計算瘤周水腫量。結(jié)果表明無論圖像信號如何變化，都可以精確計算水腫量且具有很高的可重復(fù)性。且經(jīng)過較短的訓(xùn)練后，便可簡單快速的在臨床實(shí)踐中實(shí)施。

應(yīng)用方面，這些圖像分割、機(jī)器學(xué)習(xí)等智能手段在腦膜瘤的應(yīng)用目前主要集中在以下幾個方面：腦膜瘤病理級別的判斷、腦膜瘤的鑒別診斷和瘤周水腫的識別與分割等。其中以腦膜瘤病理級別的判斷研究最多，不同研究者采用的方法不盡相同。早在2016年，Krivoshapkin等[9]設(shè)計實(shí)驗(yàn)，由一名放射科醫(yī)生和兩名神經(jīng)外科醫(yī)生使用先進(jìn)的計算機(jī)算法分析48例腦膜瘤切除術(shù)前1.5 T磁共振圖像并區(qū)分術(shù)前腦膜腫瘤的組織學(xué)類型，結(jié)果表明高級數(shù)學(xué)算法在區(qū)分腦膜瘤病理級別中具有高度的特異性、靈敏度和可重復(fù)性，但當(dāng)時并未引起重視。2018年11月，Arokia Jesu Prabhu等[10]研究團(tuán)隊使用一種新型的支持向量機(jī)方法，實(shí)現(xiàn)了對腦膜瘤病理級別的判斷。與此同時，Hale等[11]通過機(jī)器學(xué)習(xí)對1998～2010年間WHOⅠ級(n=94)和Ⅱ級(n=34)腦膜瘤的18～65歲患者的影像數(shù)據(jù)進(jìn)行分析，結(jié)果表明機(jī)器學(xué)習(xí)算法是功能強(qiáng)大的計算工具，可以非常準(zhǔn)確地預(yù)測腦膜瘤分級。到2019年，類似的研究明顯增加，所用的研究方法和MRI圖像也不斷更新。2019年3月，Lu等[12]回顧病理數(shù)據(jù)庫，納入152例腦膜瘤患者的421張術(shù)前ADC圖用于紋理分析，通過機(jī)器學(xué)習(xí)分類器可實(shí)現(xiàn)與經(jīng)驗(yàn)豐富的神經(jīng)放射科醫(yī)生同等的診斷性能，可對腦膜瘤進(jìn)行準(zhǔn)確分級。表明基于ADC值和ADC值紋理分析的決策樹模型具有廣泛前景，可以在不久的將來提供更精確的診斷和輔助診斷。同年7月，Zhu等[13]通過181例腦膜瘤患者的MRI深度學(xué)習(xí)影像組學(xué)模型，以非侵入性方式對腦膜瘤進(jìn)行分級，結(jié)果表明深度學(xué)習(xí)影像組學(xué)模型在非侵入性個體化腦膜瘤分級預(yù)測中其量化能力十分突出。其實(shí)驗(yàn)組使用深度學(xué)習(xí)的影像組學(xué)分析方法也實(shí)現(xiàn)了腦膜瘤病理級別的判斷。同年10月，Zhu等[14]基于數(shù)據(jù)擴(kuò)增和改良卷積神經(jīng)網(wǎng)絡(luò)自動預(yù)測腦膜瘤病理級別。同年11月，Hamerla等[15]使用了4種機(jī)器學(xué)習(xí)方法，進(jìn)一步提高了腦膜瘤病理級別的分級并具有很好的敏感度和特異度。同年12月，Laukamp等[16]通過MRI形態(tài)學(xué)檢查序列、擴(kuò)散序列進(jìn)行病變的形態(tài)學(xué)參數(shù)、紋理特征分析，實(shí)現(xiàn)了腦膜瘤的病理分級。2020年6月，Ke等[17]利用多參數(shù)MRI圖像也對這一科學(xué)問題進(jìn)行了研究。

與腦膜瘤病理級別的判斷比較，AI在腦膜瘤的診斷和鑒別診斷方面的研究相對較少。2019年7月，Shrot等[18]通過隊列研究，將141例患者(41例膠質(zhì)母細(xì)胞瘤，38例轉(zhuǎn)移瘤，50例腦膜瘤和12例原發(fā)性中樞神經(jīng)細(xì)胞瘤)的形態(tài)學(xué)MRI、灌注MRI和擴(kuò)散張量成像序列應(yīng)用于機(jī)器學(xué)習(xí)方案來鑒別不同類型的腦腫瘤，結(jié)果顯示使用普通和高級MRI序列的機(jī)器學(xué)習(xí)方案具有高性能的自動腫瘤分類算法，可應(yīng)用于臨床決策中優(yōu)化腫瘤分類。同年9月，Li等[19]通過回顧性分析，在67例患者的MRI序列(T2-FLAIR，擴(kuò)散加權(quán)成像和增強(qiáng)的T1WI)中提取498個組學(xué)特征(12個臨床特征和486個紋理特征)，將紋理分析應(yīng)用于機(jī)器學(xué)習(xí)模型中。結(jié)果顯示，與血管瘤性腦膜瘤相比，惡性血管周細(xì)胞瘤更大，腫瘤周圍水腫程度更小，并且紋狀血管更多。表明機(jī)器學(xué)習(xí)在鑒別惡性血管周細(xì)胞瘤和血管瘤性腦膜瘤的診斷中具有重要價值。2020年，Abdelaziz Ismael等[20]使用殘差網(wǎng)絡(luò)的深度學(xué)習(xí)方法，對腦膜瘤、膠質(zhì)瘤和垂體瘤進(jìn)行了識別，準(zhǔn)確率高達(dá)99%。

國內(nèi)文獻(xiàn)也對腦膜瘤的分割和機(jī)器學(xué)習(xí)有所研究，但與英文文獻(xiàn)相比有明顯的差別：一是研究的論文數(shù)量較少，二是所涉及的內(nèi)容不及英文文獻(xiàn)廣泛，三是研究時間晚于國外。目前國內(nèi)文獻(xiàn)在這方面的研究絕大多數(shù)局限于應(yīng)用方面，如腦膜瘤的分級[21-25]、病變的識別[26]及鑒別診斷[27-28]。關(guān)于方法學(xué)的改進(jìn)方面中文文獻(xiàn)較少，唐青青等[29]應(yīng)用體視學(xué)方法進(jìn)行了這方面的探索。

3 AI在腦膜瘤影像研究中存在的問題及應(yīng)用前景

目前國內(nèi)外對腦膜瘤影像的分割及AI的研究雖起步晚，但發(fā)展快，初步展現(xiàn)出良好的應(yīng)用前景。目前的趨勢主要有2個方面，一是AI方法學(xué)的不斷更新和進(jìn)步，二是影像學(xué)數(shù)據(jù)的來源由常規(guī)影像向高級MR成像數(shù)據(jù)轉(zhuǎn)變。但目前的研究內(nèi)容較單一，大部分限于腦膜瘤病理級別的判斷，其次是鑒別診斷。因此，造成目前的研究成果水平有待提高、高質(zhì)量學(xué)術(shù)論文缺乏。在大數(shù)據(jù)時代，AI影像診斷是不可阻擋的未來趨勢。在腦膜瘤的研究方面，尚需借助這一先進(jìn)的技術(shù)手段，在更深層次的科學(xué)問題上展開研究，解決腦膜瘤的瓶頸性科學(xué)問題，從而推動腦膜瘤科學(xué)研究的進(jìn)展和臨床能力提高。

總之，隨著AI技術(shù)的不斷進(jìn)步和影像學(xué)檢查模式的發(fā)展，AI在腦膜瘤影像方面的應(yīng)用會向更深層次發(fā)展，未來對腦膜瘤的病理機(jī)制探索和臨床治療策略的制定會有更大的幫助。

利益沖突：無。