人工智能在腦膠質瘤MRI診斷中的研究進展

趙維維，孫靜，諸靜其

腦膠質瘤(glioma)是最常見的顱內原發性腫瘤，多呈浸潤性生長，手術難以徹底切除，遠處轉移和對放化療不敏感者治愈率極低，復發率高，患者長期生存率僅為20%。根據世界衛生組織最新的腫瘤分類分級標準[1]，腦膠質瘤在病理上分為少突膠質細胞腫瘤、星形細胞腫瘤、室管膜細胞瘤、脈絡叢腫瘤、胚胎性腫瘤等，診斷與鑒別診斷上存在困難。MRI 是腦膠質瘤的首選檢查方法，基于MRI 的多模態影像學技術在腦膠質瘤的診斷和鑒別診斷、治療前評估、手術導航及治療后隨訪等方面起到了關鍵作用。高年資放射科醫師通過MRI 能較準確地識別腫瘤，但對于低年資放射科醫師及未接受過腦腫瘤MRI診斷系統訓練的放射科醫生，誤診和漏診的發生率明顯升高。另外，放射科醫師面對大量的MRI 影像時常會出現身心疲勞，降低了診斷準確性，因此，如何將放射科醫師從傳統閱片中解放出來，成為一個關注的問題。

近年來，人工智能模擬人類思維，高效進行數據挖掘整合，從而實現精確診斷、鑒別診斷的數字醫學出現迅猛發展。從影像大數據中提取肉眼難以有效識別的圖像信息，通過分析這些信息來建立診斷疾病的預測模型，已成為具有廣闊應用前景的技術手段。目前，人工智能已逐漸應用于腦腫瘤的MRI 診斷和鑒別診斷[2-3]。來自歐盟的一個聯合項目[4]提出將高質量的數據集(MRI 圖像、臨床、分子和遺傳學)，用于訓練和機器學習的驗證，然后用于表型(診斷)、治療分配(預測)和預后，未來有望建立放射醫學與精準醫療的橋梁。本文就人工智能在腦膠質瘤MRI 診斷中的研究進展做一綜述，以提高對人工智能技術在腦膠質瘤鑒別診斷中的認識。

1 人工智能算法

目前，最常用的人工智能算法主要包括以下4 種：人工神經網絡(artificial neural networks，ANN)是一種可以構建模型的模擬人腦神經元網絡的抽象算法；支持向量機(support vector machine，SVM)是一類按監督學習方式對數據進行二元分類的廣義線性分類器，通過算法改進可以實現圖像識別、文本分類等，較為常用；深度卷積神經網絡(deep convolutional neural networks，CNNs)是深度學習的代表算法，其仿造生物的視知覺機制構建，常用于計算機視覺、自然語言處理，效果穩定；隨機森林(random forest，RF)最早由貝爾實驗室提出，是利用多棵樹對樣本進行訓練并預測的一種高準確度的分類器[5-7]。

2 人工智能在腦膠質瘤MRI診斷中的應用

2.1 鑒別腫瘤良惡性

膠質瘤的良惡性程度和分級密切相關，根據WHO 分級，高級別膠質瘤的惡性程度更高，預后極差[1]。快速鑒別良惡性腫瘤，可以避免惡性腫瘤漏診而延誤治療時機，避免良性腫瘤接受不必要的手術治療。人工智能技術通過圖像預處理和增強、腦顱骨剝離、腫瘤分割、特征提取、特征選擇可幫助醫生精確實現良惡性腫瘤的分級。

文獻報道，通過SVM 模型及邏輯回歸模型和貝葉斯網絡將腦膠質瘤增強圖像特征整合至分類診斷預測模型中，對膠質瘤的分級診斷，其ROC 可達到95%[5]。除外T1 加權成像(T1 weighted imaging，T1WI)和T2 加權成像(T2 weighted imaging，T2WI)圖像，正電子發射斷層掃描/磁共振成像(positron emission tomography/MRI，PET/MRI)結合人工智能也可對高低級別膠質瘤和基因突變狀態進行很好的預測[8]。Zhuge 等[9]利用CNNs 原理對常規MRI 圖像進學習，通過兩種不同的方法，分別實現了在不需要手術活檢的情況下進行腫瘤分級，為有效的治療方案和生存預測發揮了關鍵作用，而學習時間僅需數小時。這種方法是完全自動化的，不需要人工指定興趣區域和選擇切片進行模型訓練。Gates 等[10]使用4 個參數對膠質瘤分級，準確率達96%，較常規MRI 診斷準確率顯著提高。Ahammed等[11]使用CNNs和wndchrm工具分類，準確率也可達到92.8%。高級別膠質瘤本質上是浸潤性的，在磁共振成像液體衰減反轉恢復序列(fluid attenuated inversion recovery，FLAIR)圖像中血管源性水腫和非對比增強腫瘤均呈高信號，因此很難區分二者。Sengupta 等[12]納入高級別膠質瘤(high grade glioma，HGG)患者及轉移患者術前后的T1WI、T2WI、FLAIR圖像及動態對比增強MRI，采用SVM算法，結果在鑒別非增強性腫瘤和血管源性水腫方面，錯誤分類誤差僅有2.4%。

組蛋白H3 K27M 突變腫瘤的類型比彌漫性固有橋腦膠質瘤的臨床和放射學特征更能預測生存率。Jung等[13]通過回顧性納入具有組蛋白H3 K27M突變型和野生型的41例膠質瘤患者MRI 圖像，采用RF 模型進行分類，其準確度并不高。但Su等[14]在100 例含有組蛋白H3 K27M 突變型試驗隊列中得到的最終模型的ROC 達到了0.9，顯示了不錯的生存率預測效果。異檸檬酸脫氫酶(isocitrate dehydrogenase，IDH)突變也是影響膠質瘤預后的因素之一，機器學習在預測腦膠質瘤IDH突變方面具有良好的診斷價值[15]，整合臨床和影像學特征較常規影像敏感度和特異度更高。基于擴散和灌注加權MRI 的放射組學特征也能有效提高對低級別膠質瘤(low grade glioma，LGG)中IDH 突變和腫瘤侵襲性的預測，具有ADC 特征的多參數模型較常規模型表現出更高的性能[16]。擴散張量成像(diffusion tensor imaging，DTI)結合隨機森林算法也能顯著提高低級別膠質瘤IDH 突變的分型[17]。該方案是完全自動化的，區分Ⅱ級膠質瘤和轉移瘤的準確率最高，但區分Ⅱ級膠質瘤和Ⅲ級膠質瘤的準確率相對較低。也有學者通過遺漏交叉驗證評估二元SVM 算法[18-19]分類腦轉移瘤、腦膜瘤、Ⅱ級膠質瘤、Ⅲ級膠質瘤和膠質母細胞瘤。鑒別神經膠質瘤轉移、高級別(Ⅲ級和Ⅳ級)腫瘤和低級別(Ⅱ級)腫瘤的有效性均可達80%以上。

2.2 鑒別腫瘤來源

2.2.1鑒別腦轉移瘤

膠質母細胞瘤和實質器官的單發腦轉移瘤在MRI 上的表現相似，盡管DTI、磁共振波譜學(magnetic resonance spectroscopy，MRS)等一系列MRI 技術已可以鑒別[18-19]，但有時仍難以區分，且耗時耗力。自動化計算機分析工具的可用性比放射科醫師更客觀，通過常規MRI和灌注MRI相結合的計算機輔助分類方法，可用于鑒別診斷。

Artzi 等[20]的一項回顧性研究中，僅通過常規的T1 加權圖像，使用了包括SVM、k 近鄰、決策樹和集成分類器等4 種人工智能算法進行分類，平均準確率為85%，實現了高效鑒別膠質母細胞瘤與腦轉移瘤。對鑒別乳腺、肺等其他腦轉移瘤亞型也有一定效果。Zacharaki 等[21]提出了一種利用灌注MRI計算出的圖譜來鑒別腦轉移瘤的分類方案。方法為從中央和邊緣腫瘤、水腫和壞死區域提取形狀特征、圖像強度和紋理特征。結果發現這是一種非常有前途的方法，可以對腦腫瘤進行客觀和定量的評估。

2.2.2鑒別其他顱腦腫瘤

盡管MRI 影像技術發展全面，但膠質母細胞瘤和原發性中樞神經系統淋巴瘤(primary central nervous system lymphoma，PCNSL)之間的影像鑒別仍常令人困惑。使用支持向量機算法可以達到鑒別診斷的目的[22]。一項來自76例膠質瘤患者的回顧性研究中[23]，篩選增強的T1加權圖像中的67個紋理特征，選取最具識別性的4 個特征作為輸入變量訓練支持向量機分類器，通過測試圖像驗證，準確率達到了75%。Kunimatsu 等[24]對經病理證實為腦膠質瘤和PCNSL 的患者資料進行回顧性分析，在T1 加權圖像上采集的一階特征及用灰度共生矩陣、灰度運行長度矩陣、灰度大小區域矩陣和多重灰度大小區域矩陣計算得到的二階特征，證實基于MR 圖像的紋理特征顯著增強了膠質瘤和PCNSL 之間的差異。基于人工智能的放射組學方法對兒童后顱窩室管膜瘤和毛細胞星形細胞瘤的MRI 紋理特征進行鑒別，證實了放射組學在臨床輔助診斷中的地位[25]。結合腫瘤實體成分的ADC 直方圖、MRI 圖像和患者年齡，使用不同的分類算法如貝葉斯網絡、隨機森林、神經網絡、支持向量機和線性多項式可以實現多種腦腫瘤的鑒別如腦轉移瘤、血管母細胞瘤、毛細胞星形細胞瘤、室管膜瘤和成神經管細胞瘤的鑒別率，準確率高達90%。對兒童腦腫瘤(成神經管細胞瘤、毛細胞星形細胞瘤和室管膜瘤)的MRI 圖像中提取的三維紋理特征進行神經網絡分類算法計算，也可以準確而無創地提高診斷效率，總體分類準確率提高了19%[26-27]。

2.3 鑒別治療后相關效應和腦膠質瘤復發

腦膠質瘤術后常需放療，少數患者會出現不同程度的放射性腦損傷，影像檢查可有效辨別膠質腫瘤復發與放射性腦損傷，是診斷膠質瘤術后、放療后腫瘤復發與放射性腦損傷的有效方式。

人工智能在腦膠質瘤術后復發和治療相關效應(treatment-related effects，TRE)的鑒別也扮演重要的角色。Gao 等[28]結合T1WI 和T2 FLAIR 減影圖，對56 例放化療后進展可疑的高級別膠質瘤患者進行研究。通過3 種支持向量機分類方法的模擬學習，發現人工智能算法效果顯著優于單獨使用T1WI 或FLAIR 區分TRE 和膠質瘤復發，這對于放療后膠質瘤患者的治療管理至關重要。Wang 等[29]通過對160 例經病理證實的膠質瘤患者資料進行分析，收集MRI 的紋理特征，使用多變量邏輯回歸建立了預測腫瘤復發的模型。該模型納入了15 個特征組合，建模組和驗證組均可以達到效果，綜合模型具有良好的鑒別力，可顯著鑒別腫瘤復發和放射性壞死。深度卷積神經網絡在鑒別復發和TRE 方面也有不錯的表現，Bacchi等[30]利用CNNs基于DWI+FLAIR序列組合的模型準確率可達到82%。Tang 等[31]開發了一種基于多序列MRI 引導的全自動深度學習方法，深度特征融合模型(deep feature fusion model，DFFM)是一種多序列MRI 引導的CNN 模型，它同時迭代學習CT 圖像和多序列MRI 的深度特征，然后將這兩種深度特征結合起來產生分類結果，該深度特征融合模型劃分結果可靠。除此之外，結合PET/MRI 的放射組學特征提取不僅可用于評估放療后相關效應，也可用于腦膠質瘤術后放療的定位。確定較大的轉移瘤，預測放療后局部反應，以及區分放療損傷與局部腦轉移復發，準確率高達80%～90%[32]。

綜上所述，人工智能的方法多樣，各有優勢和不足，Kocak等[33]使用自適應增強、k近鄰、貝葉斯、神經網絡、隨機森林、隨機梯度下降和支持向量機等多種算法分類預測低級別膠質瘤的1p/19q 共缺失狀態，發現各種算法差異無統計學意義，準確率均可達到80%。對于哪種人工智能算法最優，目前國內外學者尚未達成共識，通過優化不同的機器學習算法可以使預測精度最大化。例如SVM 效果好也最常用，但RF 在變量選擇方面具有優勢，不僅考慮每個變量的影響，還可以測量特征的重要性。

總之，人工智能可以大幅度縮短MRI 診斷腦膠質瘤的時間并減少誤診和漏診的發生率。隨著算法和模型的進一步優化和改進，基于MRI 的人工智能有望在腦膠質瘤的診斷、鑒別診斷及預后隨訪評估上成為放射科醫師的重要輔助診斷手段。相信隨著5G 技術的到來，基于多中心權威MRI 數據制定的用于診斷腦膠質瘤的人工智能計算機輔助診斷系統將會有更加廣闊的應用前景。

作者利益沖突聲明：全體作者均聲明無利益沖突。