人工智能深度学习在胃癌的临床应用进展

宋 扬

（大连理工大学附属中心医院放射科，辽宁 大连 116033）

胃癌是全球常见的恶性肿瘤，占所有消化道恶性肿瘤发病率的第1位，占恶性肿瘤发病率的第5位。我国是胃癌高发国家，胃癌的发病例数和死亡例数约占全球的50%，严重威胁着患者的生命健康。因此，胃癌是我国肿瘤防治的重点。近年来，随着医学影像技术的快速发展，医学图像分析步入大数据时代，为了给临床医师提供有效的辅助诊断信息，如何从海量的医学图像数据中挖掘出有用信息，智能医学图像处理技术正变得越来越重要。以机器学习和图像处理技术为基础的计算机辅助诊断（computer-aided diagnosis，CAD）逐渐成为医学领域的研究热点。自1997—2013年以来，不同学者采用传统CAD系统对淋巴结进行分割，如使用2个检测块算子级联检测腹部CT淋巴结，再基于Hessian矩阵检测血管。也有学者提出了一种二维标记控制的分水岭方法，并传播了相邻层面的分割结果，但是这种二维分割和传播技术没有考虑到三维的形状信息。基于质量弹簧模型的三维分割方法置于均匀的网格中以检测颈部淋巴结，与该模型融合得分比较高的位置被认为是淋巴结，但是质量和弹簧的数量通常很小，导致淋巴结的边界由长线段连接。基于最佳表面发现的方法将分割问题转化为图像优化问题。基于边缘空间学习的方法适用于腋窝及盆腔淋巴结的分割和检测。基于差异性学习和空间先验知识的分割算法通过采用级联二元分类器，Haar特征和梯度对齐特征用于检测淋巴结中心，图形切割用于淋巴结分割，并遵循分类阶段以确定分割是否为淋巴结。但上述基于传统的浅层机器学习结构的CAD系统，一方面常常需要利用先验知识从原始数据中人工提取特征来训练模型，难以提取到复杂特征，而且由于特征选取难度大，可能出现过拟合问题，模型的泛化能力难以得到保证；另一方面，随着医学图像产出量的增大，传统方法难以适应大规模的数据集，模型可移植能力差。传统CAD始终无法超越人类对同类疾病的识别准确率，且运算速度非常慢，难以为繁忙的临床工作提供帮助。

2006年，Hinton团队在《Science》杂志发表了深度学习的报道，开启了人工智能新时代，其有别于传统CAD系统，深度学习是机器学习的一个新领域，已在图像识别、语音识别等领域实现多项突破，成为公认的人工智能界革命性技术。传统的机器学习方法不能有效挖掘到医学图像中蕴含的丰富信息，而深度学习通过模拟人脑建立分层模型，具有强大的自动特征提取、复杂模型构建以及高效的特征表达能力，更重要的是深度学习方法能从像素级的原始数据中逐级提取从底层到高层的特征，在图像处理和计算机视觉方面的成功为医学图像的识别提供了新的思路。由此可见，深度学习有望解决基于传统浅层机器学习的CAD问题，从而大大提高了辅助诊断能力。近5年来，深度学习通过在给定的数据集上训练模型来完成新数据上的特定任务，已在疾病检测与分类、病变识别、图像配准、图像分割等方面得到了广泛应用，在很大程度上减少了医师的工作量，并能得到十分精确的诊断或分类结果。采用深度学习模型对医学图像进行如肺、肝脏、胰腺、心脏、乳腺等各器官系统及肿瘤病灶分割已见诸报道[1-4]。罗蔓等[5]基于多模态MRI图像进行脑肿瘤的分割。有学者利用深信度网络和卷积神经网络（convolutional neural network，CNN）作为势函数构建乳腺病灶分割模型[6-7]。Cha等[8]基于CT尿路造影并利用结合水平集（level sets，LS）的CNN模型进行膀胱癌分割。为了保留有用信息的同时减少繁冗的计算量，Su等[9]通过重组最大池化层将CNN改进为运行速度更快的快速扫描深度卷积神经网络（fast scanning deep convolutional neural network，fCNN），进一步提高了肿瘤病灶分割的准确率，并缩短了训练时间。Enlitic公司开发出基于CNN的恶性肿瘤检测系统，对放射师检查过的大量医学图像数据进行学习，自动总结出代表恶性肿瘤形状的“特征”，从而识别图像中是否存在恶性肿瘤，该系统识别肝癌的精度是放射医师检查精度的5倍[10]。在淋巴结分割方面，Kuo等[11]开发了一种端到端的深度反卷积神经网络，用于分割鼻咽肿瘤体积、转移淋巴结肿瘤体积和临床目标体积。Tan等[12]于2018年提出了1种通过动态编程和活动轮廓的两阶段分割方法，用于直肠癌腹部淋巴结检测和定量体积测量。Wang等[13]利用CNN深度学习技术用于从18F-FDG PET/CT图像分割非小细胞肺癌的纵膈转移淋巴结。深度学习技术对胃癌的研究包括以下两方面：一方面是人工智能辅助诊断，多基于病理，内镜，CT、MR影像数据集；另一方面是人工智能对胃癌复发，转移及预后的预测。

1 人工智能在胃癌诊断中的应用

由于胃癌具有潜伏性和非特异性症状，多在晚期被确诊，预后差。据报道，胃癌的早期准确检测可使5年生存率提高约90%[14-15]。然而，早期胃癌的诊断主要局限于有经验的影像学专家的临床经验，易受到多种因素的影响，不可能避免所有的误诊和漏诊。人工智能方法可以帮助消化内科医师进行临床诊断和决策。诊断胃癌的金标准是进行病理学组织活检，判断恶性细胞的形态特征，手工对胃切片病理检查费时费力。对胃癌病理自动图像分析和组织学分类的需求越来越大。Sharma等[16]提出了1种新的基于深度学习的框架，用于自动识别胃癌。该框架在胃病理切片上的分类准确率为100%，显著高于DenseNet等现有网络[17]。Ali等[18]描述了CNN架构可以有效地分析病理图像，明确胃癌病理分类，其准确率为69.90%，坏死检测准确率为81.44%。Luo等[19]评估了深度CNN在胃癌病理图像自动检测中的应用，提出了基于深度CNN从整体上分析图像的形态特征，证明了该模型在胃癌检测中的良好性能。此外，双能谱CT作为一种新型成像技术，人工智能辅助DEsCT成像在胃癌分期和特征方面采用的是一种新的深度学习方法来确定胃癌浸润深度[20-22]。有学者提出了人工智能基于能谱成像分析胃癌淋巴结转移可取得较高的检测精度[23-24]。人工智能-能谱CT诊断淋巴结转移的可行性和有效性优于内镜超声和多排CT等传统检测方法。

2 人工智能在胃癌预后预测中的应用

准确预测胃癌的预后对临床医师和患者都有重要意义，这些信息可以帮助临床医师做出决策，改善对患者的管理[25-26]。人口统计学、病理指标、生理状态甚至社会交往对胃癌患者的预后都有影响。然而，传统的统计方法如肿瘤淋巴结转移，分期系统和nomogram统计方法很难分析这些特征之间复杂的内在联系[27-29]。基于人工智能模型优异的计算能力和集成能力，已被应用于胃癌患者的预后。近年来，人工智能在预后方面的应用包括生存时间预测、复发风险预测和转移预测[30-32]。Jiang等[33]将支持向量应用于生存分析，并开发了一种预后分类器，结果显示，与美国肿瘤联合委员会定义的肿瘤-节点-转移分期系统相比，该方法对总生存期和无病生存期的预测精度更高。此外，利用所提出的胃癌-SVM分类器预测辅助化疗获益，可促进胃癌的个体化治疗。Korhani等[34]研究了939例胃癌患者的人口学、病理指标和生理特征，创建了一种新的多模态深度学习模型，以提高生存预测的准确性，结果表明，该方法在整体生存预测方面优于随机森林和支持向量。

复发是导致胃癌患者死亡的主要原因之一，因此准确评估复发风险与临床治疗密切相关。近年来的研究表明，人工智能辅助的复发预测系统比传统的统计方法具有更好的性能。Zhang等[35]使用ML方法从连续669例晚期胃癌患者的CT图像中提取放射学特征，构建了1个基于CT数据的深度学习模型来预测晚期胃癌的复发风险。Liu等[36]训练SVM分类器预测胃癌患者的复发，利用基因表达数据集，发现一组特征基因（包括PLCG1、PRKACA和TGFBR1）可能与胃癌复发相关。

淋巴结转移是胃癌预后的重要指标。淋巴结转移的评估是局部进展期胃癌个体化治疗的基础。应用人工智能辅助预测技术可以更好地评估胃癌转移风险。Bollschweiler等[37]研究证实人工神经网络可以广泛提高淋巴结转移的预测准确性。人工智能深度学习影像组学列线图预测局部进展期胃癌淋巴结转移的数目，基于CT图像的深度学习影像组学列线图（deep leaning radiomic nomogram，DLRN）可以在术前判断局部进展期胃癌淋巴结转移数目，显著优于常规使用的临床N分期、肿瘤大小和临床模型。DLRN与LAGC的总生存期显著相关。

3 挑战和展望

由于深度学习能够以极小的特征单位来描述图像（以像素为单位），深度学习人工智能能够分析和建立比传统逻辑方法复杂数万倍的模型，更准确地完成图像识别和分类等任务。尽管人工智能在基于医学图像的诊断和预后预测方面取得了巨大成功，但在广泛的临床实践出现之前，还必须消除一些障碍。灵活的人工智能模型需要大量标注良好的数据进行训练、验证和测试，而小样本量的相关研究容易产生测量误差，建立大规模的高质量的数据库，是目前人工智能发展的方向。大部分的研究为单中心研究，缺乏外部验证，导致数据过拟合的问题，使得深度学习模型鲁棒性不佳，多中心研究能解决这个难题。人工智能技术应用于临床胃癌等重大慢性疾病的早筛早治中，以赋能医师完成更精准的诊断与高质量的为患者服务，医疗人工智能辅助筛查技术可降低筛查漏诊与误诊率、提高诊断质量，从而持续地为患者提供最高价值的诊断，减少误诊漏诊所带来的各项医疗成本。随着深度模型在使用过程中的自我迭代、不断进化，人工智能产品转化，将降低医师劳力负担，提升诊断和治疗决策的准确性。