趙維維，孫靜，諸靜其

腦膠質(zhì)瘤(glioma)是最常見的顱內(nèi)原發(fā)性腫瘤，多呈浸潤(rùn)性生長(zhǎng)，手術(shù)難以徹底切除，遠(yuǎn)處轉(zhuǎn)移和對(duì)放化療不敏感者治愈率極低，復(fù)發(fā)率高，患者長(zhǎng)期生存率僅為20%。根據(jù)世界衛(wèi)生組織最新的腫瘤分類分級(jí)標(biāo)準(zhǔn)[1]，腦膠質(zhì)瘤在病理上分為少突膠質(zhì)細(xì)胞腫瘤、星形細(xì)胞腫瘤、室管膜細(xì)胞瘤、脈絡(luò)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(zhì)瘤的首選檢查方法，基于MRI 的多模態(tài)影像學(xué)技術(shù)在腦膠質(zhì)瘤的診斷和鑒別診斷、治療前評(píng)估、手術(shù)導(dǎo)航及治療后隨訪等方面起到了關(guān)鍵作用。高年資放射科醫(yī)師通過MRI 能較準(zhǔn)確地識(shí)別腫瘤，但對(duì)于低年資放射科醫(yī)師及未接受過腦腫瘤MRI診斷系統(tǒng)訓(xùn)練的放射科醫(yī)生，誤診和漏診的發(fā)生率明顯升高。另外，放射科醫(yī)師面對(duì)大量的MRI 影像時(shí)常會(huì)出現(xiàn)身心疲勞，降低了診斷準(zhǔn)確性，因此，如何將放射科醫(yī)師從傳統(tǒng)閱片中解放出來，成為一個(gè)關(guān)注的問題。

近年來，人工智能模擬人類思維，高效進(jìn)行數(shù)據(jù)挖掘整合，從而實(shí)現(xiàn)精確診斷、鑒別診斷的數(shù)字醫(yī)學(xué)出現(xiàn)迅猛發(fā)展。從影像大數(shù)據(jù)中提取肉眼難以有效識(shí)別的圖像信息，通過分析這些信息來建立診斷疾病的預(yù)測(cè)模型，已成為具有廣闊應(yīng)用前景的技術(shù)手段。目前，人工智能已逐漸應(yīng)用于腦腫瘤的MRI 診斷和鑒別診斷[2-3]。來自歐盟的一個(gè)聯(lián)合項(xiàng)目[4]提出將高質(zhì)量的數(shù)據(jù)集(MRI 圖像、臨床、分子和遺傳學(xué))，用于訓(xùn)練和機(jī)器學(xué)習(xí)的驗(yàn)證，然后用于表型(診斷)、治療分配(預(yù)測(cè))和預(yù)后，未來有望建立放射醫(yī)學(xué)與精準(zhǔn)醫(yī)療的橋梁。本文就人工智能在腦膠質(zhì)瘤MRI 診斷中的研究進(jìn)展做一綜述，以提高對(duì)人工智能技術(shù)在腦膠質(zhì)瘤鑒別診斷中的認(rèn)識(shí)。

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(jīng)網(wǎng)絡(luò)(artificial neural networks，ANN)是一種可以構(gòu)建模型的模擬人腦神經(jīng)元網(wǎng)絡(luò)的抽象算法；支持向量機(jī)(support vector machine，SVM)是一類按監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器，通過算法改進(jìn)可以實(shí)現(xiàn)圖像識(shí)別、文本分類等，較為常用；深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural networks，CNNs)是深度學(xué)習(xí)的代表算法，其仿造生物的視知覺機(jī)制構(gòu)建，常用于計(jì)算機(jī)視覺、自然語言處理，效果穩(wěn)定；隨機(jī)森林(random forest，RF)最早由貝爾實(shí)驗(yàn)室提出，是利用多棵樹對(duì)樣本進(jìn)行訓(xùn)練并預(yù)測(cè)的一種高準(zhǔn)確度的分類器[5-7]。

2 人工智能在腦膠質(zhì)瘤MRI診斷中的應(yīng)用

2.1 鑒別腫瘤良惡性

膠質(zhì)瘤的良惡性程度和分級(jí)密切相關(guān)，根據(jù)WHO 分級(jí)，高級(jí)別膠質(zhì)瘤的惡性程度更高，預(yù)后極差[1]?？焖勹b別良惡性腫瘤，可以避免惡性腫瘤漏診而延誤治療時(shí)機(jī)，避免良性腫瘤接受不必要的手術(shù)治療。人工智能技術(shù)通過圖像預(yù)處理和增強(qiáng)、腦顱骨剝離、腫瘤分割、特征提取、特征選擇可幫助醫(yī)生精確實(shí)現(xiàn)良惡性腫瘤的分級(jí)。

文獻(xiàn)報(bào)道，通過SVM 模型及邏輯回歸模型和貝葉斯網(wǎng)絡(luò)將腦膠質(zhì)瘤增強(qiáng)圖像特征整合至分類診斷預(yù)測(cè)模型中，對(duì)膠質(zhì)瘤的分級(jí)診斷，其ROC 可達(dá)到95%[5]。除外T1 加權(quán)成像(T1 weighted imaging，T1WI)和T2 加權(quán)成像(T2 weighted imaging，T2WI)圖像，正電子發(fā)射斷層掃描/磁共振成像(positron emission tomography/MRI，PET/MRI)結(jié)合人工智能也可對(duì)高低級(jí)別膠質(zhì)瘤和基因突變狀態(tài)進(jìn)行很好的預(yù)測(cè)[8]。Zhuge 等[9]利用CNNs 原理對(duì)常規(guī)MRI 圖像進(jìn)學(xué)習(xí)，通過兩種不同的方法，分別實(shí)現(xiàn)了在不需要手術(shù)活檢的情況下進(jìn)行腫瘤分級(jí)，為有效的治療方案和生存預(yù)測(cè)發(fā)揮了關(guān)鍵作用，而學(xué)習(xí)時(shí)間僅需數(shù)小時(shí)。這種方法是完全自動(dòng)化的，不需要人工指定興趣區(qū)域和選擇切片進(jìn)行模型訓(xùn)練。Gates 等[10]使用4 個(gè)參數(shù)對(duì)膠質(zhì)瘤分級(jí)，準(zhǔn)確率達(dá)96%，較常規(guī)MRI 診斷準(zhǔn)確率顯著提高。Ahammed等[11]使用CNNs和wndchrm工具分類，準(zhǔn)確率也可達(dá)到92.8%。高級(jí)別膠質(zhì)瘤本質(zhì)上是浸潤(rùn)性的，在磁共振成像液體衰減反轉(zhuǎn)恢復(fù)序列(fluid attenuated inversion recovery，F(xiàn)LAIR)圖像中血管源性水腫和非對(duì)比增強(qiáng)腫瘤均呈高信號(hào)，因此很難區(qū)分二者。Sengupta 等[12]納入高級(jí)別膠質(zhì)瘤(high grade glioma，HGG)患者及轉(zhuǎn)移患者術(shù)前后的T1WI、T2WI、FLAIR圖像及動(dòng)態(tài)對(duì)比增強(qiáng)MRI，采用SVM算法，結(jié)果在鑒別非增強(qiáng)性腫瘤和血管源性水腫方面，錯(cuò)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(zhì)瘤的臨床和放射學(xué)特征更能預(yù)測(cè)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(zhì)瘤患者M(jìn)RI 圖像，采用RF 模型進(jìn)行分類，其準(zhǔn)確度并不高。但Su等[14]在100 例含有組蛋白H3 K27M 突變型試驗(yàn)隊(duì)列中得到的最終模型的ROC 達(dá)到了0.9，顯示了不錯(cuò)的生存率預(yù)測(cè)效果。異檸檬酸脫氫酶(isocitrate dehydrogenase，IDH)突變也是影響膠質(zhì)瘤預(yù)后的因素之一，機(jī)器學(xué)習(xí)在預(yù)測(cè)腦膠質(zhì)瘤IDH突變方面具有良好的診斷價(jià)值[15]，整合臨床和影像學(xué)特征較常規(guī)影像敏感度和特異度更高?；跀U(kuò)散和灌注加權(quán)MRI 的放射組學(xué)特征也能有效提高對(duì)低級(jí)別膠質(zhì)瘤(low grade glioma，LGG)中IDH 突變和腫瘤侵襲性的預(yù)測(cè)，具有ADC 特征的多參數(shù)模型較常規(guī)模型表現(xiàn)出更高的性能[16]。擴(kuò)散張量成像(diffusion tensor imaging，DTI)結(jié)合隨機(jī)森林算法也能顯著提高低級(jí)別膠質(zhì)瘤IDH 突變的分型[17]。該方案是完全自動(dòng)化的，區(qū)分Ⅱ級(jí)膠質(zhì)瘤和轉(zhuǎn)移瘤的準(zhǔn)確率最高，但區(qū)分Ⅱ級(jí)膠質(zhì)瘤和Ⅲ級(jí)膠質(zhì)瘤的準(zhǔn)確率相對(duì)較低。也有學(xué)者通過遺漏交叉驗(yàn)證評(píng)估二元SVM 算法[18-19]分類腦轉(zhuǎn)移瘤、腦膜瘤、Ⅱ級(jí)膠質(zhì)瘤、Ⅲ級(jí)膠質(zhì)瘤和膠質(zhì)母細(xì)胞瘤。鑒別神經(jīng)膠質(zhì)瘤轉(zhuǎn)移、高級(jí)別(Ⅲ級(jí)和Ⅳ級(jí))腫瘤和低級(jí)別(Ⅱ級(jí))腫瘤的有效性均可達(dá)80%以上。

2.2 鑒別腫瘤來源

2.2.1鑒別腦轉(zhuǎn)移瘤

膠質(zhì)母細(xì)胞瘤和實(shí)質(zhì)器官的單發(fā)腦轉(zhuǎn)移瘤在MRI 上的表現(xiàn)相似，盡管DTI、磁共振波譜學(xué)(magnetic resonance spectroscopy，MRS)等一系列MRI 技術(shù)已可以鑒別[18-19]，但有時(shí)仍難以區(qū)分，且耗時(shí)耗力。自動(dòng)化計(jì)算機(jī)分析工具的可用性比放射科醫(yī)師更客觀，通過常規(guī)MRI和灌注MRI相結(jié)合的計(jì)算機(jī)輔助分類方法，可用于鑒別診斷。

Artzi 等[20]的一項(xiàng)回顧性研究中，僅通過常規(guī)的T1 加權(quán)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(jìn)行分類，平均準(zhǔn)確率為85%，實(shí)現(xiàn)了高效鑒別膠質(zhì)母細(xì)胞瘤與腦轉(zhuǎn)移瘤。對(duì)鑒別乳腺、肺等其他腦轉(zhuǎn)移瘤亞型也有一定效果。Zacharaki 等[21]提出了一種利用灌注MRI計(jì)算出的圖譜來鑒別腦轉(zhuǎn)移瘤的分類方案。方法為從中央和邊緣腫瘤、水腫和壞死區(qū)域提取形狀特征、圖像強(qiáng)度和紋理特征。結(jié)果發(fā)現(xiàn)這是一種非常有前途的方法，可以對(duì)腦腫瘤進(jìn)行客觀和定量的評(píng)估。

2.2.2鑒別其他顱腦腫瘤

盡管MRI 影像技術(shù)發(fā)展全面，但膠質(zhì)母細(xì)胞瘤和原發(fā)性中樞神經(jīng)系統(tǒng)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(jī)算法可以達(dá)到鑒別診斷的目的[22]。一項(xiàng)來自76例膠質(zhì)瘤患者的回顧性研究中[23]，篩選增強(qiáng)的T1加權(quán)圖像中的67個(gè)紋理特征，選取最具識(shí)別性的4 個(gè)特征作為輸入變量訓(xùn)練支持向量機(jī)分類器，通過測(cè)試圖像驗(yàn)證，準(zhǔn)確率達(dá)到了75%。Kunimatsu 等[24]對(duì)經(jīng)病理證實(shí)為腦膠質(zhì)瘤和PCNSL 的患者資料進(jìn)行回顧性分析，在T1 加權(quán)圖像上采集的一階特征及用灰度共生矩陣、灰度運(yùn)行長(zhǎng)度矩陣、灰度大小區(qū)域矩陣和多重灰度大小區(qū)域矩陣計(jì)算得到的二階特征，證實(shí)基于MR 圖像的紋理特征顯著增強(qiáng)了膠質(zhì)瘤和PCNSL 之間的差異?；谌斯ぶ悄艿姆派浣M學(xué)方法對(duì)兒童后顱窩室管膜瘤和毛細(xì)胞星形細(xì)胞瘤的MRI 紋理特征進(jìn)行鑒別，證實(shí)了放射組學(xué)在臨床輔助診斷中的地位[25]。結(jié)合腫瘤實(shí)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(wǎng)絡(luò)、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和線性多項(xiàng)式可以實(shí)現(xiàn)多種腦腫瘤的鑒別如腦轉(zhuǎn)移瘤、血管母細(xì)胞瘤、毛細(xì)胞星形細(xì)胞瘤、室管膜瘤和成神經(jīng)管細(xì)胞瘤的鑒別率，準(zhǔn)確率高達(dá)90%。對(duì)兒童腦腫瘤(成神經(jīng)管細(xì)胞瘤、毛細(xì)胞星形細(xì)胞瘤和室管膜瘤)的MRI 圖像中提取的三維紋理特征進(jìn)行神經(jīng)網(wǎng)絡(luò)分類算法計(jì)算，也可以準(zhǔn)確而無創(chuàng)地提高診斷效率，總體分類準(zhǔn)確率提高了19%[26-27]。

2.3 鑒別治療后相關(guān)效應(yīng)和腦膠質(zhì)瘤復(fù)發(fā)

腦膠質(zhì)瘤術(shù)后常需放療，少數(shù)患者會(huì)出現(xiàn)不同程度的放射性腦損傷，影像檢查可有效辨別膠質(zhì)腫瘤復(fù)發(fā)與放射性腦損傷，是診斷膠質(zhì)瘤術(shù)后、放療后腫瘤復(fù)發(fā)與放射性腦損傷的有效方式。

人工智能在腦膠質(zhì)瘤術(shù)后復(fù)發(fā)和治療相關(guān)效應(yīng)(treatment-related effects，TRE)的鑒別也扮演重要的角色。Gao 等[28]結(jié)合T1WI 和T2 FLAIR 減影圖，對(duì)56 例放化療后進(jìn)展可疑的高級(jí)別膠質(zhì)瘤患者進(jìn)行研究。通過3 種支持向量機(jī)分類方法的模擬學(xué)習(xí)，發(fā)現(xiàn)人工智能算法效果顯著優(yōu)于單獨(dú)使用T1WI 或FLAIR 區(qū)分TRE 和膠質(zhì)瘤復(fù)發(fā)，這對(duì)于放療后膠質(zhì)瘤患者的治療管理至關(guān)重要。Wang 等[29]通過對(duì)160 例經(jīng)病理證實(shí)的膠質(zhì)瘤患者資料進(jìn)行分析，收集MRI 的紋理特征，使用多變量邏輯回歸建立了預(yù)測(cè)腫瘤復(fù)發(fā)的模型。該模型納入了15 個(gè)特征組合，建模組和驗(yàn)證組均可以達(dá)到效果，綜合模型具有良好的鑒別力，可顯著鑒別腫瘤復(fù)發(fā)和放射性壞死。深度卷積神經(jīng)網(wǎng)絡(luò)在鑒別復(fù)發(fā)和TRE 方面也有不錯(cuò)的表現(xiàn)，Bacchi等[30]利用CNNs基于DWI+FLAIR序列組合的模型準(zhǔn)確率可達(dá)到82%。Tang 等[31]開發(fā)了一種基于多序列MRI 引導(dǎo)的全自動(dòng)深度學(xué)習(xí)方法，深度特征融合模型(deep feature fusion model，DFFM)是一種多序列MRI 引導(dǎo)的CNN 模型，它同時(shí)迭代學(xué)習(xí)CT 圖像和多序列MRI 的深度特征，然后將這兩種深度特征結(jié)合起來產(chǎn)生分類結(jié)果，該深度特征融合模型劃分結(jié)果可靠。除此之外，結(jié)合PET/MRI 的放射組學(xué)特征提取不僅可用于評(píng)估放療后相關(guān)效應(yīng)，也可用于腦膠質(zhì)瘤術(shù)后放療的定位。確定較大的轉(zhuǎn)移瘤，預(yù)測(cè)放療后局部反應(yīng)，以及區(qū)分放療損傷與局部腦轉(zhuǎn)移復(fù)發(fā)，準(zhǔn)確率高達(dá)80%～90%[32]。

綜上所述，人工智能的方法多樣，各有優(yōu)勢(shì)和不足，Kocak等[33]使用自適應(yīng)增強(qiáng)、k近鄰、貝葉斯、神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、隨機(jī)梯度下降和支持向量機(jī)等多種算法分類預(yù)測(cè)低級(jí)別膠質(zhì)瘤的1p/19q 共缺失狀態(tài)，發(fā)現(xiàn)各種算法差異無統(tǒng)計(jì)學(xué)意義，準(zhǔn)確率均可達(dá)到80%。對(duì)于哪種人工智能算法最優(yōu)，目前國內(nèi)外學(xué)者尚未達(dá)成共識(shí)，通過優(yōu)化不同的機(jī)器學(xué)習(xí)算法可以使預(yù)測(cè)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(yōu)勢(shì)，不僅考慮每個(gè)變量的影響，還可以測(cè)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(zhì)瘤的時(shí)間并減少誤診和漏診的發(fā)生率。隨著算法和模型的進(jìn)一步優(yōu)化和改進(jìn)，基于MRI 的人工智能有望在腦膠質(zhì)瘤的診斷、鑒別診斷及預(yù)后隨訪評(píng)估上成為放射科醫(yī)師的重要輔助診斷手段。相信隨著5G 技術(shù)的到來，基于多中心權(quán)威MRI 數(shù)據(jù)制定的用于診斷腦膠質(zhì)瘤的人工智能計(jì)算機(jī)輔助診斷系統(tǒng)將會(huì)有更加廣闊的應(yīng)用前景。

作者利益沖突聲明：全體作者均聲明無利益沖突。