楊邱園，柯騰飛，楊斌

垂體腺瘤（pituitary adenoma, PA）是起源于腺垂體的神經(jīng)性內(nèi)分泌腫瘤，約占顱內(nèi)腫瘤的10%～15%，其患病率約為0.08%～0.09%[1]。近年來發(fā)病率具有上升趨勢。臨床上功能性PA因高水平分泌激素，導(dǎo)致內(nèi)分泌紊亂，從而引起全身性內(nèi)分泌疾??；無功能性PA（non-functioning pituitary adenomas,NFPA）由于起病隱匿，臨床發(fā)現(xiàn)時(shí)常伴隨顱內(nèi)占位效應(yīng)。雖然PA 為良性腫瘤，但部分腫瘤卻具有高侵襲性和高復(fù)發(fā)率。臨床和實(shí)驗(yàn)室檢查以及影像檢查手段在PA 的檢出、診斷與鑒別診斷、評估侵襲性等方面發(fā)揮著重要作用。然而，目前的檢查方法對術(shù)前診斷PA 的異質(zhì)性、治療療效及預(yù)后預(yù)測等方面不能滿足臨床的診療要求。

隨著人工智能技術(shù)在各個(gè)領(lǐng)域的深入研究和應(yīng)用，其中影像組學(xué)和深度學(xué)習(xí)在醫(yī)學(xué)影像方面取得了顯著進(jìn)步，且廣泛運(yùn)用于疾病篩查、診斷和治療的各個(gè)環(huán)節(jié)，其在早期預(yù)測、評估、診斷神經(jīng)系統(tǒng)疾病方面顯示出巨大的價(jià)值和潛力，PA作為中樞神經(jīng)系統(tǒng)常見腫瘤，也成為了當(dāng)下的研究重點(diǎn)與熱點(diǎn)。本文就影像組學(xué)和深度學(xué)習(xí)在PA 中的應(yīng)用研究現(xiàn)狀和發(fā)展面臨的挑戰(zhàn)進(jìn)行綜述。

1 影像組學(xué)和深度學(xué)習(xí)的概述

影像組學(xué)是一種從標(biāo)準(zhǔn)CT、MRI、PET-CT 等影像圖像中高通量地挖掘定量圖像特征的人工智能技術(shù)，通過提取和應(yīng)用特征（包括肉眼難以識別或量化的信息）來構(gòu)建模型，以提高疾病診斷、療效評估和預(yù)后預(yù)測的準(zhǔn)確性，主要運(yùn)用于腫瘤研究[2-3]。PA 影像組學(xué)模型構(gòu)建包括圖像采集、腫瘤分割、特征提取及篩選、模型的構(gòu)建與驗(yàn)證四步。

深度學(xué)習(xí)是人工智能的重要分支領(lǐng)域，是一種由多層人工“神經(jīng)元”組成的人工神經(jīng)網(wǎng)絡(luò)，當(dāng)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)后運(yùn)用機(jī)器學(xué)習(xí)算法學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和層次，輸出預(yù)期算法結(jié)果[4]。深度學(xué)習(xí)包括兩種：監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)，均依賴大量的臨床數(shù)據(jù)來提高預(yù)測模型的準(zhǔn)確性，其中卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks, CNN）被廣泛運(yùn)用于醫(yī)學(xué)影像領(lǐng)域，它能夠高效地對圖像進(jìn)行分割和分類[5-6]。

2 影像組學(xué)和深度學(xué)習(xí)在垂體腺瘤的應(yīng)用現(xiàn)狀及研究進(jìn)展

目前，影像組學(xué)和深度學(xué)習(xí)在PA 的應(yīng)用和研究包括以下三部分：異質(zhì)性診斷、治療療效評估、預(yù)后預(yù)測。

2.1 垂體腺瘤異質(zhì)性診斷

2.1.1 垂體腺瘤術(shù)前鑒別診斷

顱咽管瘤（craniopharyngioma, CP）與囊實(shí)性PA 具有相似的臨床和影像征象，常常難以區(qū)分。Zhao等[7]基于MRI的影像組學(xué)特征和血液指標(biāo)構(gòu)建列線圖對兩者進(jìn)行鑒別，18 個(gè)組學(xué)特征在5 種分類器中表現(xiàn)出優(yōu)異的鑒別效能，其中多層感知器（multilayers perceptron, MLP）模型分類效能最佳，訓(xùn)練集和測試集的曲線下面積（area under the curve, AUC）分別為0.93和0.86，優(yōu)于邏輯回歸（logistic regression, LR）模型、嶺（ridge）模型、隨機(jī)梯度下降（stochastic gradient descent, SGD）模型及線性支持向量分類（linear support vector classification, Linear SVC）模型。列線圖顯示出良好的辨別性能（訓(xùn)練集和測試集的AUC 分別為0.93、0.90）。表明影像組學(xué)能有效鑒別囊實(shí)性PA和CP，為臨床制訂精準(zhǔn)治療方案提供依據(jù)，減輕患者的治療及經(jīng)濟(jì)負(fù)擔(dān)，提高患者預(yù)后。該研究納入的CP 患者相對較少（71/272），且數(shù)據(jù)來源單一，相信隨著數(shù)據(jù)量的增加和數(shù)據(jù)均衡性的提升，能夠進(jìn)一步提高模型的預(yù)測效能。

2.1.2 預(yù)測垂體腺瘤的腫瘤亞型

術(shù)前區(qū)分PA亞型具有重要的臨床意義，因?yàn)椴煌瑏喰湍[瘤的最佳治療方案不同，準(zhǔn)確預(yù)測腫瘤亞型能夠?qū)崿F(xiàn)精準(zhǔn)醫(yī)療，避免延誤治療時(shí)機(jī)。第五版WHO垂體腺瘤分類標(biāo)準(zhǔn)將垂體特異性POU-同源結(jié)構(gòu)域轉(zhuǎn)錄因子（pituitary transcription factor 1, Pit-1)、T-box 家族成員TBX19 轉(zhuǎn)錄因子（T-box transcription factor TBX19, T-pit)、類固醇生成因子1（steroidogenic factor-1, SF-1)納入到新的分類依據(jù)中[8]。Peng 等[9]回顧性研究235 例根據(jù)轉(zhuǎn)錄因子進(jìn)行分類的PA 患者，從冠狀位T1WI（T1-weighted）、T2WI（T2-weighted）和CE-T1（contrast-enhanced T1-weighted）圖像中提取、篩選的特征，運(yùn)用支持向量機(jī)（support vector machin, SVM）、k-最近鄰（k-nearest neighbor, k-NN）和樸素貝葉斯（naive bayes, NB）分類器建立模型預(yù)測腫瘤亞型，基于T2WI 圖像特征的SVM 訓(xùn)練的模型表現(xiàn)出較高的預(yù)測效能（準(zhǔn)確度為0.89、AUC 為0.9549），模型分類的敏感度（P=0.031）和特異度（P=0.012）存在顯著差異。Zhang 等[10]基于T1WI、CE-T1 的影像組學(xué)預(yù)測NFPA 亞型，使用SVM 構(gòu)建的特征模型在訓(xùn)練集和測試集AUC 分別為0.8314、0.8042，能夠?qū)FPA 的空細(xì)胞腺瘤（null cell adenomas, NCA）和其他類型進(jìn)行準(zhǔn)確區(qū)分，性別和T1WI 圖像特征構(gòu)建的列線圖在訓(xùn)練集和測試集有良好的校準(zhǔn)性（一致性指數(shù)分別為0.854、0.857）；另外該研究發(fā)現(xiàn)CE-T1圖像特征對提高模型效能無額外貢獻(xiàn)，存在過度擬合的風(fēng)險(xiǎn)，需要進(jìn)一步研究來探索其原因。隨著人工智能技術(shù)的不斷發(fā)展,影像組學(xué)研究正延伸至更為復(fù)雜的細(xì)胞水平結(jié)構(gòu)，旨在提高預(yù)測模型的準(zhǔn)確性，為臨床制訂個(gè)體化診療策略提供依據(jù)。

2.1.3 預(yù)測垂體腺瘤的一致性

內(nèi)鏡下經(jīng)鼻蝶腺瘤切除是PA的首選外科術(shù)式。大部分腫瘤質(zhì)地柔軟（軟一致性），可通過該術(shù)式充分抽吸和刮除腫瘤；然而大約10%的腫瘤呈纖維狀（硬一致性），難以抽吸和刮除[11]。因此腫瘤一致性信息將有助于神經(jīng)外科醫(yī)生提前規(guī)劃手術(shù)入路，以避免或減少腫瘤殘留和潛在并發(fā)癥。Cuocolo等[12]研究表明基于MRI 紋理分析提取的定量特征能夠準(zhǔn)確預(yù)測腫瘤的一致性，從89 例患者M(jìn)RI 圖像提取的14 個(gè)紋理特征構(gòu)建的預(yù)測模型AUC 為0.99、準(zhǔn)確度為93%、敏感度為100%、特異度為87%。Zeynalova 等[13]研究直方圖分析預(yù)測一致性的潛在價(jià)值，并與MRI 圖像的信號強(qiáng)度比（signal intensity ratio,SIR）評估進(jìn)行比較，直方圖分析（準(zhǔn)確度為72.5%、AUC 為0.710）較SIR評估（準(zhǔn)確度為74.5%、AUC為0.551）具有更高的預(yù)測效能（P=0.021）。

上述研究僅從MRI 的單一序列中提取影像特征，未能突顯MRI 檢查多參數(shù)、多方位掃描的優(yōu)勢。Wan 等[14]研究從多個(gè)MRI圖像序列提取特征，運(yùn)用自動(dòng)三維分割腫瘤生成感興趣體積（volume of interest, VOI），并使用隨機(jī)森林（random forest, RF）和SVM 構(gòu)建預(yù)測模型，結(jié)果顯示聯(lián)合T1WI/CE-T1/T2WI序列的特征模型預(yù)測效能最佳，AUC為0.90、準(zhǔn)確度為87%、敏感度為83%、特異度為87%。表明影像特征模型術(shù)前預(yù)測腫瘤一致性具有可行性，且基于多參數(shù)MRI的特征具有更高的預(yù)測效能。此外，Wang 等[15]建立了一個(gè)門控形U 網(wǎng)（Gated-Shaped U-Net, GSU-Net）深度卷積神經(jīng)網(wǎng)絡(luò)，用于從MRI圖像自動(dòng)分割PA 病灶，根據(jù)自動(dòng)分割的感興趣區(qū)（region of interest,ROI）提取特征預(yù)測腫瘤一致性，模型具有良好的預(yù)測效能。自動(dòng)分割ROI 具有高效、便捷、可重復(fù)性強(qiáng)等優(yōu)點(diǎn)。但相較于傳統(tǒng)手動(dòng)分割腫瘤，采用自動(dòng)分割方法的準(zhǔn)確性需更多研究進(jìn)一步驗(yàn)證。當(dāng)前，單序列圖像特征提取、手動(dòng)分割ROI 仍是主流研究方法，開展多序列圖像特征提取、自動(dòng)分割ROI、多維特征模型對比是未來的發(fā)展方向，不斷提高預(yù)測模型效能，進(jìn)一步實(shí)現(xiàn)臨床適用性。

2.1.4 預(yù)測腫瘤侵襲性

PA侵犯海綿竇（cavernous sinus, CS）的程度決定了不同的治療方案。Micko 等[16]證實(shí)Knosp Ⅳ級的PA 均發(fā)生CS 侵犯，Knosp 0 級、Knosp Ⅰ級的PA 未出現(xiàn)CS 侵犯，而Knosp Ⅱ級和Knosp Ⅲ級PA是否發(fā)生CS侵犯不能準(zhǔn)確判斷。Niu等[17]基于MRI 的影像組學(xué)預(yù)測Knosp Ⅱ級和Knosp Ⅲ級PA 對CS是否造成侵襲，從194 例患者的CE-T1 和T2WI 圖像中提取2553 個(gè)定量成像特征，采用線性SVM 構(gòu)建的預(yù)測模型在訓(xùn)練集和測試集的AUC 分別為0.852、0.826；結(jié)合影像特征和臨床影像危險(xiǎn)因素（Knosp 分級、動(dòng)脈周圍增強(qiáng)和下外側(cè)靜脈室閉塞）的列線圖AUC分別為0.899、0.871，列線圖顯示出良好的校準(zhǔn)性能（P=0.664 和0.771），決策曲線分析（decision curve analysis, DCA）顯示閾值概率高于20%時(shí)，列線圖的預(yù)測具有較高的凈收益，表明影像組學(xué)能夠在術(shù)前預(yù)測Knosp Ⅱ級和Knosp Ⅲ級PA對CS的侵襲狀態(tài)。Liu等[18]的研究利用動(dòng)態(tài)對比增強(qiáng)MRI 紋理分析評估垂體大腺瘤的侵襲性，logistic 回歸分析構(gòu)建的模型能夠準(zhǔn)確預(yù)測垂體大腺瘤的侵襲表現(xiàn)，但由于該研究數(shù)據(jù)量少（n=50），未設(shè)置訓(xùn)練集和測試集，對預(yù)測模型的效能不可避免產(chǎn)生影響。上述研究表明基于MRI 的影像組學(xué)預(yù)測腫瘤的侵襲性具有可行性，能夠?yàn)榕R床制訂手術(shù)方案提供依據(jù)，提高術(shù)后生存質(zhì)量，在一定程度避免術(shù)后腫瘤進(jìn)展或復(fù)發(fā)。

2.1.5 預(yù)測腫瘤高增殖指數(shù)（Ki-67）

Ki-67 是評估PA 增殖潛能、侵襲性的重要分子標(biāo)記，需依靠組織病理學(xué)檢測[19]。但影像組學(xué)可以在術(shù)前預(yù)測Ki-67 等重要的腫瘤分子標(biāo)記，實(shí)現(xiàn)無侵入性檢查。Ugga 等[20]研究基于MRI 紋理分析預(yù)測Ki-67 指數(shù)的陽性結(jié)果準(zhǔn)確性（Ki-67≥3%為陽性），從89例患者的T2WI圖像中提取了12個(gè)關(guān)鍵紋理特征，k-NN 分類器構(gòu)建的模型在測試組中預(yù)測的總體準(zhǔn)確度達(dá)91.67%（33/36）。此外，F(xiàn)an 等[21]也基于MRI 影像組學(xué)預(yù)測肢端肥大癥患者的Ki-67指數(shù)陽性結(jié)果（≥3%為陽性），預(yù)測模型在訓(xùn)練集和測試集的AUC 分別為0.96、0.89，其構(gòu)建列線圖的AUC分別為0.94、0.91；該研究還納入25例外院患者進(jìn)行多中心模型驗(yàn)證，其預(yù)測準(zhǔn)確率為88.2%。上述兩項(xiàng)研究均表明影像組學(xué)能夠在術(shù)前實(shí)現(xiàn)無創(chuàng)和實(shí)時(shí)地預(yù)測Ki-67指數(shù)結(jié)果，從而提高治療的成功率。值得注意的是，不同臨床指南提出Ki-67 指數(shù)為陽性的臨界值不同，≥3%是常用的研究臨界值，不同的臨界值可能導(dǎo)致不同的模型和預(yù)測結(jié)果，未來可將＞3%作為臨界值進(jìn)行探索。

2.1.6 預(yù)測腫瘤肉芽形成

生長激素型PA 根據(jù)肉芽形成分為密集顆粒型（densely granulated, DG）和稀疏顆粒型（sparsely granulated, SG）。研究證實(shí)術(shù)前生長抑素受體配體（somatostatin receptor ligand, SRL）治療能夠改善生長激素型患者的手術(shù)結(jié)果，且SRL 對DG 患者療效更佳[22-24]，因此術(shù)前區(qū)分DG 和SG 可避免醫(yī)療資源浪費(fèi)，并減輕患者治療負(fù)擔(dān)。Park 等[25]從69 例患者的CE-T1 圖像中提取了4 個(gè)關(guān)鍵紋理特征（1 個(gè)形狀特征，1 個(gè)一階特征，2 個(gè)二階特征）構(gòu)建模型，預(yù)測模型的AUC、準(zhǔn)確度、敏感度和特異度分別為0.834、73.7%、74.0%和73.9%，預(yù)測效能明顯優(yōu)于定性T2 信號強(qiáng)度評估模型（AUC 為0.597）和T2 相對信號強(qiáng)度比（relative signal intensity, rSI）模型（AUC 為0.647）。Liu 等[26]研究評估基于多參數(shù)MRI 的紋理特征預(yù)測DG 和SG，49 例患者M(jìn)RI 圖像使用兩種分割方法進(jìn)行腫瘤勾畫（ROI Ⅰ不包括腫瘤囊變和/或壞死區(qū)域，ROI Ⅱ涵蓋整個(gè)腫瘤區(qū)域)，基于ROI Ⅰ在T1WI 圖像提取的特征構(gòu)建的模型具有最高的預(yù)測效能（AUC 為0.918），區(qū)分DG 和SG 的準(zhǔn)確度為85.7%、敏感度為72.0%、特異度為100.0%、陽性預(yù)測值為100.0%、陰性預(yù)測值為77.4%，整合T1WI 和CE-T1 特征的聯(lián)合預(yù)測模型AUC 為0.908，DCA 表明閾值概率為0.254～0.798 時(shí)預(yù)測模型具有更高的凈獲益；ROIⅡ構(gòu)建的模型的預(yù)測效能均低于前者?；贛RI 影像組學(xué)可作為區(qū)分生長激素腺瘤肉芽形態(tài)的有效手段，實(shí)現(xiàn)無創(chuàng)檢查。需要關(guān)注的是，上述研究數(shù)據(jù)量相對較少，未能設(shè)置測試集和外部數(shù)據(jù)驗(yàn)證，預(yù)測模型缺乏精準(zhǔn)度、敏感度及臨床可解釋性，未來研究還需重點(diǎn)關(guān)注數(shù)據(jù)的豐富性、多中心性，以期提高模型的預(yù)測效能和臨床實(shí)用性。

2.2 治療療效評估

2.2.1 手術(shù)治療療效預(yù)測

手術(shù)治療是PA的首選治療方式，過去術(shù)前預(yù)測患者的術(shù)后療效面臨重重挑戰(zhàn)，但目前人工智能技術(shù)已應(yīng)用于該領(lǐng)域。Fan等[27]的研究根據(jù)激素水平將侵襲性功能性PA患者術(shù)后療效分為緩解組和非緩解組，基于MRI使用SVM構(gòu)建模型預(yù)測手術(shù)患者的治療療效，模型在訓(xùn)練集和測試集的AUC分別為0.834、0.808，列線圖AUC 分別為0.832、0.811。Staartjes 等[28]首次運(yùn)用深度學(xué)習(xí)技術(shù)研究腫瘤經(jīng)鼻蝶途徑全切術(shù)的治療療效，使用16 個(gè)術(shù)前影像特征和程序變量訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)模型（AUC 為0.96）較作為金標(biāo)準(zhǔn)的Knosp 分類法（AUC 為0.87）、logistic 回歸法（AUC 為0.86）預(yù)測效能均有提高。影像組學(xué)和深度學(xué)習(xí)作為人工智能的重要分支領(lǐng)域，在預(yù)測手術(shù)治療療效方面同樣顯示出巨大潛力。

2.2.2 藥物治療療效預(yù)測

藥物治療是PA的二線治療方案，但卻是泌乳瘤的首選治療。準(zhǔn)確預(yù)測藥物治療療效同樣具有重要的臨床意義。Park等[29]研究基于MRI 的影像組學(xué)早期識別泌乳素瘤患者對多巴胺激動(dòng)劑（dopamine agonists, DA）的療效，從177 例患者冠狀位T2WI 中提取的影像特征使用5 種分類器（RF、梯度提升機(jī)、額外樹、二次判別分析和線性判別分析）分別構(gòu)建單一特征模型，最終通過軟投票構(gòu)建的集成分類器模型預(yù)測效能較高，在訓(xùn)練集AUC為0.81，在測試集AUC、準(zhǔn)確度、敏感度和特異度分別為0.81、77.8%、78.6%、77.3%。表明影像組學(xué)模型能夠預(yù)測DA治療反應(yīng)，是一種無創(chuàng)、高效的預(yù)測手段。但目前人工智能在該領(lǐng)域的研究鮮有報(bào)道，未來可進(jìn)一步探索和驗(yàn)證。

2.2.3 放射治療療效預(yù)測

放療作為肢端肥大癥的治療方式之一，能夠緩解激素高分泌和腫瘤復(fù)發(fā)，但其引發(fā)的放射性損傷不容忽視，因此準(zhǔn)確預(yù)測腫瘤放射敏感性和放療療效對個(gè)體化治療策略非常重要。Fan 等[30]的另一項(xiàng)研究評估基于MRI 影像組學(xué)模型預(yù)測肢端肥大癥患者的放療療效，臨床特征模型的AUC為0.86，影像特征模型的AUC 為0.92，最佳臨床特征和影像特征聯(lián)合建立的影像組學(xué)模型的AUC為0.96，DCA表明影像組學(xué)模型具有較高的臨床獲益，能夠準(zhǔn)確預(yù)測放療療效。雖然本研究首次建立了放療療效預(yù)測模型，但較少的研究數(shù)據(jù)（n=57）無法建立測試集，導(dǎo)致預(yù)測模型具有局限性。隨著定向放療技術(shù)的發(fā)展，PA放療療效預(yù)測模型具有巨大的潛在臨床應(yīng)用價(jià)值。

2.3 預(yù)后預(yù)測

預(yù)后預(yù)測是人工智能的重要應(yīng)用領(lǐng)域，不僅能夠協(xié)助制訂治療方案，還能為預(yù)后不良患者的及早干預(yù)治療提供依據(jù)，提高預(yù)后生活質(zhì)量。Machado 等[31]評估基于MRI 的影像組學(xué)特征對NFPA 患者首次術(shù)后復(fù)發(fā)的預(yù)測價(jià)值，手動(dòng)對腫瘤進(jìn)行二維和三維分割，6 個(gè)二維和13 個(gè)三維影像特征差異具有統(tǒng)計(jì)學(xué)意義，基于二維和三維特征建立的預(yù)測模型準(zhǔn)確度分別為92.6%和96.3%，三維特征模型較二維特征模型使用了更少的影像特征（5 vs. 8）便獲得更高的預(yù)測效能。表明三維分割可以提供更豐富的定量圖像特征，能夠提高預(yù)測模型效能。該研究同樣面臨數(shù)據(jù)量少、未進(jìn)行模型驗(yàn)證的挑戰(zhàn)。機(jī)器學(xué)習(xí)可以自動(dòng)識別與預(yù)后相關(guān)的最具預(yù)測性的臨床風(fēng)險(xiǎn)因素，并使用訓(xùn)練數(shù)據(jù)學(xué)習(xí)復(fù)雜的風(fēng)險(xiǎn)因素間的相互關(guān)系，建立預(yù)測模型。Hollon 等[32]基于MRI 利用監(jiān)督機(jī)器學(xué)習(xí)建立模型預(yù)測預(yù)后，logistic 回歸模型在測試集的敏感度為68.0%、特異度為93.3%、總體準(zhǔn)確率為87.0%。機(jī)器學(xué)習(xí)為改善PA患者預(yù)后管理提供了有效手段。此外，還有研究[33]報(bào)道基于MRI紋理分析預(yù)測經(jīng)鼻蝶途徑手術(shù)的NFPA 患者腫瘤復(fù)發(fā)的預(yù)后因素。臨床實(shí)踐中，患者預(yù)后受多重因素相互作用，需要整合更多的臨床資料、影像信息，同時(shí)進(jìn)行多中心合作，提高預(yù)測模型效能。

3 總結(jié)及展望

影像組學(xué)和深度學(xué)習(xí)在PA 領(lǐng)域進(jìn)行了深入研究，在異質(zhì)性診斷、療效評估及預(yù)后預(yù)測等方面取得了一定成果，尤其異質(zhì)性診斷方面，不僅充分應(yīng)用多參數(shù)MRI 檢查的優(yōu)勢提取大量影像特征，還利用深度學(xué)習(xí)、自動(dòng)分割等先進(jìn)人工智能技術(shù)，預(yù)測模型表現(xiàn)出良好的預(yù)測效能。但影像組學(xué)和深度學(xué)習(xí)技術(shù)在臨床診療的應(yīng)用中仍面臨著諸多挑戰(zhàn)與困難，包括：（1）病例數(shù)量相對較少，且大部分為回顧性、單中心研究，存在一定偏倚，缺乏外部數(shù)據(jù)的驗(yàn)證，對模型的穩(wěn)定性和可重復(fù)性提出更大挑戰(zhàn)；（2）大部分研究手動(dòng)分割病灶，受限于腫瘤形態(tài)和操作者主觀因素的影響，可重復(fù)性差且分割效率低，亦制約了該領(lǐng)域技術(shù)的發(fā)展；（3）工作流程缺乏標(biāo)準(zhǔn)化的操作規(guī)范，不同研究的圖像參數(shù)及預(yù)處理、腫瘤分割的標(biāo)準(zhǔn)不盡相同。

為應(yīng)對上述挑戰(zhàn)，未來可能需要在以下幾方面進(jìn)一步探索：（1）增加研究數(shù)據(jù)量，并進(jìn)行多中心合作和數(shù)據(jù)驗(yàn)證，以期提高預(yù)測模型的穩(wěn)定性和魯棒性；此外，可開展前瞻性研究以提高模型的準(zhǔn)確性，目前尚未見前瞻性研究的報(bào)道；（2）提高自動(dòng)分割技術(shù)的準(zhǔn)確性，聯(lián)合深度學(xué)習(xí)可進(jìn)一步實(shí)現(xiàn)對腫瘤的快速、客觀、精準(zhǔn)分割，提高研究效率和預(yù)測的準(zhǔn)確性；（3）建立標(biāo)準(zhǔn)化的工作流程，規(guī)范各個(gè)操作環(huán)節(jié)，以期統(tǒng)一該研究領(lǐng)域的工作流程。此外，文獻(xiàn)調(diào)研發(fā)現(xiàn)影像基因組學(xué)在肺癌[34-36]、頭頸部腫瘤[37]、膠質(zhì)母細(xì)胞瘤[38]、胰腺癌[39]等領(lǐng)域進(jìn)行了深入研究，但未見PA 相關(guān)的影像基因組學(xué)報(bào)道，今后可側(cè)重于對該方向進(jìn)行探索。

綜上所述，影像組學(xué)和深度學(xué)習(xí)技術(shù)在PA 中具有廣泛的應(yīng)用前景，尤其是深度學(xué)習(xí)技術(shù)，充分利用人工智能所帶來的先進(jìn)技術(shù)，能夠?yàn)榕R床提供更具科學(xué)性的診療策略，從而最終實(shí)現(xiàn)患者的個(gè)體化治療。

作者利益沖突聲明：全體作者均聲明無利益沖突。