基于CT的人工智能技术在胃癌中的研究进展

高绪杰 叶露 叶兆祥

胃癌是世界第五大常见恶性肿瘤，也是癌症相关第四大死亡原因[1]。由于内镜筛查的开展，一些国家胃癌死亡率有所下降；但由于其早期缺乏典型的临床症状，病人在诊断时往往已处于晚期，总体5年生存率仍然很低。人工智能（artificial intelligence，AI）是一种革命性的技术，正在深刻地影响和重塑肿瘤学的临床实践。随着计算机处理能力和图形处理技术的进步，AI越来越多地被用于如内镜、病理和影像学检查中的大规模和复杂图像数据的分析。目前，CT仍是胃癌诊断、术前分期和疗效评估最常用的工具。然而CT影像的分析主要依赖于形态学特征，不能满足个性化和精准医学时代临床诊疗的需求。AI技术可以将传统医学图像转换为定量数据，可以识别肉眼不能识别的肿瘤微观特征，故而其在CT影像分割、诊断、转移风险评估、生存率和治疗反应的预测等各个领域的应用均引起了广泛关注。

1 AI技术在胃癌诊断与鉴别诊断中的应用

准确的T分期对于病人治疗方案的选择至关重要。中国肿瘤临床学会在指南中建议对T3及以上分期的病人进行新辅助化疗，而T1/2期病人则不推荐新辅助化疗[2]。虽然常规增强CT仍是目前术前T分期的主要手段，但其准确度仅为47%～82%[3]。同时，术前内镜和CT联合检查中，约22.8%的T1/2期病人会被误诊为T3/4期[4]。Wang等[3]报道了一种基于CT的影像组学模型，用于区分T2期和T3/4期胃癌，其最佳受试者操作特征曲线下面积（AUC）可达0.899。Sun等[5]从三期增强CT影像中提取深度学习特征，并使用机器学习方法构建了影像组学预测模型，在识别T4a期胃癌中表现出良好的准确度，最佳AUC可达0.90。

原发性胃淋巴瘤是除胃癌外最常见的胃恶性肿瘤之一。然而，胃癌和胃淋巴瘤治疗方案截然不同，手术是胃癌的主要治疗方法，而化放疗则是胃淋巴瘤的最佳选择。常规CT难以鉴别胃淋巴瘤及BorrmannⅣ型胃癌。Ma等[6]建立了一种基于影像组学的用于区分BorrmannⅣ型胃癌和胃淋巴瘤的模型，该模型显示出良好的鉴别能力，AUC达0.903。Feng等[7]利用迁移学习方法，提出了一种基于CT及全视野数字切片的影像组学预测模型，可有效鉴别胃淋巴瘤和BorrmannⅣ型胃癌，AUC可达0.92~0.99。Wang等[8]建立了一个基于影像组学特征的预测模型，对于胃神经内分泌癌与腺癌具有良好的鉴别能力，最佳AUC达0.82。Chen等[9]报道了一种基于影像组学的列线图模型，可用于鉴别弥漫型和印戒细胞胃癌；由于印戒细胞癌具有不良的组织学亚型和较高的转移风险，该模型还可以预测病人总生存期和化疗疗效。

2 AI技术在胃癌转移风险预测中的应用

2.1 淋巴结转移预测 淋巴结转移是胃癌不良预后最重要的危险因素之一。对于局限于黏膜和黏膜下层的早期胃癌，无淋巴结转移的病人可接受内镜下切除，以避免根治性手术及淋巴结清扫导致的并发症。然而，高达25%的T1b期病人存在淋巴结转移。对于这部分病人，内镜下切除会延误发现淋巴结转移，使病人失去早期治疗的机会。因此，准确的术前淋巴结评估具有重要的临床意义。常规CT主要依赖于淋巴结的大小及形状等形态学特征来判断淋巴结转移，缺乏统一的标准，其总体准确度仅为50%~70%[10-11]。尤其是对于早期胃癌病人，绝大部分转移淋巴结的长短径均＜1 mm[11]。因此，CT诊断早期胃癌淋巴结转移的敏感度仅为21.7%[12]。Huang等[13]首次证明影像组学在预测结直肠癌淋巴结转移中的价值。而后，影像组学和深度学习方法对胃癌淋巴结转移预测的应用引起了研究者的广泛关注。多项研究[14-16]通过从动脉期或门静脉期影像中提取特征来建立影像组学模型，均表明影像组学可成功地预测胃癌淋巴结转移。Dong等[15]从5个独立医学中心招募了730例局部进展期胃癌病人，建立基于多期增强CT影像的深度学习预测模型，显示出良好的N分期判断能力。Li等[17]对基于双能CT单能量影像中提取的深度学习特征进行研究，结果发现动脉期和门静脉期影像组学特征与淋巴结转移具有显著相关性。另外，与常规基于原发胃部病灶提取特征的模型不同，Gao等[18]通过标记胃周转移淋巴结，提出了一种快速的基于区域卷积神经网络模型，结果显示该模型识别淋巴结转移的准确度达到95.4%。Jin等[14]提出了一种基于卷积神经网络的预测11站淋巴结转移的模型，研究显示AUC、敏感度和特异度分别可达88%、74%和94%。

2.2 腹膜转移预测 腹膜是胃癌最常见的转移部位之一[19]。然而，10%~30%的胃癌病人表现为隐匿性腹膜转移，CT影像上难以识别[20-21]。Li等[22]通过回顾性对照分析腹腔镜术中所见转移灶及CT影像中相应区域，提出大网膜区污点样磨玻璃密度影可能是隐匿性腹膜转移的征象。但这一征象的判断具有较强的主观性，其诊断准确性仍有待进一步验证。与仅从原发肿瘤区域提取影像组学特征的传统方法不同，一些研究评估了基于CT的机器学习方法预测隐匿性腹膜转移的价值。如Dong等[23]通过从肿瘤和腹膜2个区域分别提取特征，构建了2个影像组学预测模型，结果表明，2个区域的影像组学特征均可提供有关隐匿性腹膜转移的信息，模型表现出极高的预测精度，其AUC达0.92~0.96。Chen等[24]利用双能CT获取碘摄取和120 kV等效混合影像提取的影像组学特征，结果表明，碘摄取影像的影像组学特征可用于预测腹膜转移。Huang等[25]对深度学习模型在识别胃癌隐匿性腹膜转移方面的价值进行了研究，结果显示基于二维双能CT影像的深度卷积神经网络模型显示出良好的预测效能，AUC达0.90。

3 AI技术在胃癌预后及疗效预测中的应用

胃癌具有高度异质性，即使在同一阶段内，其临床特征也存在显著差异。由于常规的TNM分期系统不能准确预测病人的预后并具有滞后性，因此一些研究探索了基于影像组学和深度学习方法预测胃癌预后及疗效的潜力。如Wang等[26]从2个医学中心招募了353例胃癌病人，建立了一种包含4个影像组学特征和3个临床风险特征的影像组学模型，研究发现该模型可有效预测胃癌病人的无病生存时间（DFS），AUC达0.77。Shin等[27]建立由影像组学特征和重要临床参数组成的预测模型，研究显示该模型可准确预测胃癌病人的无复发生存时间（RFS）。Zhang等[28]构建一种基于CT影像组学的预测模型，结果表明该模型可有效预测胃癌病人的早期复发风险。Jiang等[29]利用一种新的深度神经网络（S-NET），集成了全面的多尺度图像特征，可有效预测胃癌病人的DFS和总生存期（OS）；同时该模型还可以识别可从化疗中获益的Ⅱ期和Ⅲ期病人。Zhang等[30]利用18层残差卷积神经网络建立的深度学习模型对胃癌病人进行研究，结果发现该模型对胃癌病人的OS具有良好的预测能力。该团队进一步提出了一种多聚焦融合特征金字塔网络（MMF-FPN），该网络统一了分离的低层特征和融合的高层特征，显示出比现有的影像组学和深度学习方法更好的性能[31]。

化疗是提高胃癌病人生存率的常规治疗方法，但大多数方案的总有效率低于40%[32]。转化治疗是一种旨在通过术前新辅助化疗实现对最初不能切除的肿瘤进行R0切除手术的治疗，目前已成为转移性晚期胃癌病人的另一种治疗选择。然而，只有20%~40%的病人对新辅助化疗表现出敏感性[33-34]。此外，40%~60%的病人会发生手术后复发[32]。因此，确定能够从化疗或新辅助化疗获益的人群，使病人避免不必要的治疗不良反应具有非常重要的临床意义。Jiang等[35]建立了一种用于评估肿瘤浸润淋巴细胞和髓系细胞的影像组学特征模型，可以作为胃癌化疗反应的预测工具。Li等[36]通过从CT影像的瘤内和瘤周区域提取特征来构建影像组学模型，对Ⅱ/Ⅲ期胃癌的DFS和化疗反应显示出良好的预测能力。Liu等[37]基于双能CT获得的3组不同单能影像中提取的影像组学特征，建立了一种多能量影像组学模型，研究结果表明，高能特征对胃癌化疗疗效的预测能力最高，同时多能量模型的预测能力优于单能影像组学模型。近年来，胃癌治疗前后影像组学特征差异的分析（delta影像组学）对预测治疗反应显示出应用潜力[38-39]。Tan等[40]建立了一种delta影像组学模型，研究显示该模型可有效预测晚期胃癌病人化疗反应，最佳AUC达0.83。以程序性细胞死亡抑制剂1（PD-1）为代表的免疫治疗在胃癌病人中显示出较好的疗效。然而，目前仍然缺乏识别治疗获益者的有效标志物。Gao等[41]建立了一种基于评估肿瘤浸润调节性T细胞的影像组学模型，有助预测及识别PD-1治疗后发生超进展的病人。Liang等[42]提出了一种预测晚期胃癌的PD-1抑制剂反应的影像组学模型，研究显示该模型的AUC可达0.87。

4 局限性与展望

目前，AI技术真正用于临床工作仍然有一些局限性。可解释性是将AI模型转化为常规临床应用的最大障碍。目前，大多数基于深度学习的模型很难解释模型是如何做出预测决策，即所谓的“黑箱”。然而，模型的透明度和可解释性在法律和伦理学层面对于其能否在临床开展应用至关重要。了解AI工具是如何实现其预测，对于确保决策的公平性以及提高临床医生使用AI工具的信心非常重要。近年来，可解释AI（explanatory artificial intelligence，XAI）引起了研究者的极大关注。XAI旨在为AI模型提供更透明、更可解释的决策，有助于AI模型真正走向临床应用。其次，可重复性和再现性也是目前AI研究需要解决的关键问题。目前的大多数研究都是单中心回顾性研究。同时，大多数影像组学特征对于不同扫描设备、采集协议和重建算法高度敏感。因此，建立标准化AI工作流程，并进行前瞻性多中心研究对于验证工具的稳定性和普适性至关重要。

综上所述，基于CT的AI技术在提高胃癌诊断、预后及疗效预测准确性和减少放射科医生工作量方面显示出巨大潜力。同时，AI的目标不是取代医生，而是帮助医生在精准医学时代更快速更准确地做出决策。因此，放射科医生应该在AI应用中发挥主导作用，探索在临床实践中整合AI技术的最佳方式。