宋 揚

（大連理工大學附屬中心醫(yī)院放射科，遼寧 大連 116033）

胃癌是全球常見的惡性腫瘤，占所有消化道惡性腫瘤發(fā)病率的第1位，占惡性腫瘤發(fā)病率的第5位。我國是胃癌高發(fā)國家，胃癌的發(fā)病例數和死亡例數約占全球的50%，嚴重威脅著患者的生命健康。因此，胃癌是我國腫瘤防治的重點。近年來，隨著醫(yī)學影像技術的快速發(fā)展，醫(yī)學圖像分析步入大數據時代，為了給臨床醫(yī)師提供有效的輔助診斷信息，如何從海量的醫(yī)學圖像數據中挖掘出有用信息，智能醫(yī)學圖像處理技術正變得越來越重要。以機器學習和圖像處理技術為基礎的計算機輔助診斷（computer-aided diagnosis，CAD）逐漸成為醫(yī)學領域的研究熱點。自1997—2013年以來，不同學者采用傳統CAD系統對淋巴結進行分割，如使用2個檢測塊算子級聯檢測腹部CT淋巴結，再基于Hessian矩陣檢測血管。也有學者提出了一種二維標記控制的分水嶺方法，并傳播了相鄰層面的分割結果，但是這種二維分割和傳播技術沒有考慮到三維的形狀信息?；谫|量彈簧模型的三維分割方法置于均勻的網格中以檢測頸部淋巴結，與該模型融合得分比較高的位置被認為是淋巴結，但是質量和彈簧的數量通常很小，導致淋巴結的邊界由長線段連接?；谧罴驯砻姘l(fā)現的方法將分割問題轉化為圖像優(yōu)化問題?；谶吘壙臻g學習的方法適用于腋窩及盆腔淋巴結的分割和檢測?；诓町愋詫W習和空間先驗知識的分割算法通過采用級聯二元分類器，Haar特征和梯度對齊特征用于檢測淋巴結中心，圖形切割用于淋巴結分割，并遵循分類階段以確定分割是否為淋巴結。但上述基于傳統的淺層機器學習結構的CAD系統，一方面常常需要利用先驗知識從原始數據中人工提取特征來訓練模型，難以提取到復雜特征，而且由于特征選取難度大，可能出現過擬合問題，模型的泛化能力難以得到保證；另一方面，隨著醫(yī)學圖像產出量的增大，傳統方法難以適應大規(guī)模的數據集，模型可移植能力差。傳統CAD始終無法超越人類對同類疾病的識別準確率，且運算速度非常慢，難以為繁忙的臨床工作提供幫助。

2006年，Hinton團隊在《Science》雜志發(fā)表了深度學習的報道，開啟了人工智能新時代，其有別于傳統CAD系統，深度學習是機器學習的一個新領域，已在圖像識別、語音識別等領域實現多項突破，成為公認的人工智能界革命性技術。傳統的機器學習方法不能有效挖掘到醫(yī)學圖像中蘊含的豐富信息，而深度學習通過模擬人腦建立分層模型，具有強大的自動特征提取、復雜模型構建以及高效的特征表達能力，更重要的是深度學習方法能從像素級的原始數據中逐級提取從底層到高層的特征，在圖像處理和計算機視覺方面的成功為醫(yī)學圖像的識別提供了新的思路。由此可見，深度學習有望解決基于傳統淺層機器學習的CAD問題，從而大大提高了輔助診斷能力。近5年來，深度學習通過在給定的數據集上訓練模型來完成新數據上的特定任務，已在疾病檢測與分類、病變識別、圖像配準、圖像分割等方面得到了廣泛應用，在很大程度上減少了醫(yī)師的工作量，并能得到十分精確的診斷或分類結果。采用深度學習模型對醫(yī)學圖像進行如肺、肝臟、胰腺、心臟、乳腺等各器官系統及腫瘤病灶分割已見諸報道[1-4]。羅蔓等[5]基于多模態(tài)MRI圖像進行腦腫瘤的分割。有學者利用深信度網絡和卷積神經網絡（convolutional neural network，CNN）作為勢函數構建乳腺病灶分割模型[6-7]。Cha等[8]基于CT尿路造影并利用結合水平集（level sets，LS）的CNN模型進行膀胱癌分割。為了保留有用信息的同時減少繁冗的計算量，Su等[9]通過重組最大池化層將CNN改進為運行速度更快的快速掃描深度卷積神經網絡（fast scanning deep convolutional neural network，fCNN），進一步提高了腫瘤病灶分割的準確率，并縮短了訓練時間。Enlitic公司開發(fā)出基于CNN的惡性腫瘤檢測系統，對放射師檢查過的大量醫(yī)學圖像數據進行學習，自動總結出代表惡性腫瘤形狀的“特征”，從而識別圖像中是否存在惡性腫瘤，該系統識別肝癌的精度是放射醫(yī)師檢查精度的5倍[10]。在淋巴結分割方面，Kuo等[11]開發(fā)了一種端到端的深度反卷積神經網絡，用于分割鼻咽腫瘤體積、轉移淋巴結腫瘤體積和臨床目標體積。Tan等[12]于2018年提出了1種通過動態(tài)編程和活動輪廓的兩階段分割方法，用于直腸癌腹部淋巴結檢測和定量體積測量。Wang等[13]利用CNN深度學習技術用于從18F-FDG PET/CT圖像分割非小細胞肺癌的縱膈轉移淋巴結。深度學習技術對胃癌的研究包括以下兩方面：一方面是人工智能輔助診斷，多基于病理，內鏡，CT、MR影像數據集；另一方面是人工智能對胃癌復發(fā)，轉移及預后的預測。

1 人工智能在胃癌診斷中的應用

由于胃癌具有潛伏性和非特異性癥狀，多在晚期被確診，預后差。據報道，胃癌的早期準確檢測可使5年生存率提高約90%[14-15]。然而，早期胃癌的診斷主要局限于有經驗的影像學專家的臨床經驗，易受到多種因素的影響，不可能避免所有的誤診和漏診。人工智能方法可以幫助消化內科醫(yī)師進行臨床診斷和決策。診斷胃癌的金標準是進行病理學組織活檢，判斷惡性細胞的形態(tài)特征，手工對胃切片病理檢查費時費力。對胃癌病理自動圖像分析和組織學分類的需求越來越大。Sharma等[16]提出了1種新的基于深度學習的框架，用于自動識別胃癌。該框架在胃病理切片上的分類準確率為100%，顯著高于DenseNet等現有網絡[17]。Ali等[18]描述了CNN架構可以有效地分析病理圖像，明確胃癌病理分類，其準確率為69.90%，壞死檢測準確率為81.44%。Luo等[19]評估了深度CNN在胃癌病理圖像自動檢測中的應用，提出了基于深度CNN從整體上分析圖像的形態(tài)特征，證明了該模型在胃癌檢測中的良好性能。此外，雙能譜CT作為一種新型成像技術，人工智能輔助DEsCT成像在胃癌分期和特征方面采用的是一種新的深度學習方法來確定胃癌浸潤深度[20-22]。有學者提出了人工智能基于能譜成像分析胃癌淋巴結轉移可取得較高的檢測精度[23-24]。人工智能-能譜CT診斷淋巴結轉移的可行性和有效性優(yōu)于內鏡超聲和多排CT等傳統檢測方法。

2 人工智能在胃癌預后預測中的應用

準確預測胃癌的預后對臨床醫(yī)師和患者都有重要意義，這些信息可以幫助臨床醫(yī)師做出決策，改善對患者的管理[25-26]。人口統計學、病理指標、生理狀態(tài)甚至社會交往對胃癌患者的預后都有影響。然而，傳統的統計方法如腫瘤淋巴結轉移，分期系統和nomogram統計方法很難分析這些特征之間復雜的內在聯系[27-29]。基于人工智能模型優(yōu)異的計算能力和集成能力，已被應用于胃癌患者的預后。近年來，人工智能在預后方面的應用包括生存時間預測、復發(fā)風險預測和轉移預測[30-32]。Jiang等[33]將支持向量應用于生存分析，并開發(fā)了一種預后分類器，結果顯示，與美國腫瘤聯合委員會定義的腫瘤-節(jié)點-轉移分期系統相比，該方法對總生存期和無病生存期的預測精度更高。此外，利用所提出的胃癌-SVM分類器預測輔助化療獲益，可促進胃癌的個體化治療。Korhani等[34]研究了939例胃癌患者的人口學、病理指標和生理特征，創(chuàng)建了一種新的多模態(tài)深度學習模型，以提高生存預測的準確性，結果表明，該方法在整體生存預測方面優(yōu)于隨機森林和支持向量。

復發(fā)是導致胃癌患者死亡的主要原因之一，因此準確評估復發(fā)風險與臨床治療密切相關。近年來的研究表明，人工智能輔助的復發(fā)預測系統比傳統的統計方法具有更好的性能。Zhang等[35]使用ML方法從連續(xù)669例晚期胃癌患者的CT圖像中提取放射學特征，構建了1個基于CT數據的深度學習模型來預測晚期胃癌的復發(fā)風險。Liu等[36]訓練SVM分類器預測胃癌患者的復發(fā)，利用基因表達數據集，發(fā)現一組特征基因（包括PLCG1、PRKACA和TGFBR1）可能與胃癌復發(fā)相關。

淋巴結轉移是胃癌預后的重要指標。淋巴結轉移的評估是局部進展期胃癌個體化治療的基礎。應用人工智能輔助預測技術可以更好地評估胃癌轉移風險。Bollschweiler等[37]研究證實人工神經網絡可以廣泛提高淋巴結轉移的預測準確性。人工智能深度學習影像組學列線圖預測局部進展期胃癌淋巴結轉移的數目，基于CT圖像的深度學習影像組學列線圖（deep leaning radiomic nomogram，DLRN）可以在術前判斷局部進展期胃癌淋巴結轉移數目，顯著優(yōu)于常規(guī)使用的臨床N分期、腫瘤大小和臨床模型。DLRN與LAGC的總生存期顯著相關。

3 挑戰(zhàn)和展望

由于深度學習能夠以極小的特征單位來描述圖像（以像素為單位），深度學習人工智能能夠分析和建立比傳統邏輯方法復雜數萬倍的模型，更準確地完成圖像識別和分類等任務。盡管人工智能在基于醫(yī)學圖像的診斷和預后預測方面取得了巨大成功，但在廣泛的臨床實踐出現之前，還必須消除一些障礙。靈活的人工智能模型需要大量標注良好的數據進行訓練、驗證和測試，而小樣本量的相關研究容易產生測量誤差，建立大規(guī)模的高質量的數據庫，是目前人工智能發(fā)展的方向。大部分的研究為單中心研究，缺乏外部驗證，導致數據過擬合的問題，使得深度學習模型魯棒性不佳，多中心研究能解決這個難題。人工智能技術應用于臨床胃癌等重大慢性疾病的早篩早治中，以賦能醫(yī)師完成更精準的診斷與高質量的為患者服務，醫(yī)療人工智能輔助篩查技術可降低篩查漏診與誤診率、提高診斷質量，從而持續(xù)地為患者提供最高價值的診斷，減少誤診漏診所帶來的各項醫(yī)療成本。隨著深度模型在使用過程中的自我迭代、不斷進化，人工智能產品轉化，將降低醫(yī)師勞力負擔，提升診斷和治療決策的準確性。