人工智能在鼻咽癌影像中的研究进展

谢东 李印 金观桥

鼻咽癌（nasopharyngeal carcinoma，NPC）是我国常见的头颈部恶性肿瘤，高发于我国南方地区，其中广东、广西发病率最高。NPC发病位置隐匿，早期无明显临床症状，放射治疗以及放化疗联合治疗是主要的治疗手段，但首程治疗失败率达24.0%～29.5%［1］。近年来随着医学影像技术的迅速发展及其在组织结构及功能代谢方面的独特优势，影像学检查在NPC术前诊断、临床分期、术后评估中发挥了重要作用［2-3］。医学影像主要由放射科医师和临床医师等判读，但在临床工作中医学图像复杂且数量庞大，判读结果可能因医师本身的主观性、经验上的差异和疲劳等问题受影响。人工智能（artificial intelligence，AI）的出现恰逢其时，目前在医学影像学中也有着广泛的应用，其强大的运算和数据处理能力提高了影像数据的处理效率和诊断准确率，具有为NPC患者提供更加精准医疗服务的巨大潜力［4］。本文就AI在NPC影像中的应用作一综述。

1 医学影像AI

AI是经研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。AI发展至今，技术上不断取得突破，近年来也在医学领域中应用，而医学影像成为主要应用的方向之一，“AI+医学影像”成为一种全新的领域，且有着非常广阔的前景［5-6］。机器学习是实现AI的方法和核心，传统的机器学习算法主要包括K最近邻算法（K-nearest neighbor，KNN）、支持向量机（supportvector machine，SVM）、朴素贝叶斯分类器（naïve bayesian model，NBM）和马尔可夫随机场（Markov random field，MRF）等。但是这些算法均依赖于人工输入，具有对应的人为标定的浅层特征［7］，工作量繁重而复杂。深度学习是一种机器学习的实现技术。目前，大多数深度学习算法基于人工神经网络（artificial neural network，ANN）进行计算机分析处理。而ANN是受生物神经元的生物学特性启发而研发出的模型，包括输入层、输出层及中间的隐藏层三层［7］。在图像处理领域中，最流行的深度学习算法是卷积神经网络（convolutional neural networks，CNN），它是ANN 的子类［8-9］。典型的CNN结构由卷积层、池化层、非线性层和全连接层组成，使其能够自动学习图像的深层特征。研究报道CNN的图像处理识别能力出色，在医学图像处理领域中应用最广泛［10-11］。其中，深度学习按学习形式分类又可分为有监督学习和无监督学习。而研究较多的深度学习形式是无监督学习，即计算机能通过原始数据直接提取特征，省去人为设计特征的步骤，为图像、视频、音频等数据的处理带来了新的突破，而且相对于传统机器学习算法，深度学习算法可自动提取的特征维度更高、更抽象，更适合计算机分析处理医学图像数据［12］。

目前，在众多鼻咽癌影像检查技术和诊断中，影像组学成为了医学影像与AI的完美融合典范。影像组学是指从影像（CT、MRI、PET等）中高通量地提取大量影像信息，实现肿瘤分割、特征提取与模型建立，凭借对海量影像数据信息进行更深层次的挖掘、预测和分析，从而辅助医师作出最准确的诊断。该方法是利用AI从庞大的医学图像集中提取高通量特征，经过不断研究和完善，影像组学已经可以提取并分析大量医学图像数据，从而为临床诊断提供支持，在肿瘤诊断、预后分析和疗效预测等方面表现出巨大潜力，而基于机器学习的放射组学也已成为当前AI在鼻咽癌影像诊断的热门研究领域之一［13-15］。

2 AI在NPC影像诊断中的辅助诊断

目前临床上NPC的诊断主要依靠CT、MRI、PET/CT等影像学检查，但医师的经验及主观性均可能影响诊断的准确性［16-17］。既往研究显示AI的应用有效克服了这一难题，在NPC影像辅助诊断中具有较高的准确性。李腾翔等［18］利用影像组学回顾性分析了41例初诊鼻咽癌患者CT图像，每组CT图像包含平扫、动脉期、静脉期3个时相，提取了4组共55个纹理特征，结果发现其中的10个特征可预测大体肿瘤靶区（GTV满足AUC≥0.9），证实CT影像组学可以动态、准确区别鼻咽癌肿瘤与正常组织的细微差异，为鼻咽癌的精确诊疗提供参考。ZHUO等［19］利用基于SVM的影像组学回顾性分析了658例非转移性NPC患者影像资料，从T1WI、T2WI和T1WI增强MRI中提取4 863个肿瘤区域的放射学特征应用于鼻咽癌分期，发现放射组学的分期结果较TNM分期更稳定。DU等［20］纳入76例鼻咽癌放疗患者（经病理证实局部复发41例，炎症35例），从PET图像中提取每例患者487个放射组学特征，然后对来自6种特征选择方法和7种分类器的42个交叉组合的诊断性能进行分析，且在原始队列中，70%用于特征选择和分类器开发，其余30%作为独立的验证集，通过AUC、测试误差、灵敏度和特异度评估诊断性能，结果发现基于机器学习的影像组学能提高鉴别鼻咽癌治疗后局部复发与炎症的准确性。WU等［21］利用基于SVM的计算机辅助诊断系统（computer-aided diagnosis，CAD）提取了10例NPC患者的25次PET/CT检查图像的纹理特征，经过分析得出该系统成功识别了所有53个＞1 cm的高代谢病变，并排除了褐色脂肪、肌肉、骨髓、大脑和唾液腺的正常生理摄取，同样提高了诊断和鉴别诊断的能力。虽然，AI在鼻咽癌影像诊断的辅助诊断的实际应用中存在一些问题，但影像组学能深入挖掘图像微观表现和抽象特征表现的能力使之在辅助诊断的研究中具有巨大的潜力。

3 AI在NPC影像诊断中的疗效评估

放疗及放化疗联合是NPC的主要治疗方法，及时有效地评估治疗方案的疗效对提高生存率至关重要，而AI在NPC疗效预测中也显示较好的应用价值。FARHIDZADEH等［22］利用基于SVM的放射组学从25例NPC患者MRI的增强T1WI图像中提取了288个组织学影像学特征，结果发现放射组学可较好地量化肿瘤区域内的纹理异质性，对鼻咽癌疗效具有更稳定的预测能力，其中在增强度高的肿瘤区域中准确率为80%（AUC=0.60），在增强度低的肿瘤区域中准确率为76%（AUC=0.76）。LIU 等［23］利用 KNN 和 ANN 算法在 53 例 NPC 患者 MRI的 T1WI、T2WI、DWI、增强T1WI图像中提取纹理特征用于疗效预测，结果同样发现基于T1W、T2W和DWI的导出纹理分析结合机器的监督学习算法是疗效预测的新工具，这些指标也可作为评估NPC对放化疗反应的指标。ZHANG等［24］招募了110例晚期NPC患者，从每个患者的MRI图像中总共提取了970个放射特征，评估了6种特征选择方法和9种分类方法，发现随机森林（random forest，RF）的 AUC 为（0.846 4±0.006 9）；测试误差为（0.313 5±0.008 8），认为这种机器学习方法具有较高的预测性能，可以在MRI图像上实现NPC疗效预测。此外，通过影像组学高通量数据可以获得鼻咽癌的全部遗传学及微环境信息，通过AI技术各种参数自动生成全息靶区，将肿瘤和正常组织的各种生物学信息通过三维的方式呈现出来，避免了人工勾画靶区带来的不确定性，从而达到精准决策的目的［25-26］。可见，AI在NPC疗效预测中显示了较好的前景，有望在制定更精准的治疗方案中发挥作用，从而使患者最大获益。

4 AI在NPC影像诊断中的预后预测

远处转移是NPC治疗失败的主要原因之一，科学地预测NPC远处转移的风险并在出现转移前及时地制定个体化精准治疗，是改善NPC治疗效果和患者获得长期生存的关键。RAGHAVAN等［27］对58例NPC患者进行了回顾性分析，从治疗前MRI中提取42个图像纹理特征，采用多因素logistic回归对纹理特征进行建模，采用Cox比例模型预测最终模型的复发情况，发现MRI图像中的纹理特征是鼻咽癌复发的独立预测因素。ZHANG等［28］将140例NPC患者随机分为训练队列（n=80）和验证队列（n=60），从患者MRI的T2WI和增强T1WI图像中共提取970个放射学特征，采用单因素和多因素分析选择与局部复发相关的放射学特征，用多因素分析建立放射学列线图，同样证实基于MRI的放射组学可作为评估NPC局部复发的辅助工具，同时还针对患者特征开发了个性化治疗方法。CUI等［29］收集了792例鼻咽癌患者的MRI图像资料，采用自动机器算法分析总生存期、远处无转移生存期和局部无复发生存期，结果显示机器学习评分系统的生存曲线差异有统计学意义（P＜0.05），而TNM和AJCC系统中的生存曲线差异无统计学意义（P=0.118，0.121），说明自动机器算法分析具有更好的预后预测性能及临床应用潜力，可能有助于改善NPC患者的咨询和个性化管理。而ZHANG［30］等回顾性分析176例NPC患者，将患者分为训练组和验证组，利用放射组学提取了2 780个MRI放射学特征，并建立了含有7个特征的模型，结果也证实该算法有助于区分高远处转移风险和低远处转移风险患者，从而改善治疗决策，不失为一种有效的NPC远处转移预测可视化工具。AI有助于更加准确地预测鼻咽癌复发等情况，为鉴别鼻咽癌复发是否转移提供一种新思路，也有利于初步辅助对原发灶淋巴结引流区不同区域施行不同处方剂量的个体化治疗方法。

5 小结与展望

AI在医学领域中应用最成熟的就是肿瘤影像，故在鼻咽癌早期预防、辅助诊断、疗效评估和预后预测等方面发挥了重要作用，也被看作是未来智能医疗的重要组成部分。但是，AI在NPC影像中的应用还是存在诸多挑战：⑴AI在鼻咽癌影像诊断应用总体上仍处于初步临床应用阶段，在肿瘤良恶性判断、靶区精准勾画和预后预测等方面的预测性能和临床应用仍需进一步验证；⑵虽然AI在鼻咽癌影像诊断中的应用属于智能化的统计学模型，但机器学习数据来源往往带有医师的主观性，也可能造成偏差；⑶AI在鼻咽癌影像诊断方面的研究主要为单中心或有限的开发数据集，因此会造成数据集偏倚，难以全面反映鼻咽癌的影像特征。此外，不同厂家提供的影像设备在层厚和图像重建算法存在差异，图像质量的差异也可能影响AI模型的预测结果。但总而言之，虽然AI在影像医学中的应用仍处于弱人工智能阶段，但已经显示出了巨大的应用前景，相信在医学影像领域专家学者的引领下，影像医学的发展将到达一个全新的高度。