促進人工智能在腹部影像中的應用

胡道予， 李震， 李佳麗

在腹部疾病的診療工作中，影像檢查的臨床需求量巨大，但放射科醫師數量的增長和臨床經驗的積累遠不及影像數據的增長速度，謀求人工智能(AI)與影像數據交叉融合，可減輕放射科醫師處理海量影像數據的壓力。

目前，針對腹部疾病，基于CT和MRI數據以深度學習或深度神經網絡技術為核心，已研發了多個人工智能輔助影像的定量分析算法，可實現疾病的早期診斷、精準診斷、療效評估和預測，可顯著提高放射科醫生處理影像信息的效率和準確性,可為臨床診療提供定量依據。

AI與腹部疾病的早期診斷

腹部多數疾病起病隱匿且侵襲性高,多數患者確診時已處于晚期,失去最佳治療機會,早期診斷和鑒別診斷在腹部疾病中至關重要。AI在腹部疾病早期診斷已有很多探索，最新一項研究建立并驗證了一種基于nnU-Net的三維深度學習模型，實現基于CT圖像自動分割并鑒別胰腺實性與囊性腫瘤，結果顯示對于任何大小的胰腺實性病變或直徑≥1.0cm的囊性病變，該模型均具有較高的敏感性，且與放射科醫師的鑒別效能相當[1]。前列腺體積(PV)與前列腺特異性抗原(PSA)聯合得到的PSA密度參數，具有重要臨床意義，但利用MRI圖像計算PV是一項耗時且高度依賴放射科醫生的任務。一項研究為解決這個臨床難點問題，利用深度學習算法自動分割計算PV，結果表明與放射科醫師通過PI-RADS2.1的橢球公式計算獲得的結果相比，該AI模型具有較好的組間一致性和準確性[2]。此外，AI算法助力低劑量CT重建高清圖像、提高病灶檢出率的概念越來越被各大廠商所推崇，最新研究成功開發深度學習算法重建低劑量CT圖像(DLIR)，并與全劑量/迭代重建圖像的質量和檢測肝轉移灶的能力進行比較，結果發現即使降低50%輻射劑量，DLIR在檢測肝轉移灶方面，仍保持與全劑量CT圖像一致的準確性[3]。

AI與腹部疾病的精準診斷

精準選擇治療方案是決定患者預后的重要前提，然而精準治療依賴精準診斷，這要求放射科醫生不僅要對疾病做出早期診斷，更應該明確疾病的分期分級、是否存在血管和淋巴結侵犯等情況，目前已經嘗試爭取治療前做出無限接近病理學評估的影像學判斷。微血管侵犯(MVI)是肝細胞肝癌治療后復發和轉移的獨立危險因素，準確預測MVI對患者預后評估及后續治療方案的選擇至關重要。國內學者通過對肝細胞肝癌患者的增強MRI圖像進行特征提取，并結合臨床影像特征構建臨床-影像組學模型，實現了術前無創地評估和預測MVI(AUC 0.88)[4]。在AI輔助影像預測腫瘤準確分期方面，有學者聯合IVIM和T2WI圖像信息，將單個序列降維后得到的組學特征進行融合，建立多參數影像組學模型，對直腸癌的術前T分期具有較好的預測價值[5]。胰腺的形態和質地具有較大的個體間解剖變異性，因此胰腺自動分割算法的發展相對落后于腹部其他器官。然而近年來隨著AI技術不斷精進，最新研究成功開發和驗證了一種術前AI算法，創新性實現基于CT圖像自動分割胰腺腫瘤和淋巴結，并可預測胰腺導管腺癌的淋巴結轉移情況，該AI模型預測淋巴結轉移的準確度(AUC為0.92)優于臨床模型(AUC為0.65)和放射組學模型(AUC為0.68)[6]。

AI與腹部疾病的療效評估和預測

新輔助放化療是目前治療局部進展期腫瘤的重要手段，它能使患者獲得病理完全緩解、降級或降期，從而增加手術機會改善預后。目前許多學者基于CT、MRI等多種影像的人工智能評估腫瘤治療的療效和預后判斷。一項研究利用ResNet-50建立深度學習生成影像標簽，聯合臨床特征構建集成模型，預測局部進展期胃癌患者新輔助化療后的耐藥情況，結果顯示深度學習模型在3個驗證隊列中的AUC分別為0.808、0.755和0.752，均高于臨床模型[7]。 此外，國內學者基于T2WI圖像提取和篩選與病理完全緩解狀態相關的影像組學特征，建立機器學習診斷模型，可較好地預測新輔助治療后直腸癌的病理完全反應狀態[8]。

不足和展望

AI在醫學影像的應用浪潮始于2018年的RSNA，如今AI在腹部影像領域的應用飛速發展，與前幾年相比已取得顯著進步,但距離AI真正應用于臨床，目前的研究仍存在許多不足，我們應深刻認識并加以改進。

未來AI在腹部影像的研究，需要更加嚴謹的實驗設計、更加標準化的影像數據處理流程、更加縝密的計算機算法、更加重視樣本量估算,同時更多的研究結果應得到多中心驗證；且在外部驗證集中，同樣需要比較AI模型和醫生閱片的準確性，并應搜集前瞻性數據驗證模型結果。目前AI的影像臨床程序使用仍然較繁瑣，有待于更便捷于現實操作的AI一體化流程。最重要的是，海量數據的管理和使用應遵守倫理和法規，保證醫學數據的安全性。這樣才能整體提高AI輔助影像研究的質量、結果的準確性，促進相關成果早日進入臨床診療指南、真正服務于臨床工作，使廣大患者受益。