陸崴，孫微，金銀華

結(jié)直腸癌是威脅人類健康的重大疾病。據(jù)2018年世界衛(wèi)生組織統(tǒng)計(jì)數(shù)據(jù)表明，結(jié)直腸癌發(fā)病率及死亡率均位居全球第三位，占全球每年新發(fā)腫瘤病例的10%及全球每年腫瘤相關(guān)死亡病例的9.4%。在我國，結(jié)直腸癌同樣是高發(fā)的消化道惡性腫瘤，且其發(fā)病率和死亡率均呈持續(xù)上升趨勢，嚴(yán)重?fù)p害我國居民健康。近10 年來，在迅猛發(fā)展的信息技術(shù)支持下，影像組學(xué)、人工智能等在醫(yī)學(xué)影像領(lǐng)域的研究得到長足發(fā)展。影像組學(xué)能夠提供海量肉眼無法觀察到的高維影像深層特征，從而改變目前臨床診斷主觀性較強(qiáng)、定量信息較少的現(xiàn)狀，并且能夠通過整合影像以外的其他信息共同輔助臨床醫(yī)生進(jìn)行疾病診斷、療效評(píng)價(jià)及預(yù)后評(píng)估，乃至基因預(yù)測等工作。與此同時(shí)，國內(nèi)外眾多學(xué)者也為實(shí)現(xiàn)人工智能在醫(yī)學(xué)影像處理和分析上的應(yīng)用做了大量探索研究，并在腫瘤、心腦血管疾病影像等方面取得了不少令人滿意的成果。人工智能技術(shù)的使用顯著提高了醫(yī)生的工作效率，并極大地提高了疾病的檢出率及診斷和評(píng)估的準(zhǔn)確率。本文旨在回顧影像組學(xué)和人工智能技術(shù)在結(jié)直腸癌診斷和評(píng)估上所取得的研究成果，并介紹其在未來可能的發(fā)展方向。

1 結(jié)直腸癌篩查及早期診斷

結(jié)直腸癌患者的預(yù)后情況與就診時(shí)腫瘤進(jìn)展程度密切相關(guān)，早期腫瘤患者術(shù)后5 年生存率可達(dá)90%，而晚期患者則不足12%。但事實(shí)上，由于缺乏明顯、特征性的臨床癥狀，約30%的結(jié)直腸癌患者發(fā)現(xiàn)時(shí)已處于中晚期或發(fā)生肝轉(zhuǎn)移，導(dǎo)致手術(shù)效果不佳或無法手術(shù)，其生存率大大減低。因此，開展結(jié)直腸癌篩查，及早發(fā)現(xiàn)早期結(jié)直腸癌及結(jié)直腸腺瘤等癌前病變并給予根治性治療，對(duì)改善患者預(yù)后，延長患者生命具有重要意義。由于CT、MR 等影像學(xué)檢查對(duì)早期腫瘤性病變的檢出率較低，目前結(jié)腸內(nèi)鏡是結(jié)直腸癌篩查和早期診斷的主要方式。而隨著計(jì)算機(jī)科學(xué)的蓬勃發(fā)展，如何使用人工智能技術(shù)實(shí)現(xiàn)結(jié)腸鏡下病變的自動(dòng)檢測和自動(dòng)診斷已受到越來越多的關(guān)注并成為研究熱點(diǎn)。

息肉、腺瘤及癌灶等結(jié)直腸病變的檢出是臨床進(jìn)行篩查的首要目的，同時(shí)也是結(jié)直腸疾病診治過程中最重要的第一步。人工智能能夠大幅降低結(jié)腸鏡檢查中息肉等病變的漏診率，從而提高早癌及腺瘤等癌前病變的檢出率。Fernández 等利用內(nèi)鏡影像中息肉的邊界信息有效識(shí)別息肉，并用31 個(gè)病灶的內(nèi)鏡視頻評(píng)估他們所構(gòu)建的息肉自動(dòng)檢測模型。結(jié)果顯示該模型的敏感性和特異性均達(dá)到了70%以上。在此之后，國內(nèi)外多名學(xué)者及科研團(tuán)隊(duì)均嘗試研究了利用人工智能的方法來提高內(nèi)鏡下結(jié)直腸息肉的檢出率。2018 年，Misawa 等開發(fā)了一種基于深度學(xué)習(xí)的實(shí)時(shí)息肉自動(dòng)檢測算法，并使用50 個(gè)息肉視頻和85 個(gè)非息肉視頻評(píng)估了其性能，其靈敏度和特異性分別達(dá)到90%和63%。同年，Urban 等利用深度學(xué)習(xí)算法開發(fā)了一個(gè)結(jié)腸內(nèi)鏡下實(shí)時(shí)定位和識(shí)別息肉的模型，其在篩查中檢出息肉的準(zhǔn)確率達(dá)到96%達(dá)到0.991。Wang 等也同樣使用深度學(xué)習(xí)開發(fā)并驗(yàn)證了一個(gè)基于結(jié)腸內(nèi)鏡的息肉自動(dòng)檢出模型，其敏感性和特異性均達(dá)到90%以上。而與上述這些回顧性分析不同，Klare等開發(fā)了一種基于手繪特征的內(nèi)鏡下結(jié)直腸息肉自動(dòng)檢測模型，并對(duì)其進(jìn)行了前瞻性評(píng)估。以經(jīng)驗(yàn)豐富的內(nèi)鏡醫(yī)師在盲法下發(fā)現(xiàn)的腺瘤數(shù)量作為參考標(biāo)準(zhǔn)，該模型在55 例常規(guī)結(jié)腸鏡檢查中，其息肉檢出率和腺瘤檢出率分別為50.9%和29.1%，而臨床醫(yī)生的息肉檢出率和腺瘤檢出率分別為56.4%和30.9%。由此可見，人工智能在內(nèi)鏡檢查中檢出結(jié)直腸病變的能力可媲美臨床醫(yī)生。在人工智能的輔助下，醫(yī)生可顯著降低結(jié)腸鏡檢查的漏診率。

結(jié)直腸病灶檢出后的定性診斷同樣十分重要，這直接關(guān)系到患者下一步該接受何種治療。人工智能的使用可以極大提高結(jié)直腸病變的定性診斷準(zhǔn)確率，從而減少臨床上無關(guān)緊要的非腫瘤性病變或良性病變（如平滑肌瘤）的切除，避免過度治療。早在深度學(xué)習(xí)廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域之前，Tischendorf 等就于2010 年首次報(bào)道了用于結(jié)直腸息肉分類的計(jì)算機(jī)輔助診斷系統(tǒng)（CAD）。其后，又有學(xué)者基于傳統(tǒng)機(jī)器學(xué)習(xí)方法開發(fā)了可用于區(qū)分腺瘤和增生性息肉的CAD 系統(tǒng)，其敏感性和特異性可達(dá)90%以上。而上述這些CAD 系統(tǒng)在隨后的一項(xiàng)前瞻性研究中得到了成功驗(yàn)證，結(jié)果顯示其敏感性為93.0%、特異性為93.3%、陽性預(yù)測值（PPV）為93.0%、陰性預(yù)測值（NPV）為93.3%。最近幾年，兩個(gè)研究團(tuán)隊(duì)利用回顧性數(shù)據(jù)開發(fā)了基于深度學(xué)習(xí)算法的內(nèi)鏡下結(jié)直腸息肉自動(dòng)診斷模型，其診斷微?。? mm）腺瘤的NPV 均超過90%。而近年一項(xiàng)大規(guī)模的前瞻性研究的結(jié)果顯示，人工智能模型對(duì)結(jié)腸鏡下直腸-乙狀結(jié)腸小腺瘤實(shí)時(shí)分類的敏感性和特異性分別為91.4%和91.7%，PPV和NPV分別為88.9%和93.7%。因此，通過人工智能模型的輔助，可有望大幅提高臨床醫(yī)生在內(nèi)鏡下對(duì)結(jié)直腸病變初步定性診斷的準(zhǔn)確率，減少誤診及過度治療的發(fā)生。

2 結(jié)直腸癌的術(shù)前評(píng)估和腫瘤自動(dòng)分割

腹部CT 和MRI 是目前結(jié)直腸癌術(shù)前評(píng)估的主要手段，其可以完整全面地展示腫瘤與組織、器官之間的關(guān)系以及淋巴結(jié)和遠(yuǎn)處轉(zhuǎn)移情況，而通過增強(qiáng)檢查和MRI 的各種功能成像序列則可以顯示腫瘤的血供情況和代謝活性。但常規(guī)的人工影像評(píng)估方式存在一定不足，如TNM 分期準(zhǔn)確率低、易造成過度分期。影像組學(xué)和人工智能可以提供更多高維、肉眼無法觀察到的影像深層特征，幫助醫(yī)生改變目前臨床診斷主觀性較強(qiáng)、定量信息較少的現(xiàn)狀，在提高臨床對(duì)腫瘤分期的準(zhǔn)確性的同時(shí)，還能對(duì)腫瘤的病理和基因類型做出預(yù)判。Huang 等于2016 年就利用影像組學(xué)方法在結(jié)直腸癌淋巴結(jié)轉(zhuǎn)移預(yù)測方面開展了研究工作，其結(jié)果顯示影像組學(xué)可以有效預(yù)測結(jié)直腸癌患者淋巴結(jié)轉(zhuǎn)移的情況，將臨床淋巴結(jié)診斷70%的假陽性降低到30%左右。2019 年Ding等開發(fā)了一種基于快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Faster RCNN）算法的人工智能模型用于評(píng)估直腸癌患者的淋巴結(jié)轉(zhuǎn)移情況，并對(duì)其進(jìn)行了多中心驗(yàn)證。其在414 例伴有盆腔淋巴結(jié)轉(zhuǎn)移的直腸癌的MR影像中，先使用該R-CNN模型識(shí)別有轉(zhuǎn)移的陽性淋巴結(jié)，而后將其結(jié)果與放射科醫(yī)生和病理科醫(yī)生的診斷結(jié)果進(jìn)行比較。結(jié)果顯示該模型與放射科醫(yī)生之間的一致性為0.912，與病理診斷的一致性為0.448，而放射科醫(yī)生和病理診斷之間的一致性僅為0.134。近期，Lin 等構(gòu)建了一個(gè)影像組學(xué)模型用于術(shù)前預(yù)測直腸癌T 分期，結(jié)果顯示其可良好地區(qū)分局部進(jìn)展期直腸癌和早期直腸癌患者，在訓(xùn)練集中模型的AUC為0.882，在驗(yàn)證數(shù)據(jù)集中其AUC 為0.846，并且在該研究的前瞻性分析中，模型預(yù)測局部進(jìn)展期直腸癌的AUC 可達(dá)0.859。2018 年Yang 等研究了基于CT的影像組學(xué)特征可否用于預(yù)測結(jié)直腸癌中KRAS/NRAS/BRAF 等基因的突變情況。結(jié)果顯示影像組學(xué)特征與KRAS/NRAS/BRAF突變呈顯著相關(guān)（P＜0.001），預(yù)測KRAS/NRAS/BRAF突變的AUC、敏感性和特異性在訓(xùn)練集中分別為0.869、0.757 和0.833，而在驗(yàn)證集中分別為0.829、0.686 和0.857。同時(shí)，該研究發(fā)現(xiàn)患者的一般臨床資料、腫瘤分期和組織學(xué)分化程度等在訓(xùn)練集和驗(yàn)證集中均與KRAS/NRAS/BRAF 突變無顯著相關(guān)性（P ＞0.05）。近期，國內(nèi)一項(xiàng)多中心研究顯示，基于T2WI 的影像組學(xué)標(biāo)簽可在一定程度上預(yù)測直腸癌患者的KRAS基因突變，在內(nèi)部及外部驗(yàn)證集上的AUC 分別為0.682 和0.714。由此可見，影像組學(xué)和人工智能是對(duì)常規(guī)影像和臨床數(shù)據(jù)的重要補(bǔ)充，其提供了大量獨(dú)立的深層次特征，從而幫助放射科醫(yī)師及臨床做出更準(zhǔn)確的評(píng)估和預(yù)測。

此外，由于結(jié)直腸癌癌灶和轉(zhuǎn)移淋巴結(jié)的識(shí)別和邊界界定是在臨床和科研工作中都十分重要的一個(gè)環(huán)節(jié)，如何通過人工智能技術(shù)實(shí)現(xiàn)直腸癌原發(fā)癌灶及轉(zhuǎn)移淋巴結(jié)或高風(fēng)險(xiǎn)淋巴結(jié)影像的自動(dòng)、精準(zhǔn)識(shí)別和勾畫，也是目前的重要研究方向之一。2017年Trebeschi 等將140 例局部進(jìn)展期直腸癌患者的MRI 影像中的T2WI 和DWI 圖像利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行訓(xùn)練，得到了一個(gè)精準(zhǔn)的全自動(dòng)直腸癌定位及分割模型。2018 年復(fù)旦大學(xué)Wang 等利用深度學(xué)習(xí)方法開發(fā)了一種可在T2WI圖像上自動(dòng)分割腫瘤的新算法，其訓(xùn)練樣本包含了93 名接受新輔助放化療及后續(xù)手術(shù)治療的局部進(jìn)展期直腸癌患者，最終結(jié)果顯示此深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)自動(dòng)分割的質(zhì)量可媲美專業(yè)醫(yī)生手動(dòng)完成的分割結(jié)果。同時(shí)，Men 等提出了一種新的深度擴(kuò)大卷積神經(jīng)網(wǎng)絡(luò)（DDCNN）方法來進(jìn)行局部進(jìn)展期直腸癌患者放療前腫瘤靶區(qū)和風(fēng)險(xiǎn)器官的自動(dòng)分割，其方法具有較高的準(zhǔn)確性，并可大大提高工作效率。其后，Men 團(tuán)隊(duì)也同國外合作，收集了行仰臥位和俯臥位CT 檢查的直腸癌患者各50 例，以分析CNN中定位方向?qū)χ蹦c癌自動(dòng)分割準(zhǔn)確性的影響，其結(jié)果顯示若在同一網(wǎng)絡(luò)中加入相反方向的圖像，會(huì)顯著降低對(duì)腫瘤靶區(qū)和膀胱自動(dòng)分割的準(zhǔn)確性，而對(duì)股骨分割的準(zhǔn)確性無明顯影響。隨著人工智能自動(dòng)分割技術(shù)的不斷發(fā)展和完善，目前結(jié)直腸癌主要依靠手動(dòng)勾畫、速度慢及主觀因素影響大的現(xiàn)狀必將得到很大的改觀，無論是臨床還是科研工作的效率必將得到極大的提升。

3 結(jié)直腸癌的治療效果評(píng)價(jià)及預(yù)后預(yù)測

治療效果評(píng)價(jià)是臨床醫(yī)生在結(jié)直腸癌治療過程中進(jìn)行動(dòng)態(tài)監(jiān)測的重要一環(huán)。治療效果的好壞直接關(guān)系到是否需要對(duì)當(dāng)前治療方案進(jìn)行調(diào)整和優(yōu)化。而腫瘤的預(yù)后預(yù)測則是臨床醫(yī)生選擇最佳治療的方案的重要依據(jù)。CT 和MRI 同樣是目前臨床評(píng)價(jià)腫瘤治療后反應(yīng)的重要手段，腫瘤的影像學(xué)表現(xiàn)也是分析預(yù)測腫瘤轉(zhuǎn)歸的重要參考因素之一。

在結(jié)直腸癌治療效果評(píng)價(jià)方面，2016 年有研究利用影像組學(xué)對(duì)結(jié)直腸癌患者的新輔助放化療進(jìn)行了療效預(yù)測研究，結(jié)果證明影像組學(xué)特征可以有效預(yù)測新輔助治療的療效。2017 年Liu 等也使用影像組學(xué)的方法對(duì)局部進(jìn)展期直腸癌患者在新輔助放化療后是否能達(dá)到病理完全緩解進(jìn)行了分析和評(píng)價(jià)，其研究結(jié)果顯示基于治療前后MRI 影像數(shù)據(jù)的影像組學(xué)模型可有效預(yù)測局部進(jìn)展期直腸癌患者的病理完全緩解情況，在訓(xùn)練集和驗(yàn)證集上其ROC曲線的AUC 分別高達(dá)0.9744 和0.9799。2018 年Horvat等也使用基于T2WI 的影像組學(xué)方法對(duì)局部進(jìn)展期直腸癌患者的新輔助放化療效果進(jìn)行了分析和評(píng)價(jià)，其研究結(jié)果顯示此影像組學(xué)模型的分類性能要優(yōu)于基于T2WI 和DWI 的定量評(píng)估。2019 年Liu 等通過提取177 例直腸癌患者術(shù)前T2WI 影像的組學(xué)特征，來預(yù)測直腸癌患者發(fā)生術(shù)前同步遠(yuǎn)處轉(zhuǎn)移的情況，其模型具有較好的特異性（94.4%），準(zhǔn)確性可達(dá)87.0%（AUC 為0.827）。同期，Tang 等通過整合DWI 的定量特征、影像組學(xué)特征及臨床相關(guān)因素來預(yù)測局部進(jìn)展期直腸癌患者新輔助治療的效果，結(jié)果顯示其模型的AUC為0.890，分類準(zhǔn)確度為90%，校準(zhǔn)分析更表明此模型的預(yù)測性能接近完美。

在結(jié)直腸癌患者預(yù)后預(yù)測方面，2018 年Meng等開發(fā)了影像組學(xué)模型用于預(yù)測局部進(jìn)展期直腸癌患者的無病生存期，Cox 回歸分析顯示模型對(duì)高低風(fēng)險(xiǎn)患者的分類性能良好，其對(duì)患者3 年無病生存率預(yù)測的AUC 可達(dá)0.837。2020 年Li 等利用CT影像組學(xué)預(yù)測直腸癌術(shù)后遠(yuǎn)處轉(zhuǎn)移發(fā)生的可能，結(jié)果顯示基于影像組學(xué)特征的Rad-score 與遠(yuǎn)處轉(zhuǎn)移存在顯著相關(guān)性，而結(jié)合了病理T、N 分期的影像組學(xué)模型顯示出良好的預(yù)測能力，其在訓(xùn)練集和驗(yàn)證集的AUC 分別為0.842 和0.802。同時(shí)，影像組學(xué)模型與整個(gè)隊(duì)列和相應(yīng)亞組的總生存期改善相關(guān)。Liu 等利用多中心數(shù)據(jù)集開發(fā)并驗(yàn)證了一種基于MRI 的影像組學(xué)模型，用于預(yù)測局部進(jìn)展期直腸癌的遠(yuǎn)處轉(zhuǎn)移情況。結(jié)果顯示在所有四個(gè)多中心隊(duì)列中，該模型在區(qū)分遠(yuǎn)處轉(zhuǎn)移高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)的患者上具有良好的準(zhǔn)確性，而且優(yōu)于臨床模型，可協(xié)助臨床預(yù)判患者對(duì)輔助化療的受益情況，從而制定有效的個(gè)體化治療方案。近期，在Badic 等的一項(xiàng)雙中心研究中發(fā)現(xiàn)，來自增強(qiáng)CT的影像組學(xué)模型可以良好地對(duì)II 期和III 期結(jié)直腸癌患者復(fù)發(fā)風(fēng)險(xiǎn)進(jìn)行分層，從而有效地預(yù)測患者的無病生存期。

此外，由于PET 能夠在活體上顯示生物分子水平的組織代謝情況，也有學(xué)者開展了基于PET 影像的相關(guān)的研究。2018 年Lovinfosse 等利用86 例局部進(jìn)展期直腸癌患者治療前18F-FDG PET/CT 影像構(gòu)建了一個(gè)預(yù)測患者生存期的影像組學(xué)模型，他們發(fā)現(xiàn)該模型的輸出結(jié)果是一個(gè)強(qiáng)的獨(dú)立預(yù)測因子，要優(yōu)于傳統(tǒng)的信號(hào)強(qiáng)度和體積參數(shù)。Giannini 等則通過結(jié)合18F-FDG PET和MRI的影像組學(xué)特征來構(gòu)建模型，對(duì)局部進(jìn)展期直腸癌患者進(jìn)行新輔助治療的療效預(yù)測，同樣得到了一系列令人滿意的結(jié)果。

同時(shí)，在深度學(xué)習(xí)領(lǐng)域，Bibault 等利用95 例局部進(jìn)展期直腸癌患者的CT影像，提取其影像組學(xué)特征，而后將這些特征放入深度神經(jīng)網(wǎng)絡(luò)（DNN）來預(yù)測患者的病理完全緩解情況，其結(jié)果顯示DNN模型的預(yù)測準(zhǔn)確率為80%，顯著高于通過線性回歸模型（69.5%）和SVM 模型（71.58%）所得到的結(jié)果。但此研究樣本量較少，采用的是CT 影像，較MRI影像信息量少，其模型有待進(jìn)一步完善。近期，F(xiàn)u 等利用基于深度學(xué)習(xí)的直腸癌DWI 影像組學(xué)特征來預(yù)測局部進(jìn)展期直腸癌患者的新輔助放化療療效，其結(jié)果顯示與常用的手工設(shè)定特征（AUC 為0.64）相比，深度學(xué)習(xí)特征具有更好預(yù)測效能（AUC 為0.73）。上述研究結(jié)果均顯示影像組學(xué)和人工智能在治療效果評(píng)價(jià)和預(yù)后預(yù)測中的應(yīng)用，有望在很大程度上提高直腸癌患者風(fēng)險(xiǎn)分層、治療敏感性預(yù)判的準(zhǔn)確性，從而有助于臨床醫(yī)生制定個(gè)體化治療方案，促進(jìn)療效優(yōu)化，避免無效、低效或過度治療。

4 總結(jié)

人工智能是一門新興且發(fā)展迅速的技術(shù)科學(xué)?；诟鞣N醫(yī)學(xué)影像等大數(shù)據(jù)的人工智能輔助診斷模型不僅可以提高結(jié)直腸癌的早期檢出率和診斷、分期的準(zhǔn)確性，而且還可以對(duì)患者進(jìn)行準(zhǔn)確的治療前系統(tǒng)性評(píng)估，有效地評(píng)價(jià)和預(yù)測手術(shù)、輔助/新輔助放化療的治療效果，并對(duì)患者的預(yù)后情況作出預(yù)測。通過不斷擴(kuò)大樣本數(shù)據(jù)量，優(yōu)化深度學(xué)習(xí)算法，人工智能模型的準(zhǔn)確度和精密度都將得到進(jìn)一步的提升。但是，目前所開發(fā)的各種影像組學(xué)或人工智能模型均存在一定的問題。如大多數(shù)模型是基于回顧性數(shù)據(jù)建立的，病例有嚴(yán)格的入組和排除標(biāo)準(zhǔn)，且各中心成像的標(biāo)準(zhǔn)或多或少存在些許差異，因此模型的可重復(fù)性及其在真實(shí)世界中應(yīng)用的效果尚待得到充分的評(píng)估。此外，目前通過深度學(xué)習(xí)所得到的結(jié)果仍然缺乏可解釋性，即無法對(duì)人工智能模型做出正確判斷的原因和過程給出合理的解釋，且相應(yīng)的深度學(xué)習(xí)特征也意義不明?，F(xiàn)在已經(jīng)有學(xué)者開始研究深度學(xué)習(xí)模式是如何根據(jù)影像等信息做出決策，剖析其“黑盒”中的因果關(guān)系，而可解釋的深度學(xué)習(xí)也已經(jīng)開始成為一個(gè)活躍的研究領(lǐng)域。隨著包含影像組學(xué)在內(nèi)的諸多人工智能技術(shù)在醫(yī)學(xué)領(lǐng)域越來越廣泛的應(yīng)用，相信在不久的將來，基于醫(yī)學(xué)影像的人工智能模型將在為結(jié)直腸癌患者提供系統(tǒng)和精確的醫(yī)療服務(wù)方面發(fā)揮更加重要的作用。

（參考文獻(xiàn)略，讀者需要可向編輯部索?。?/p>