徐濤 常歡 崔寧 劉瑤琦 高靖 辛穎 郝晟瑜 程兆忠 于文成 白春學(xué)

1青島大學(xué)附屬醫(yī)院呼吸與危重癥醫(yī)學(xué)科266000;2青島大學(xué)醫(yī)學(xué)部醫(yī)學(xué)影像系266071;3青島大學(xué)醫(yī)學(xué)部臨床醫(yī)學(xué)系266071;4青島大學(xué)附屬醫(yī)院內(nèi)分泌與代謝性疾病科266000;5復(fù)旦大學(xué)附屬中山醫(yī)院 上海市呼吸病研究所 上海呼吸臨床質(zhì)量控制中心200032;6復(fù)旦大學(xué)上海醫(yī)學(xué)院200032

研究表明,我國肺癌發(fā)病率居惡性腫瘤首位 (57.36/10萬)[1],而且無論男女,病死率也均居第一,5年生存率只有19.7%[2],具有明顯的 “二高一低”的特點(diǎn):發(fā)病率高、病死率高、5年存活率低[3]。而在ⅠA 期肺癌患者中,病理為原位癌和微浸潤性癌的患者術(shù)后5年生存率可接近100%[4]。早期肺癌并無典型臨床癥狀,可僅表現(xiàn)為CT 影像上的肺結(jié)節(jié),因此視角前移到肺結(jié)節(jié)篩查階段,做到肺癌的早發(fā)現(xiàn)、早診斷以及規(guī)范化治療可以有效提高5年生存率,減少病死率。我國遺傳背景及環(huán)境差異等國情不同于歐美國家,為了確定適合我國肺癌的診治共識(shí),2018年中華醫(yī)學(xué)會(huì)呼吸病學(xué)分會(huì)和中國肺癌聯(lián)盟共同更新了 “肺結(jié)節(jié)診治中國專家共識(shí) (2018 年版)”[5],推薦使用低劑量胸部CT 檢查對(duì)高危人群進(jìn)行早期篩查及隨訪。

發(fā)現(xiàn)肺結(jié)節(jié)后的診療流程,可以大致總結(jié)為FIRST 方案:隨訪 (follow up,F)、影像學(xué)檢查(imaging test,I)、藥物 (respiratory medicine,R)、手術(shù)活檢 (surgery,S)、組織活檢 (tissue biopsy,T)等。

由于目前存在CT 閱片數(shù)量激增、人工閱片耗時(shí)長(zhǎng)、各地區(qū)醫(yī)療資源難以同質(zhì)化等問題,導(dǎo)致出現(xiàn)診斷延誤和過度醫(yī)療等弊端,盡早解決肺結(jié)節(jié)良惡性的鑒別診斷、早期肺癌的準(zhǔn)確甄別及避免造成患者的過度治療這3個(gè)至關(guān)重要的問題尤為關(guān)鍵,因此我們不再滿足于低效檢出肺結(jié)節(jié),而是希望能夠高效獲取深層次更準(zhǔn)確的信息。由于腫瘤具有空間和時(shí)間異質(zhì)性,活檢并不能全面評(píng)估腫瘤的性質(zhì)、生物學(xué)信息等情況,因此人工智能輔助深度挖掘影像數(shù)據(jù)實(shí)現(xiàn)肺結(jié)節(jié)的早期診斷及精準(zhǔn)醫(yī)療作為前述FIRST 方案的完善優(yōu)化成為研究熱點(diǎn)。

本文就人工智能主要技術(shù)在肺結(jié)節(jié)早期診斷方面的應(yīng)用進(jìn)行綜述,以期能更好地利用人工智能提高早期肺癌的診斷率,降低肺癌患者病死率并提高其生存率。

1 應(yīng)用于肺結(jié)節(jié)的人工智能技術(shù)

1.1 經(jīng)典機(jī)器學(xué)習(xí) 機(jī)器學(xué)習(xí)是人工智能的一大領(lǐng)域,是一門涉及統(tǒng)計(jì)學(xué)、概率論、計(jì)算復(fù)雜性理論等的交叉學(xué)科,通過設(shè)計(jì)計(jì)算機(jī)算法學(xué)習(xí)和模仿醫(yī)師的診斷技術(shù),完成特定任務(wù)。經(jīng)典的機(jī)器學(xué)習(xí)分類器有決策樹、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)等。

目前圖像處理領(lǐng)域經(jīng)典的機(jī)器學(xué)習(xí)算法主要是支持向量機(jī),作為一種經(jīng)典的線性分類器,對(duì)于肺結(jié)節(jié)良惡性分類的應(yīng)用較好,只需要小樣本就可找到數(shù)據(jù)之間分類的超平面,高效解決小樣本數(shù)據(jù)的分類問題。

機(jī)器學(xué)習(xí)中無論是何種分類模型,要想獲得較好的預(yù)測(cè)效果,都需要輸入人工標(biāo)記好的、標(biāo)準(zhǔn)化的數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí),使其依賴并受限于人工標(biāo)注;相比于影像組學(xué)和深度學(xué)習(xí)的過程,傳統(tǒng)機(jī)器學(xué)習(xí)算法冗雜落后,在大數(shù)據(jù)處理方面也并不靈活。

1.2 深度學(xué)習(xí) 深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域一種新興的框架技術(shù),但優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)算法,具有自動(dòng)化和無縫調(diào)整性能的優(yōu)勢(shì)。深度學(xué)習(xí)可以直接從海量醫(yī)療影像的原始數(shù)據(jù)出發(fā),利用由多重非線性變換構(gòu)成的多級(jí)處理層自動(dòng)對(duì)數(shù)據(jù)進(jìn)行高度抽象的模式識(shí)別和深層特征提取。其中,卷積神經(jīng)網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)和自編碼器在肺結(jié)節(jié)診斷中應(yīng)用較多。深度學(xué)習(xí)的運(yùn)作機(jī)制可知性較低,目前研究人員也在致力于解釋其機(jī)制。Shen等[6]提出了一種新的可解釋的深層語義卷積神經(jīng)網(wǎng)絡(luò)來鑒別肺結(jié)節(jié)的良惡性,并整合語義特征于分層語義卷積神經(jīng)網(wǎng)絡(luò)模型中來預(yù)測(cè)惡性程度。

深度學(xué)習(xí)模型需要輸入大量的標(biāo)記過的訓(xùn)練數(shù)據(jù)實(shí)現(xiàn)高精度,小數(shù)據(jù)下的深度學(xué)習(xí)容易過擬合。遷移學(xué)習(xí)[7]的出現(xiàn)弱化了數(shù)據(jù)量對(duì)深度學(xué)習(xí)的限制,節(jié)約訓(xùn)練時(shí)間,解決了已標(biāo)記的數(shù)據(jù)不足的問題,解除了有限的變量數(shù)對(duì)于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)表達(dá)能力的限制。Nishio等[8]分別用計(jì)算機(jī)輔助檢測(cè)與診斷系統(tǒng)方法、帶有遷移學(xué)習(xí)的深卷積神經(jīng)網(wǎng)絡(luò)方法和不帶遷移學(xué)習(xí)的深卷積神經(jīng)網(wǎng)絡(luò)方法對(duì)1 236例患者影像中的肺結(jié)節(jié)、原發(fā)性肺癌和轉(zhuǎn)移性肺癌進(jìn)行分類,準(zhǔn)確率分別為55.9%、68.0%和62.4%,深卷積神經(jīng)網(wǎng)絡(luò)優(yōu)于傳統(tǒng)計(jì)算機(jī)輔助檢測(cè)與診斷系統(tǒng),帶有遷移學(xué)習(xí)的深卷積神經(jīng)網(wǎng)絡(luò)分類更加準(zhǔn)確。與其他模型不同的是,遷移學(xué)習(xí)不是從零開始,而是把已經(jīng)訓(xùn)練好的模型參數(shù)遷移到新模型完成新的數(shù)據(jù)集訓(xùn)練。

1.2.1 卷積神經(jīng)網(wǎng)絡(luò) 卷積神經(jīng)網(wǎng)絡(luò)現(xiàn)已成為人工智能中的革命性概念,最初是由Fukushima[9]提出,由輸入層、卷積層、池化層、全連接層和分類器層組成,是一種對(duì)輸入圖像重復(fù)進(jìn)行填充、卷積、池化操作而實(shí)現(xiàn)特征提取和圖像降維的前饋神經(jīng)網(wǎng)絡(luò)。卷積層利用濾波器得到高層次特征映射圖,減少權(quán)值參數(shù)的個(gè)數(shù),大幅降低計(jì)算復(fù)雜度,而池化層通過執(zhí)行非線下采樣實(shí)現(xiàn)特征圖像降維,簡(jiǎn)化了卷積層圖像的輸出,避免樣本量不均衡而導(dǎo)致的過擬合問題。

1.2.2 深度信念網(wǎng)絡(luò) 深度信念網(wǎng)絡(luò)在2006年由Hinton等[10]首次提出,由若干個(gè)受限波爾茲曼機(jī)來構(gòu)建多層神經(jīng)網(wǎng)絡(luò),通過對(duì)每個(gè)受限波爾茲曼機(jī)進(jìn)行訓(xùn)練使整個(gè)網(wǎng)絡(luò)按最大概率生成數(shù)據(jù)。深度信念網(wǎng)絡(luò)對(duì)數(shù)據(jù)的復(fù)雜關(guān)系有較強(qiáng)非線性映射能力,該算法用作數(shù)據(jù)分類、特征識(shí)別上較多。

1.2.3 自編碼器 自編碼器是一種非監(jiān)督學(xué)習(xí)算法,由編碼器和解碼器組成,在編碼階段將高維數(shù)據(jù)映射為低維數(shù)據(jù),將輸入信號(hào)進(jìn)行編碼,再經(jīng)解碼階段輸出數(shù)據(jù),完成對(duì)原始信號(hào)的復(fù)現(xiàn),減少數(shù)據(jù)量。主要有棧式自編碼器、降噪自編碼器、稀疏自編碼器等。

1.3 影像組學(xué) 2012年由荷蘭學(xué)者Lambin等[11]提出了影像組學(xué)的概念,其靈感來源于腫瘤的異質(zhì)性。Aerts等[12]提出影像組學(xué)能夠分析腫瘤異質(zhì)性,把握腫瘤關(guān)鍵特征,解碼腫瘤表型,分析潛在基因表達(dá)類型,影像組學(xué)可以實(shí)現(xiàn)影像數(shù)據(jù)與生物數(shù)據(jù)的關(guān)聯(lián)。

簡(jiǎn)單來說,影像組學(xué)即采用自動(dòng)化方式對(duì)傳統(tǒng)醫(yī)學(xué)影像進(jìn)行深度挖掘再利用。高通量地從影像中提取并分析大量的高級(jí)圖像特征,構(gòu)建出高維特征空間,再結(jié)合應(yīng)用場(chǎng)景運(yùn)用機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)分析篩選出最佳特征,融合臨床和基因信息構(gòu)建綜合模型以支持臨床治療決策。

影像組學(xué)的框架流程包括標(biāo)準(zhǔn)化影像數(shù)據(jù)采集、圖像分割與重建、特征提取、特征分析及預(yù)測(cè)模型。

1.3.1 標(biāo)準(zhǔn)化影像數(shù)據(jù)采集 盡量選擇標(biāo)準(zhǔn)化的入組數(shù)據(jù),使數(shù)據(jù)不受采集設(shè)備、掃描參數(shù)如層厚、脈沖序列的影響。眾多醫(yī)院的數(shù)據(jù)采集質(zhì)量參差不齊,保證質(zhì)量的同時(shí)較難保證大樣本,所以找到的入組標(biāo)準(zhǔn)與數(shù)據(jù)量的平衡點(diǎn)至關(guān)重要。

1.3.2 圖像分割與重建 精確的圖像分割是影像組學(xué)分析的基礎(chǔ),目前并無統(tǒng)一的分割標(biāo)準(zhǔn)。人工手動(dòng)分割由于精確度高仍作為金標(biāo)準(zhǔn),但是效率低,相比較于半自動(dòng)化分割,手動(dòng)分割還具有可重復(fù)性差的缺點(diǎn);自動(dòng)化分割雖沒有規(guī)范標(biāo)準(zhǔn),也難以在磨玻璃密度結(jié)節(jié)或者部分實(shí)性結(jié)節(jié)中保證精確性和魯棒性,但較為迎合大數(shù)據(jù)趨勢(shì),對(duì)于實(shí)性結(jié)節(jié)分割效果也較精準(zhǔn)。目前迫切需要聯(lián)合工科發(fā)展高精度、全自動(dòng)的分割算法。

1.3.3 特征提取 影像組學(xué)特征很豐富,定量特征提取是關(guān)鍵步驟,目前最常用的方法是主成分分析,通常通過無監(jiān)督學(xué)習(xí)獲得如直方圖強(qiáng)度、形狀特征、紋理特征如同質(zhì)性或異質(zhì)性、小波特征等。

1.3.4 特征分析及預(yù)測(cè)模型 建模應(yīng)考慮3 個(gè)方面的因素:特征的選擇、建模的方法、模型的驗(yàn)證。為了避免模型所含特征過多導(dǎo)致的過擬合問題,應(yīng)對(duì)特征降維,篩選穩(wěn)定性好、可重復(fù)性高的數(shù)據(jù),影像組學(xué)以外的特征例如臨床信息、療效評(píng)估、基因信息也應(yīng)該納入以實(shí)現(xiàn)模型的整體性;建模方法應(yīng)遵循穩(wěn)定和能夠解決相關(guān)臨床問題的原則;模型的性能是通過不斷驗(yàn)證來校準(zhǔn)的,可以根據(jù)受試者工作特征 (receiver operating characteristic,ROC)曲線或者ROC 曲線下面積 (area under the curve,AUC)驗(yàn)證。

2 人工智能在肺結(jié)節(jié)診斷中的應(yīng)用

2.1 肺結(jié)節(jié)檢出 Monkam 等[13]從肺部影像數(shù)據(jù)庫和圖像數(shù)據(jù)庫資源中提取已被標(biāo)記的帶有3 種矩陣參數(shù)大小(16×16、32×32、64×64)的13 179個(gè)微結(jié)節(jié)和21 315個(gè)非結(jié)節(jié),設(shè)計(jì)了3個(gè)不同卷積層的卷積神經(jīng)網(wǎng)絡(luò)模型來檢出肺結(jié)節(jié)以降低假陽性率,發(fā)現(xiàn)2個(gè)卷積層的卷積神經(jīng)網(wǎng)絡(luò)模型在32×32大小情況下性能最好,準(zhǔn)確度為88.28%,AUC為0.87,F 值為83.45%,敏感度為83.82%,結(jié)果表明具有合適的矩陣參數(shù)大小和卷積層的卷積神經(jīng)網(wǎng)絡(luò)模型能有效區(qū)分肺小結(jié)節(jié)和非結(jié)節(jié),減少假陽性率,增加肺結(jié)節(jié)的檢出率。

2.2 肺結(jié)節(jié)診斷

2.2.1 肺結(jié)節(jié)良惡性鑒別 王晶晶等[14]發(fā)現(xiàn)用支持向量機(jī)預(yù)測(cè)模型預(yù)測(cè)了由Curvelet變換提取的73個(gè)紋理特征,結(jié)果顯示其敏感度為88.6%,符合率為78%,能在一定程度上降低肺癌早期診斷的誤診率。Gao等[15]將肺結(jié)節(jié)中的三維紋理特征、臨床信息及CT 圖像數(shù)據(jù)計(jì)入支持向量機(jī)模型進(jìn)行肺癌預(yù)測(cè),可將放射科醫(yī)師診斷的敏感度提高23%,特異度提高28%。

深度學(xué)習(xí)的算法可以快速調(diào)整,提高了準(zhǔn)確度,改善了傳統(tǒng)機(jī)器學(xué)習(xí)受手工預(yù)處理標(biāo)記特征的限制以及手工分割的測(cè)量誤差。Hua等[16]首次將深度學(xué)習(xí)技術(shù)應(yīng)用于肺結(jié)節(jié)分類,利用來自肺部影像數(shù)據(jù)庫和圖像數(shù)據(jù)庫資源的1 010例患者CT 圖像中2 545個(gè)肺結(jié)節(jié),特別介紹了深度信念網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)2 種模型,最終敏感度為73.3%,特異度為78.7%。Lyu和Ling[17]提出由3個(gè)卷積神經(jīng)網(wǎng)絡(luò)組成的多層卷積神經(jīng)網(wǎng)絡(luò)來提取多尺度特征對(duì)良性、惡性和不確定性肺結(jié)節(jié)分類,在不添加任何手動(dòng)預(yù)處理算法的情況下,該模型的準(zhǔn)確率達(dá)到了84.81%。Shaffie等[18]利用新的吉布斯馬爾可夫隨機(jī)場(chǎng)模型提取了來自肺部影像數(shù)據(jù)庫和圖像數(shù)據(jù)庫資源中467例患者的727個(gè)肺結(jié)節(jié)外觀和幾何特征,將其運(yùn)用到深度自編碼器進(jìn)行肺結(jié)節(jié)良惡性分類,準(zhǔn)確率達(dá)到91.20%,其局限性為無法區(qū)分良惡性結(jié)節(jié)的具體病理類型。宋尚玲等[19]提出一種基于深度信念網(wǎng)絡(luò)的模型用于肺結(jié)節(jié)的檢出,深度信念網(wǎng)絡(luò)識(shí)別肺結(jié)節(jié)的準(zhǔn)確率為90%,假陽性率為0.5%。

影像組學(xué)在肺結(jié)節(jié)良惡性鑒別上也有很廣泛的應(yīng)用。Beig等[20]收集了290例肺結(jié)節(jié)患者肺CT 平掃檢查影像并提取特征,將145 例特征信息用于訓(xùn)練機(jī)器學(xué)習(xí)分級(jí)器,并結(jié)合影像組學(xué)特征獲得的AUC 為0.8,較卷積神經(jīng)網(wǎng)絡(luò)和醫(yī)師AUC 有明顯優(yōu)勢(shì)來區(qū)分非小細(xì)胞肺癌和良性肉芽腫。

2.2.2 預(yù)測(cè)肺癌病理分型及分期 Zhu等[21]利用LASSO logistic回歸模型從129例圖像中選取5個(gè)放射性標(biāo)記的關(guān)鍵特征來構(gòu)建區(qū)分鱗狀細(xì)胞癌和肺腺癌的模型,驗(yàn)證集的敏感度達(dá)82.8%,特異度為90%,為今后詳細(xì)分類病理亞型奠定了基礎(chǔ)。Haga等[22]評(píng)估了放射組學(xué)在早期非小細(xì)胞肺癌的組織學(xué)中的作用,AUC 為 (0.725±0.070),較高的預(yù)測(cè)精度意味著放射組學(xué)的無創(chuàng)組織學(xué)評(píng)價(jià)病理分型是一種有前途的評(píng)價(jià)方法。She等[23]提取60個(gè)放射學(xué)特征建立模型來鑒別惰性癌如原位癌、微浸潤癌與侵襲性腺癌,其AUC為0.89,提示影像組學(xué)對(duì)腫瘤侵襲性的預(yù)測(cè)具有良好的應(yīng)用價(jià)值。

2.2.3 預(yù)測(cè)肺癌基因表型 Jia等[24]建立了一種放射組學(xué)特征和隨機(jī)森林模型結(jié)合的算法識(shí)別肺腺癌的表皮生長(zhǎng)因子受體 (epidermal growth factor receptor,EGFR)基因突變,94 個(gè)放射組學(xué)特征的隨機(jī)森林模型的AUC 達(dá)到0.802,結(jié)合臨床病史后,AUC 增加到0.828,表明影像組學(xué)可以識(shí)別腫瘤的基因突變。Xiong等[25]利用三維卷積神經(jīng)網(wǎng)絡(luò)來識(shí)別肺腺癌患者CT 圖像中的EGFR 基因突變狀態(tài),卷積神經(jīng)網(wǎng)絡(luò)在獨(dú)立驗(yàn)證集中的AUC 為0.776,與臨床特征 (性別、吸煙史)結(jié)合后的AUC 為0.838,表明深度學(xué)習(xí)也可以識(shí)別肺腺癌的EGFR 基因突變,與臨床特征結(jié)合預(yù)測(cè)效能更好。

2.3 肺癌療效評(píng)估及預(yù)后 惡性腫瘤進(jìn)展迅速,實(shí)時(shí)監(jiān)測(cè)病情,盡早調(diào)整最佳治療方案是很有必要的。這需要影像學(xué)能無創(chuàng)地、多次實(shí)時(shí)進(jìn)行療效評(píng)估。Fave等[26]研究表明影像組學(xué)特征會(huì)隨著放射治療過程而出現(xiàn)顯著變化,一定程度上也反映了腫瘤對(duì)放療的反應(yīng),可用影像組學(xué)評(píng)估治療結(jié)束時(shí)腫瘤的狀態(tài)用以預(yù)測(cè)生存期。Kim 等[27]利用CT的放射學(xué)特性數(shù)據(jù)來預(yù)測(cè)EGFR 突變型肺腺癌患者接受EGFR酪氨酸激酶抑制劑治療后的無進(jìn)展生存期,運(yùn)用臨床因素模型預(yù)測(cè)的一致性指數(shù)為0.69,結(jié)合影像組學(xué)和臨床因素模型預(yù)測(cè)一致性指數(shù)達(dá)到0.77,表明臨床因素結(jié)合放射學(xué)特征后預(yù)測(cè)生存期價(jià)值顯著增量。Dou等[28]研究了6個(gè)腫瘤周邊放射學(xué)特征對(duì)預(yù)測(cè)晚期非小細(xì)胞肺癌遠(yuǎn)處轉(zhuǎn)移的提示意義,比肉眼可見的腫瘤特征更有價(jià)值。

3 目前存在的問題

雖然人工智能在肺結(jié)節(jié)良惡性診斷方面已經(jīng)有了很大的成就,但還存在很多問題亟待解決,這需要臨床醫(yī)師和工科技術(shù)人員的共同努力,實(shí)現(xiàn)人工智能技術(shù)的更好的醫(yī)工交叉。臨床醫(yī)師不僅要提出臨床問題、提供影像數(shù)據(jù),還要熟悉人工智能技術(shù)的每個(gè)流程、每個(gè)參數(shù),這樣才能自主調(diào)整模型診斷復(fù)雜臨床問題;工科人員也要深入臨床,推進(jìn)工科技術(shù)的臨床化,真正了解臨床醫(yī)師和影像科醫(yī)師所面臨的亟需解決的問題,開發(fā)模型新功能、優(yōu)化現(xiàn)有模型,做到源于臨床而高于臨床,能為醫(yī)師所用。

目前亟待解決的問題是創(chuàng)立數(shù)據(jù)資源共享平臺(tái),整合多中心、多參數(shù)、多模態(tài)、多病種標(biāo)準(zhǔn)化的大數(shù)據(jù)供科學(xué)研究。數(shù)據(jù)量是最基礎(chǔ)的,還要具備標(biāo)準(zhǔn)化及多樣性,包括病理信息、基因信息、治療療效信息、預(yù)后信息、隨訪信息等多層次資料,增加信息的可重復(fù)性和算法的多樣性。目前已經(jīng)有不同的國際組織建立了各自的公共數(shù)據(jù)庫,其中CT 影像的公共數(shù)據(jù)庫有肺部影像數(shù)據(jù)庫和圖像數(shù)據(jù)庫、ELCAP數(shù)據(jù)庫、ANODE09數(shù)據(jù)庫。

人工智能對(duì)肺結(jié)節(jié)良惡性診斷的敏感度較高,隨之而來的問題是假陽性率亦高,這需要工科技術(shù)人員及臨床醫(yī)師對(duì)二者分析要兼顧,優(yōu)化算法,在確保一定敏感度的前提下降低假陽性率。da Silva等[29]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)粒子群算法來降低肺結(jié)節(jié)檢出的假陽性率,在肺部圖像影像數(shù)據(jù)庫的CT 掃描中測(cè)試了該方法,獲得的最高準(zhǔn)確度為97.62%,敏感度為92.20%,特異度為98.64%,ROC曲線的AUC 為0.955;結(jié)果表明粒子群算法在識(shí)別最佳卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)方面有很高的性能潛力,在降低假陽性率的同時(shí)保證了高敏感度。

目前人工智能領(lǐng)域尚缺乏臨床相關(guān)性的標(biāo)準(zhǔn)化評(píng)估,亟需一套統(tǒng)一的質(zhì)控標(biāo)準(zhǔn),以控制相關(guān)研究的可靠性。Lambin等[30]在2017年提出了影像組學(xué)領(lǐng)域的質(zhì)量評(píng)分,其他的技術(shù)領(lǐng)域質(zhì)控標(biāo)準(zhǔn)還有待制定實(shí)施。

4 展望

4.1 影像基因組學(xué) 人工智能技術(shù)走向臨床需要全世界多中心、前瞻性的研究,整合影像組學(xué)與其他組學(xué)也是一大熱潮。2017年Lambin等[30]再次提出應(yīng)將影像組學(xué)與其他組學(xué)密切結(jié)合,如臨床特征、免疫組織化學(xué)、基因組學(xué)等數(shù)據(jù),全方面評(píng)估,有利于實(shí)現(xiàn)精準(zhǔn)醫(yī)療。

目前研究較多的是整合影像與基因組學(xué)的研究,蛋白質(zhì)、組織微環(huán)境、基因的改變都可以在宏觀影像學(xué)上有特征性的表現(xiàn),甚至這種分子水平的變化早于宏觀變化幾個(gè)月,于是衍生出影像基因組學(xué)。研究特定的影像組學(xué)特征與特定基因表達(dá)之間的潛在關(guān)系,將病理生理改變定位到基因?qū)用?為構(gòu)建影像基因組學(xué)模式奠定基礎(chǔ)。

4.2 人工智能聯(lián)合液體活檢 近年來,表觀遺傳學(xué)、液體活檢等新技術(shù)在肺癌早期診斷上的應(yīng)用為亞臨床期的肺癌個(gè)體化篩查提供了技術(shù)基礎(chǔ),相關(guān)的臨床研究也正在進(jìn)行。在中國臨床試驗(yàn)注冊(cè)中心中,檢索到一項(xiàng)正在開展的肺結(jié)節(jié)良惡性輔助診斷中國多中心臨床試驗(yàn)(ChiCTR1900026233),擬入組1 400例經(jīng)影像學(xué)手段檢出肺結(jié)節(jié)的患者,探討循環(huán)染色體異常細(xì)胞聯(lián)合影像學(xué)人工智能分析工具對(duì)早期肺癌的診斷價(jià)值。期待更多大樣本、高質(zhì)量的臨床試驗(yàn)為新型腫瘤標(biāo)志物及人工智能工具的臨床價(jià)值提供更有力的證據(jù)。

考慮人工智能聯(lián)合液體活檢對(duì)肺結(jié)節(jié)良惡性輔助診斷作用目前處于臨床研究階段,故暫時(shí)不作為常規(guī)推薦的肺癌篩查手段。但相信未來幾年內(nèi)可以看到經(jīng)大規(guī)模臨床試驗(yàn)驗(yàn)證的肺癌特異性生物標(biāo)志物應(yīng)用于臨床。

4.3 物聯(lián)網(wǎng)技術(shù) 規(guī)范化診治和長(zhǎng)期有效管理肺結(jié)節(jié)及肺癌患者能夠有效提高患者生存率。為了解決部分患者難以長(zhǎng)期規(guī)范化管理診療的問題,物聯(lián)網(wǎng)醫(yī)學(xué)[31]應(yīng)運(yùn)而生,極大改善了全國各地區(qū)尤其偏遠(yuǎn)地區(qū)的肺結(jié)節(jié)診治水平。物聯(lián)網(wǎng)醫(yī)學(xué)具備全面感知、可靠傳輸和智能處理等多種功能,有利于全面了解患者的病情變化,實(shí)現(xiàn)對(duì)高危人群在線隨訪、教育、療效觀察、防止肺癌術(shù)后復(fù)發(fā)轉(zhuǎn)移等;對(duì)于疑難病例又不便于就診者,也可以聯(lián)合云中專家多學(xué)科會(huì)診和隨訪。

綜上所述,人工智能很大程度上提高了肺結(jié)節(jié)的檢出效率及良惡性的診斷鑒別能力,雖然人工智能無法取代醫(yī)師的決策地位,但會(huì)成為醫(yī)師的得力助手,醫(yī)師也應(yīng)運(yùn)用好新科技帶來的技術(shù)革新,同時(shí)成為科技時(shí)代的影像信息學(xué)專家。無論何種人工智能,都有其自身的優(yōu)點(diǎn)與局限性,這里引用Yoshua Bengio的一段話:科學(xué)不是競(jìng)爭(zhēng)而是合作,任何學(xué)科的發(fā)展都需要行業(yè)之間互相借鑒、博采眾長(zhǎng),站在巨人的肩膀上不斷前行,這樣才會(huì)激發(fā)科學(xué)原有的活力。人工智能實(shí)現(xiàn)肺結(jié)節(jié)精準(zhǔn)診斷的道路尚需探索和突破,相信在不久的將來,人工智能會(huì)在精準(zhǔn)醫(yī)療時(shí)代有出彩的表現(xiàn)。

利益沖突所有作者均聲明不存在利益沖突