肺癌影像学的人工智能研究
作者：早上好，王世伟，徐茂生，浙江医科大学附属第一医院
肺癌是最常见的恶性肿瘤之一。根据美国癌症协会2020年1月发布的数据，肺癌的发病率和死亡率在恶性肿瘤中排名第一。早期诊断和治疗可以有效提高患者的生存率。 CT是肺癌筛查和临床诊断中最常用的方法，在肺癌的早期发现和后续治疗中起着非常重要的作用。随着低剂量CT肺部筛查技术的日益普及，检测到越来越多的肺结节，放射科医生面临许多挑战，例如工作量增加，人力不足和诊断要求增加。近年来，随着计算机技术的发展和进步，人工智能技术引起了广泛的关注。使用人工智能技术来帮助放射科医生解决这些挑战已成为一种趋势。本文总结了人工智能技术的介绍和肺癌成像的人工智能研究应用。
1.人工智能技术简介
人工智能，也称为机器智能，是指由人类制造的机器所表现出的智能。它通常指的是通过普通计算机程序实现的人工智能技术，例如人工神经网络，支持向量机和卷积神经网络。代表。人工智能是一种新兴的革命性新技术。它结合了医学影像学和回顾性机器学习训练，并结合了大量病例，以达到诊断和预测疾病的目的。
在临床实践领域，人工智能是对各种医学图像的诊断和预测分析，包括视网膜和皮肤病变的照片，病理显微镜图像和放射图像，可提高诊断速度，准确性和报告质量。影像医学的综合功效。人工智能包括机器学习，而深度学习作为机器学习中的一项先进技术，目前是肺癌成像研究中最常用的方法。深度学习由多个工作层组成，例如视觉皮层，工作流程从初始层到最高层。人工智能使用的深度学习技术可以不断提高模型的性能，以更好地满足实际需求。它已被广泛用于研究。
光化学组学主要通过高通量提取医学图像的特征，并使用处理后的特征建立诊断和预测临床疾病的模型。该过程主要包括图像采集，病变描绘，特征提取，特征选择和机器建模。深度学习模型是一种不断学习和改进的人工智能方法。相反，一旦建立了光化学模型，就不会自动修改参数，也就没有独立学习的能力。因此，图像组学不是纯粹的人工智能方法，而是人工智能技术和统计分析的综合运用。研究对象的样本量不如机器学习和深度学习那么高。根据最近的文献报道，它已被广泛用于影像医学和核医学。
2.人工智能在肺癌成像中的应用
由于肺癌的高发病率和高死亡率，它一直是基础和临床研究的热点。近年来，人工智能技术发展迅速，其对肺癌的研究非常广泛，包括病因分析，各种诊断（如活检优化，组织病理学，遗传分类等），预后评估和治疗方案优化等。 。，主要侧重于肺部病变的检测。
2. 1个检测
使用人工智能技术可以提高肺癌的检测效率，并加强对肺结节患者的管理。 SIM等多中心研究表明，结合深层卷积神经网络，放射科医生对胸部X射线图像的敏感性从65.1％提高到70.3％，每幅图像的假阳性率0.20降至0.18。 LIU等人的研究。使用卷积神经网络建立深度学习模型，对12754例CT扫描图像进行全自动检测，无论是大小和位置不同的实性结节还是亚实性结节，自动检测模型的检测灵敏度均高于的2名放射线医师，模型的总阳性率为70.1％，高于2名放射线医师（39.4％和56.6％）的放射线阳性率，误报（48.4％）。
HAWKINS等人的研究探索了基线低剂量CT图像通过成像组学分析检测和预测随后的肺结节癌变的能力。该研究使用了来自美国国家肺癌筛查测试的数据来检测肺结节并通过随机森林。该分类器具有23种稳定特征，并且已建立的预测1年和2年内肺癌结节模型的准确率分别为80％和79％， （AUC分别是0.83和0.75）。
2. 2诊断
尽管传统的影像学特征在识别肺癌的病理类型和基因突变方面取得了进展，但仍然存在重大挑战。借助诸如图像组学和深度学习之类的人工智能方法，可以提取肉眼无法识别的图像信息特征，并且在识别肺癌的病理类型和基因突变方面具有良好的性能。 Wang等。回顾性分析了影像学组学技术在区分良性和恶性肺结节方面的预测能力。该研究在国际开放数据库-肺成像数据库联盟和图像数据资源计划中获得了593例肺肿瘤患者的CT图像。 ，定量分析和提取150种成像组学特征，经过数据处理和支持向量机建模，最终获得实验组和验证组的敏感性，特异性，准确率分别为8 2. 5％，89.5％， 86.0％和74.6％，78.9％，76.1％。 CHAE等。根据影像学特征，回顾性分析了58例浸润性肺腺癌（包括7例微浸润性腺癌）和28例浸润前病变（4例非典型腺瘤性增生，24例原位腺癌）。由平均CT值，CT值的标准偏差，质量，峰度和熵值建立的人工神经网络模型可以区分浸润性和浸润性病变的AUC0.981。
GAO等人的研究。结果表明，CT普通扫描图像的成像组学纹理特征识别显示出毛玻璃样结节浸润性肺腺癌。 AUC为0.890，增强扫描的AUC（AUC为0.868）具有很高的值，并且两者之间的差异没有统计学意义（P =0.1897））。 ROIS等使用影像学组学技术来鉴定阳性的生长因子受体（epidermalgrowthreceptor，EGFR）。对于阴性病例，应结合影像学组学特征（AUC =0.69）和EGFR相关的临床特征（AUC =0.70）），组合模型AUC达到0.75，并且图像Omics技术可以区分EGFR阳性和KRAS阳性肿瘤患者（AUC为0.80）。
2. 3个预测
人工智能技术不仅在肺癌的检测和诊断方面有更多的研究和应用，而且在预测肺癌患者的预后和生存以及对放射疗法和免疫疗法的反应方面取得了很大的进展。宋等。回顾性分析非小细胞肺癌（nonsmallcelllungcancer，NSCLC）IV期患者（1032）的EGFR突变肺癌的CT影像学特征，并建模和预测了接受EGFR-TKI治疗的这些患者的无进展生存期。结果表明，与临床病理特征模型相比，组合影像学组学的集成模型可以显着提高临床获益（P ＜0.0001）。黄等人回顾性分析282例早期（ⅠA〜ⅡB） ）使用影像学组学特征。）NSCLC患者的无病生存期（DFS）显示影像学组学特征与DFS显着相关，这是独立于临床病理危险因素的重要预测因子，而诺模图C指数预测DFS为0.72（95％CI0.71〜0.73），高于临床病理危险因素C指数0.69（95％CI0.68〜0.70） （P ＜0.0001）。
PYKA等。回顾性分析45例NSCLC患者的立体定向放射治疗数据，提取PET / CT图像数据，研究立体定向放射治疗与局部复发和生存之间的相关性。结果表明，熵和相关性在NSCLC患者的T1期（肿瘤直径≤3cm）和T2期（肿瘤直径> 3cm）与局部肿瘤复发有关。 AUC是0.801和0.776，在多元回归分析中，熵值被认为是疾病相关生存率的独立预测因子（HR =7.48，P =0.016）。
3.人工智能在肺癌影像学研究中的局限性和挑战
尽管关于肺癌影像人工智能的研究取得了一定的成果，但仍处于发展初期。因此，有必要认识到其研究和应用的局限性以及面临的挑战：
①样本量问题，大多数研究是基于单个中心进行的，病例数较少，可能导致结果偏倚。病例的相对缺乏也导致大多数研究采用成像组学方法，而不是更智能的深度学习或机器学习方法。因此，有必要建立一个多中心智能检具，大样本的数据库，对与人工智能有关的肺癌进行研究，以获得更加客观，科学的研究成果。
②描述或标记问题。由于技术原因，在许多情况下，无法自动划定或标记肺癌病变智能检具，而手工划定，半自动划定或标记会引起可重复性问题。由于当前没有大量样本可以支持深度学习训练来自动绘制或标记模型，因此自动绘制或标记软件尚未得到广泛使用。随着计算机技术的发展和多中心大样本数据库的建立，自动描绘或标记技术将得到广泛验证。
③模型的标准化和标准化尚处于发展初期。各种模型和软件具有其自身的特征和特性，并且缺乏标准。标准化和统一是困难的，这将导致研究结果的可重复性和可比性。问题。因此，相关研究团队需要尽快合作，建立统一的标准特征计算技术和方法，有利于成像特征的研究和深度学习，机器学习等高质量模型的构建，从而进一步实现对目标疾病的有效，准确的诊断和预测。
4.摘要
肺癌成像常用的人工智能研究方法是基于机器学习技术和相关成像组学方法开发的深度学习。人工智能在肿瘤检测，高效诊断和疗效预测中具有很高的价值，但它仍处于开发的早期阶段，具有小样本量，手动或半自动焦点描绘和标记以及特征或模型计算方法由于缺乏标准，规范等局限性，肺癌影像学研究需要进一步深入。
资料来源：高晨，王世伟，徐茂胜。肺癌影像学的人工智能研究[J]。中国中西医结合影像学，2020,18（03)：219-22 3.
