胡道予， 李震， 李佳麗

在腹部疾病的診療工作中，影像檢查的臨床需求量巨大，但放射科醫(yī)師數(shù)量的增長和臨床經(jīng)驗的積累遠(yuǎn)不及影像數(shù)據(jù)的增長速度，謀求人工智能(AI)與影像數(shù)據(jù)交叉融合，可減輕放射科醫(yī)師處理海量影像數(shù)據(jù)的壓力。

目前，針對腹部疾病，基于CT和MRI數(shù)據(jù)以深度學(xué)習(xí)或深度神經(jīng)網(wǎng)絡(luò)技術(shù)為核心，已研發(fā)了多個人工智能輔助影像的定量分析算法，可實現(xiàn)疾病的早期診斷、精準(zhǔn)診斷、療效評估和預(yù)測，可顯著提高放射科醫(yī)生處理影像信息的效率和準(zhǔn)確性,可為臨床診療提供定量依據(jù)。

AI與腹部疾病的早期診斷

腹部多數(shù)疾病起病隱匿且侵襲性高,多數(shù)患者確診時已處于晚期,失去最佳治療機會,早期診斷和鑒別診斷在腹部疾病中至關(guān)重要。AI在腹部疾病早期診斷已有很多探索，最新一項研究建立并驗證了一種基于nnU-Net的三維深度學(xué)習(xí)模型，實現(xiàn)基于CT圖像自動分割并鑒別胰腺實性與囊性腫瘤，結(jié)果顯示對于任何大小的胰腺實性病變或直徑≥1.0cm的囊性病變，該模型均具有較高的敏感性，且與放射科醫(yī)師的鑒別效能相當(dāng)[1]。前列腺體積(PV)與前列腺特異性抗原(PSA)聯(lián)合得到的PSA密度參數(shù)，具有重要臨床意義，但利用MRI圖像計算PV是一項耗時且高度依賴放射科醫(yī)生的任務(wù)。一項研究為解決這個臨床難點問題，利用深度學(xué)習(xí)算法自動分割計算PV，結(jié)果表明與放射科醫(yī)師通過PI-RADS2.1的橢球公式計算獲得的結(jié)果相比，該AI模型具有較好的組間一致性和準(zhǔn)確性[2]。此外，AI算法助力低劑量CT重建高清圖像、提高病灶檢出率的概念越來越被各大廠商所推崇，最新研究成功開發(fā)深度學(xué)習(xí)算法重建低劑量CT圖像(DLIR)，并與全劑量/迭代重建圖像的質(zhì)量和檢測肝轉(zhuǎn)移灶的能力進(jìn)行比較，結(jié)果發(fā)現(xiàn)即使降低50%輻射劑量，DLIR在檢測肝轉(zhuǎn)移灶方面，仍保持與全劑量CT圖像一致的準(zhǔn)確性[3]。

AI與腹部疾病的精準(zhǔn)診斷

精準(zhǔn)選擇治療方案是決定患者預(yù)后的重要前提，然而精準(zhǔn)治療依賴精準(zhǔn)診斷，這要求放射科醫(yī)生不僅要對疾病做出早期診斷，更應(yīng)該明確疾病的分期分級、是否存在血管和淋巴結(jié)侵犯等情況，目前已經(jīng)嘗試爭取治療前做出無限接近病理學(xué)評估的影像學(xué)判斷。微血管侵犯(MVI)是肝細(xì)胞肝癌治療后復(fù)發(fā)和轉(zhuǎn)移的獨立危險因素，準(zhǔn)確預(yù)測MVI對患者預(yù)后評估及后續(xù)治療方案的選擇至關(guān)重要。國內(nèi)學(xué)者通過對肝細(xì)胞肝癌患者的增強MRI圖像進(jìn)行特征提取，并結(jié)合臨床影像特征構(gòu)建臨床-影像組學(xué)模型，實現(xiàn)了術(shù)前無創(chuàng)地評估和預(yù)測MVI(AUC 0.88)[4]。在AI輔助影像預(yù)測腫瘤準(zhǔn)確分期方面，有學(xué)者聯(lián)合IVIM和T2WI圖像信息，將單個序列降維后得到的組學(xué)特征進(jìn)行融合，建立多參數(shù)影像組學(xué)模型，對直腸癌的術(shù)前T分期具有較好的預(yù)測價值[5]。胰腺的形態(tài)和質(zhì)地具有較大的個體間解剖變異性，因此胰腺自動分割算法的發(fā)展相對落后于腹部其他器官。然而近年來隨著AI技術(shù)不斷精進(jìn)，最新研究成功開發(fā)和驗證了一種術(shù)前AI算法，創(chuàng)新性實現(xiàn)基于CT圖像自動分割胰腺腫瘤和淋巴結(jié)，并可預(yù)測胰腺導(dǎo)管腺癌的淋巴結(jié)轉(zhuǎn)移情況，該AI模型預(yù)測淋巴結(jié)轉(zhuǎn)移的準(zhǔn)確度(AUC為0.92)優(yōu)于臨床模型(AUC為0.65)和放射組學(xué)模型(AUC為0.68)[6]。

AI與腹部疾病的療效評估和預(yù)測

新輔助放化療是目前治療局部進(jìn)展期腫瘤的重要手段，它能使患者獲得病理完全緩解、降級或降期，從而增加手術(shù)機會改善預(yù)后。目前許多學(xué)者基于CT、MRI等多種影像的人工智能評估腫瘤治療的療效和預(yù)后判斷。一項研究利用ResNet-50建立深度學(xué)習(xí)生成影像標(biāo)簽，聯(lián)合臨床特征構(gòu)建集成模型，預(yù)測局部進(jìn)展期胃癌患者新輔助化療后的耐藥情況，結(jié)果顯示深度學(xué)習(xí)模型在3個驗證隊列中的AUC分別為0.808、0.755和0.752，均高于臨床模型[7]。 此外，國內(nèi)學(xué)者基于T2WI圖像提取和篩選與病理完全緩解狀態(tài)相關(guān)的影像組學(xué)特征，建立機器學(xué)習(xí)診斷模型，可較好地預(yù)測新輔助治療后直腸癌的病理完全反應(yīng)狀態(tài)[8]。

不足和展望

AI在醫(yī)學(xué)影像的應(yīng)用浪潮始于2018年的RSNA，如今AI在腹部影像領(lǐng)域的應(yīng)用飛速發(fā)展，與前幾年相比已取得顯著進(jìn)步,但距離AI真正應(yīng)用于臨床，目前的研究仍存在許多不足，我們應(yīng)深刻認(rèn)識并加以改進(jìn)。

未來AI在腹部影像的研究，需要更加嚴(yán)謹(jǐn)?shù)膶嶒炘O(shè)計、更加標(biāo)準(zhǔn)化的影像數(shù)據(jù)處理流程、更加縝密的計算機算法、更加重視樣本量估算,同時更多的研究結(jié)果應(yīng)得到多中心驗證；且在外部驗證集中，同樣需要比較AI模型和醫(yī)生閱片的準(zhǔn)確性，并應(yīng)搜集前瞻性數(shù)據(jù)驗證模型結(jié)果。目前AI的影像臨床程序使用仍然較繁瑣，有待于更便捷于現(xiàn)實操作的AI一體化流程。最重要的是，海量數(shù)據(jù)的管理和使用應(yīng)遵守倫理和法規(guī)，保證醫(yī)學(xué)數(shù)據(jù)的安全性。這樣才能整體提高AI輔助影像研究的質(zhì)量、結(jié)果的準(zhǔn)確性，促進(jìn)相關(guān)成果早日進(jìn)入臨床診療指南、真正服務(wù)于臨床工作，使廣大患者受益。