宋 揚(yáng)

（大連理工大學(xué)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(guó)是胃癌高發(fā)國(guó)家，胃癌的發(fā)病例數(shù)和死亡例數(shù)約占全球的50%，嚴(yán)重威脅著患者的生命健康。因此，胃癌是我國(guó)腫瘤防治的重點(diǎn)。近年來，隨著醫(yī)學(xué)影像技術(shù)的快速發(fā)展，醫(yī)學(xué)圖像分析步入大數(shù)據(jù)時(shí)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(xué)圖像數(shù)據(jù)中挖掘出有用信息，智能醫(yī)學(xué)圖像處理技術(shù)正變得越來越重要。以機(jī)器學(xué)習(xí)和圖像處理技術(shù)為基礎(chǔ)的計(jì)算機(jī)輔助診斷（computer-aided diagnosis，CAD）逐漸成為醫(yī)學(xué)領(lǐng)域的研究熱點(diǎn)。自1997—2013年以來，不同學(xué)者采用傳統(tǒng)CAD系統(tǒng)對(duì)淋巴結(jié)進(jìn)行分割，如使用2個(gè)檢測(cè)塊算子級(jí)聯(lián)檢測(cè)腹部CT淋巴結(jié)，再基于Hessian矩陣檢測(cè)血管。也有學(xué)者提出了一種二維標(biāo)記控制的分水嶺方法，并傳播了相鄰層面的分割結(jié)果，但是這種二維分割和傳播技術(shù)沒有考慮到三維的形狀信息。基于質(zhì)量彈簧模型的三維分割方法置于均勻的網(wǎng)格中以檢測(cè)頸部淋巴結(jié)，與該模型融合得分比較高的位置被認(rèn)為是淋巴結(jié)，但是質(zhì)量和彈簧的數(shù)量通常很小，導(dǎo)致淋巴結(jié)的邊界由長(zhǎng)線段連接。基于最佳表面發(fā)現(xiàn)的方法將分割問題轉(zhuǎn)化為圖像優(yōu)化問題?；谶吘壙臻g學(xué)習(xí)的方法適用于腋窩及盆腔淋巴結(jié)的分割和檢測(cè)?；诓町愋詫W(xué)習(xí)和空間先驗(yàn)知識(shí)的分割算法通過采用級(jí)聯(lián)二元分類器，Haar特征和梯度對(duì)齊特征用于檢測(cè)淋巴結(jié)中心，圖形切割用于淋巴結(jié)分割，并遵循分類階段以確定分割是否為淋巴結(jié)。但上述基于傳統(tǒng)的淺層機(jī)器學(xué)習(xí)結(jié)構(gòu)的CAD系統(tǒng)，一方面常常需要利用先驗(yàn)知識(shí)從原始數(shù)據(jù)中人工提取特征來訓(xùn)練模型，難以提取到復(fù)雜特征，而且由于特征選取難度大，可能出現(xiàn)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(xué)圖像產(chǎn)出量的增大，傳統(tǒng)方法難以適應(yīng)大規(guī)模的數(shù)據(jù)集，模型可移植能力差。傳統(tǒng)CAD始終無法超越人類對(duì)同類疾病的識(shí)別準(zhǔn)確率，且運(yùn)算速度非常慢，難以為繁忙的臨床工作提供幫助。

2006年，Hinton團(tuán)隊(duì)在《Science》雜志發(fā)表了深度學(xué)習(xí)的報(bào)道，開啟了人工智能新時(shí)代，其有別于傳統(tǒng)CAD系統(tǒng)，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)新領(lǐng)域，已在圖像識(shí)別、語音識(shí)別等領(lǐng)域?qū)崿F(xiàn)多項(xiàng)突破，成為公認(rèn)的人工智能界革命性技術(shù)。傳統(tǒng)的機(jī)器學(xué)習(xí)方法不能有效挖掘到醫(yī)學(xué)圖像中蘊(yùn)含的豐富信息，而深度學(xué)習(xí)通過模擬人腦建立分層模型，具有強(qiáng)大的自動(dòng)特征提取、復(fù)雜模型構(gòu)建以及高效的特征表達(dá)能力，更重要的是深度學(xué)習(xí)方法能從像素級(jí)的原始數(shù)據(jù)中逐級(jí)提取從底層到高層的特征，在圖像處理和計(jì)算機(jī)視覺方面的成功為醫(yī)學(xué)圖像的識(shí)別提供了新的思路。由此可見，深度學(xué)習(xí)有望解決基于傳統(tǒng)淺層機(jī)器學(xué)習(xí)的CAD問題，從而大大提高了輔助診斷能力。近5年來，深度學(xué)習(xí)通過在給定的數(shù)據(jù)集上訓(xùn)練模型來完成新數(shù)據(jù)上的特定任務(wù)，已在疾病檢測(cè)與分類、病變識(shí)別、圖像配準(zhǔn)、圖像分割等方面得到了廣泛應(yīng)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(jié)果。采用深度學(xué)習(xí)模型對(duì)醫(yī)學(xué)圖像進(jìn)行如肺、肝臟、胰腺、心臟、乳腺等各器官系統(tǒng)及腫瘤病灶分割已見諸報(bào)道[1-4]。羅蔓等[5]基于多模態(tài)MRI圖像進(jìn)行腦腫瘤的分割。有學(xué)者利用深信度網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）作為勢(shì)函數(shù)構(gòu)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(jié)合水平集（level sets，LS）的CNN模型進(jìn)行膀胱癌分割。為了保留有用信息的同時(shí)減少繁冗的計(jì)算量，Su等[9]通過重組最大池化層將CNN改進(jìn)為運(yùn)行速度更快的快速掃描深度卷積神經(jīng)網(wǎng)絡(luò)（fast scanning deep convolutional neural network，fCNN），進(jìn)一步提高了腫瘤病灶分割的準(zhǔn)確率，并縮短了訓(xùn)練時(shí)間。Enlitic公司開發(fā)出基于CNN的惡性腫瘤檢測(cè)系統(tǒng)，對(duì)放射師檢查過的大量醫(yī)學(xué)圖像數(shù)據(jù)進(jìn)行學(xué)習(xí)，自動(dòng)總結(jié)出代表惡性腫瘤形狀的“特征”，從而識(shí)別圖像中是否存在惡性腫瘤，該系統(tǒng)識(shí)別肝癌的精度是放射醫(yī)師檢查精度的5倍[10]。在淋巴結(jié)分割方面，Kuo等[11]開發(fā)了一種端到端的深度反卷積神經(jīng)網(wǎng)絡(luò)，用于分割鼻咽腫瘤體積、轉(zhuǎn)移淋巴結(jié)腫瘤體積和臨床目標(biāo)體積。Tan等[12]于2018年提出了1種通過動(dòng)態(tài)編程和活動(dòng)輪廓的兩階段分割方法，用于直腸癌腹部淋巴結(jié)檢測(cè)和定量體積測(cè)量。Wang等[13]利用CNN深度學(xué)習(xí)技術(shù)用于從18F-FDG PET/CT圖像分割非小細(xì)胞肺癌的縱膈轉(zhuǎn)移淋巴結(jié)。深度學(xué)習(xí)技術(shù)對(duì)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(nèi)鏡，CT、MR影像數(shù)據(jù)集；另一方面是人工智能對(duì)胃癌復(fù)發(fā)，轉(zhuǎn)移及預(yù)后的預(yù)測(cè)。

1 人工智能在胃癌診斷中的應(yīng)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(yù)后差。據(jù)報(bào)道，胃癌的早期準(zhǔn)確檢測(cè)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(jīng)驗(yàn)的影像學(xué)專家的臨床經(jīng)驗(yàn)，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(nèi)科醫(yī)師進(jìn)行臨床診斷和決策。診斷胃癌的金標(biāo)準(zhǔn)是進(jìn)行病理學(xué)組織活檢，判斷惡性細(xì)胞的形態(tài)特征，手工對(duì)胃切片病理檢查費(fèi)時(shí)費(fèi)力。對(duì)胃癌病理自動(dòng)圖像分析和組織學(xué)分類的需求越來越大。Sharma等[16]提出了1種新的基于深度學(xué)習(xí)的框架，用于自動(dòng)識(shí)別胃癌。該框架在胃病理切片上的分類準(zhǔn)確率為100%，顯著高于DenseNet等現(xiàn)有網(wǎng)絡(luò)[17]。Ali等[18]描述了CNN架構(gòu)可以有效地分析病理圖像，明確胃癌病理分類，其準(zhǔn)確率為69.90%，壞死檢測(cè)準(zhǔn)確率為81.44%。Luo等[19]評(píng)估了深度CNN在胃癌病理圖像自動(dòng)檢測(cè)中的應(yīng)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(cè)中的良好性能。此外，雙能譜CT作為一種新型成像技術(shù)，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(xué)習(xí)方法來確定胃癌浸潤(rùn)深度[20-22]。有學(xué)者提出了人工智能基于能譜成像分析胃癌淋巴結(jié)轉(zhuǎn)移可取得較高的檢測(cè)精度[23-24]。人工智能-能譜CT診斷淋巴結(jié)轉(zhuǎn)移的可行性和有效性優(yōu)于內(nèi)鏡超聲和多排CT等傳統(tǒng)檢測(cè)方法。

2 人工智能在胃癌預(yù)后預(yù)測(cè)中的應(yīng)用

準(zhǔn)確預(yù)測(cè)胃癌的預(yù)后對(duì)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(duì)患者的管理[25-26]。人口統(tǒng)計(jì)學(xué)、病理指標(biāo)、生理狀態(tài)甚至社會(huì)交往對(duì)胃癌患者的預(yù)后都有影響。然而，傳統(tǒng)的統(tǒng)計(jì)方法如腫瘤淋巴結(jié)轉(zhuǎn)移，分期系統(tǒng)和nomogram統(tǒng)計(jì)方法很難分析這些特征之間復(fù)雜的內(nèi)在聯(lián)系[27-29]?；谌斯ぶ悄苣Ｐ蛢?yōu)異的計(jì)算能力和集成能力，已被應(yīng)用于胃癌患者的預(yù)后。近年來，人工智能在預(yù)后方面的應(yīng)用包括生存時(shí)間預(yù)測(cè)、復(fù)發(fā)風(fēng)險(xiǎn)預(yù)測(cè)和轉(zhuǎn)移預(yù)測(cè)[30-32]。Jiang等[33]將支持向量應(yīng)用于生存分析，并開發(fā)了一種預(yù)后分類器，結(jié)果顯示，與美國(guó)腫瘤聯(lián)合委員會(huì)定義的腫瘤-節(jié)點(diǎn)-轉(zhuǎn)移分期系統(tǒng)相比，該方法對(duì)總生存期和無病生存期的預(yù)測(cè)精度更高。此外，利用所提出的胃癌-SVM分類器預(yù)測(cè)輔助化療獲益，可促進(jìn)胃癌的個(gè)體化治療。Korhani等[34]研究了939例胃癌患者的人口學(xué)、病理指標(biāo)和生理特征，創(chuàng)建了一種新的多模態(tài)深度學(xué)習(xí)模型，以提高生存預(yù)測(cè)的準(zhǔn)確性，結(jié)果表明，該方法在整體生存預(yù)測(cè)方面優(yōu)于隨機(jī)森林和支持向量。

復(fù)發(fā)是導(dǎo)致胃癌患者死亡的主要原因之一，因此準(zhǔn)確評(píng)估復(fù)發(fā)風(fēng)險(xiǎn)與臨床治療密切相關(guān)。近年來的研究表明，人工智能輔助的復(fù)發(fā)預(yù)測(cè)系統(tǒng)比傳統(tǒng)的統(tǒng)計(jì)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(xué)特征，構(gòu)建了1個(gè)基于CT數(shù)據(jù)的深度學(xué)習(xí)模型來預(yù)測(cè)晚期胃癌的復(fù)發(fā)風(fēng)險(xiǎn)。Liu等[36]訓(xùn)練SVM分類器預(yù)測(cè)胃癌患者的復(fù)發(fā)，利用基因表達(dá)數(shù)據(jù)集，發(fā)現(xiàn)一組特征基因（包括PLCG1、PRKACA和TGFBR1）可能與胃癌復(fù)發(fā)相關(guān)。

淋巴結(jié)轉(zhuǎn)移是胃癌預(yù)后的重要指標(biāo)。淋巴結(jié)轉(zhuǎn)移的評(píng)估是局部進(jìn)展期胃癌個(gè)體化治療的基礎(chǔ)。應(yīng)用人工智能輔助預(yù)測(cè)技術(shù)可以更好地評(píng)估胃癌轉(zhuǎn)移風(fēng)險(xiǎn)。Bollschweiler等[37]研究證實(shí)人工神經(jīng)網(wǎng)絡(luò)可以廣泛提高淋巴結(jié)轉(zhuǎn)移的預(yù)測(cè)準(zhǔn)確性。人工智能深度學(xué)習(xí)影像組學(xué)列線圖預(yù)測(cè)局部進(jìn)展期胃癌淋巴結(jié)轉(zhuǎn)移的數(shù)目，基于CT圖像的深度學(xué)習(xí)影像組學(xué)列線圖（deep leaning radiomic nomogram，DLRN）可以在術(shù)前判斷局部進(jìn)展期胃癌淋巴結(jié)轉(zhuǎn)移數(shù)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(guān)。

3 挑戰(zhàn)和展望

由于深度學(xué)習(xí)能夠以極小的特征單位來描述圖像（以像素為單位），深度學(xué)習(xí)人工智能能夠分析和建立比傳統(tǒng)邏輯方法復(fù)雜數(shù)萬倍的模型，更準(zhǔn)確地完成圖像識(shí)別和分類等任務(wù)。盡管人工智能在基于醫(yī)學(xué)圖像的診斷和預(yù)后預(yù)測(cè)方面取得了巨大成功，但在廣泛的臨床實(shí)踐出現(xiàn)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(biāo)注良好的數(shù)據(jù)進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試，而小樣本量的相關(guān)研究容易產(chǎn)生測(cè)量誤差，建立大規(guī)模的高質(zhì)量的數(shù)據(jù)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(yàn)證，導(dǎo)致數(shù)據(jù)過擬合的問題，使得深度學(xué)習(xí)模型魯棒性不佳，多中心研究能解決這個(gè)難題。人工智能技術(shù)應(yīng)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(zhǔn)的診斷與高質(zhì)量的為患者服務(wù)，醫(yī)療人工智能輔助篩查技術(shù)可降低篩查漏診與誤診率、提高診斷質(zhì)量，從而持續(xù)地為患者提供最高價(jià)值的診斷，減少誤診漏診所帶來的各項(xiàng)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(jìn)化，人工智能產(chǎn)品轉(zhuǎn)化，將降低醫(yī)師勞力負(fù)擔(dān)，提升診斷和治療決策的準(zhǔn)確性。