再议人工智能,肿瘤影像学的春天到了吗?-资讯-知识分子

再议人工智能,肿瘤影像学的春天到了吗?

2019/03/18
导读
在目前所有的AI医疗应用中,医学影像学AI的飞速发展备受瞩目。

6/va/zsfz1534058370.1117501.jpg

► 人工智能正在加速我们对疾病的认识,图片来自sciwri.club


   


注:本文来自“中国医学论坛报今日肿瘤”,经授权转载。


导语

人工智能(AI)是时下各个领域内最受热议的话题,在医学领域,我们也看到了越来越多AI的身影,这一变化似乎将为医疗事业带来翻天覆地的变化,未来的医疗诊治和护理工作中,AI必将是十分重要的一环。在目前所有的AI医疗应用中,医学影像学AI的飞速发展备受瞩目。那么,AI与肿瘤影像学的碰撞,是否能够造就癌症治疗的新未来呢?


前不久,CA: 临床医师癌症杂志》(CA Cancer J Clin)发表了一篇题为“Artificial intelligence in cancer imaging: Clinical challenges and applications”的综述,对这个问题进行了深入的解析。

 

医疗决策,作为医学的核心之一,依赖于多层次数据与精细化决策的整合。在肿瘤这一特殊的领域里,医疗决策要考虑多方面的因素。尽管技术在不断地进步发展,但是在肿瘤的精准诊断、定性分析和监测等方面仍存在着挑战。

 

AI与医学影像的结合,在肿瘤诊断和治疗领域将大有所为。在诊断上,AI可以实现肿瘤勾画、肿瘤分型、临床疗效预测等功能。AI通过“深度学习”,可以自动化地帮助我们获得关于肿瘤的数据与信息,从而协助临床医生的诊治工作。AI还可以在影像报告的初步诊断上实现自动化,并且改变临床上影像检查的工作流程,管理决策是否实施干预以及后续观察。


肿瘤影像学中的AI


在肿瘤影像学中,AI的用途主要体现在三个方面:① 机体病变的发现;② 通过确定可疑病变的形状体积、组织病理学诊断、疾病分期或分子谱来对其进行定性;③ 在监测肿瘤发展的过程中,评估预后和治疗效果。


z/5a/zsfz1552873729.7901752.jpg


检测


在机体异常的发现中,基于AI开发的计算机辅助检测(CAD)逐渐进入影像科的工作中,通过预先设定好模式识别的公式,以AI为基础的检测工具可以提示可疑的影像学结果,为医生的诊断提供支持。CAD作为肿瘤检查时的初筛工具,可以有效地降低假阳性率和减少过度诊断。


定性


定性检查时,AI提供了大量的肿瘤描述元,以此来捕捉肿瘤内部的异质性和变异性,从而对肿瘤进行定性的分析。① AI应用在图像分割时,用2D或者3D测量的方式可以界定出异常的程度,这些信息除了可以帮助诊断之外,还可以用在放射治疗中剂量的计算。② 在诊断上,AI可以根据量化的数据来帮助影像科的医生划分肿瘤的良性与恶性。③ 在分期上,AI可以通过检测肿瘤范围或肿瘤多灶性来协助确定分期。④ 值得一提的是,AI将肿瘤的影像学特征与生物特征整合起来,形成“影像组学”,更好地为临床检查提供帮助。


监测


AI在监测肿瘤随时间的变化方面发挥越来越大的作用。传统的肿瘤监测通常被局限在预先定义的(诸如肿瘤直径等)指标里,而AI可以捕捉大量的肿瘤特征,从而更好地指示肿瘤的发展和治疗效果。


管理


在临床管理上,AI的干预有望扩大现有的治疗标准。除了向临床医生提供有用的疾病信息之外,还可以通过基于AI的整合诊断系统,将影像信息与分子、病理信息融合,从而导向更加明智的医疗决策。


k/00/zsfz1552873763.494982.jpg


y/iy/zsfz1552873784.5553989.jpg


文中,作者选取了肺癌、中枢神经系统肿瘤、乳腺癌、前列腺癌四种疾病,分析AI在癌症诊断与治疗的应用现状。


肺癌



肺癌影像中AI应用研究进展


挑战

- 不确定的肺结节大都是偶然发现的,有12%的结节是恶性的;

- 在发现结节之后,通常需要3~13个月的时间进行后续检查以对其确诊。


应用

- 良恶性结节区分:结合四个量化评分(短轴直径、轮廓、凹陷和纹理)的模型,区分肺部良恶性结节的准确率高达74.3%;

- 评估与风险分析:计算机辅助结节评估和风险分析(CANARY)工具, 基于图像标志物无创地捕获肿瘤的表型并提示其潜在的病理生理变化,对结节进行风险分层,从而识别出其中较为危险的亚群;

- 异质性分析:肿瘤的异质性(ITH)与非小细胞肺癌(NSCLC)的预后不良息息相关,借助AI对肺癌瘤内特征的全面描述,为异质性的定性和定量提供了帮助;

- 微环境变化:通过AI影像来识别肿瘤微环境,进而评价肿瘤的发展;

- 免疫治疗评估:通过识别与免疫治疗相关的放射生物标志物来评估免疫治疗的效果;

- 靶向治疗评估:通过识别与突变相关的影像学表型来对活检结果进行补充,避免无法识别出瘤内异质性所导致的耐药和转移。


中枢神经系统肿瘤


u/2d/zsfz1552873819.7538705.jpg

CNS影像中AI应用研究进展


挑战

- 中枢神经系统(CNS)肿瘤多样化;

- 与其他脑部肿瘤难以鉴别。


应用

- 亚型识别:利用“影像组学”识别CNS肿瘤的不同分子亚型、组织病理学亚型,以及鉴别CNS与其他临床表现相似的肿瘤;

- 肿瘤勾画:半自动算法可以应用于立体定向放射、术后残留体积计算及跟踪肿瘤生长变化等领域之中;

- 优化CNS诊断:利用机器学习可以区分出放射性坏死造成的强化或假脱位这些在传统影像学检查中难以被解决的问题;

- 治疗评估:以影像为基础的标志物检测可以对CNS肿瘤的治疗效果进行预测,从而能够选择出对治疗达到预期效果的患者,以避免无效治疗和降低药物毒性所带来的风险。


乳腺癌


u/zj/zsfz1552873936.7600577.jpg

乳腺癌影像中AI应用研究进展


挑战

- 乳腺癌是一种多样化的疾病;

- 三阴性乳腺癌的影像检查中没有典型的恶性肿瘤信号,疾病发现较晚。


应用

- 辅助检测:通过预定义算法和深度学习的方法,在3D超声、乳房MRI和乳房断层融合影像中自动检测乳房病变;

- 风险评估:计算机视觉技术的应用,包括全数字平板乳腺机(FFDM)和动态对比增强核磁(DCE MRI),可以提取乳腺图像中薄壁组织的密度与特征,从而用于乳腺癌的风险预测;

- 量化肿瘤异质性:通过动态对比评估将肿瘤异质性予以量化,从而提示肿瘤内部血管生成的情况以及治疗的敏感性;

- 治疗评估:通过影像为基础的标志物检测来进行预后评估和治疗效果的评价。


微信图片_20190318073959

乳腺癌中基因表型与影像学表型之间的关系


前列腺癌


挑战

- 过度诊断,导致不必要的治疗。


应用

- 辅助检测:AI在肿瘤分子诊断的基础上,加强临床医生对前列腺癌检测、定位、确定分期及监测的能力;

- 软组织对比:多参数磁共振成像(mpMRI)提供了检测和定位前列腺可疑病变所需的软组织对比,可将不必要的活检减少四分之一;

- 病例数据系统:前列腺成像报告与数据系统(PI-RADS),帮助解读疑难病例和减少医师间解读分歧。



尽管AI在肿瘤成像方面已经取得了相当大的进步,但在广泛应用于临床之前,还必须克服一些限制与障碍。① 医疗数据的管理需要专业人员花费大量时间精力进行标记注释;② 成像的标准化需要现有的研究团队对数据集达成共识;③ 数据的共享需要克服法律和伦理方面的问题;④ AI对结果的可解释性及对医患关系的责任存在着挑战。

 

现在,AI在临床上的应用都处于严格的监管中。美国食品与药物管理局(FDA)要求这些AI技术在提交审批时,要审查机器学习中的标定数据、测试案例、对边缘案例的普遍适用性和稳定性以及能够在全产品周期内的不断更新。同时,由于云计算和虚拟化越来越多地应用于医疗数据的处理,医疗信息技术正逐渐成为“大数据”革命的一部分,与此同时也引起了对数据安全和隐私的关注,这也需要更多的加密解决方案及更为完善的法规支撑。


参考文献:

Artificial Intelligence in Cancer Imaging: Clinical Challenges and Applications. CA CANCER J CLIN, 2019;0:1–3.


参与讨论
0 条评论
评论
暂无评论内容
知识分子是由饶毅、鲁白、谢宇三位学者创办的移动新媒体平台,致力于关注科学、人文、思想。
订阅Newsletter

我们会定期将电子期刊发送到您的邮箱

GO