人工智能助力头颈部疾病精准诊疗

摘要

影像组学和深度学习等人工智能方法已在头颈部疾病筛查、诊断与鉴别诊断、分期分级、疗效评估与预测以及预后预测等方面显示出明显的优势，为个性化精准诊疗提供了关键信息和依据，提升了诊疗效果。与此同时，人工智能在头颈部疾病应用方面也面临巨大挑战，只有以患者为中心和解决临床问题为原则设计好人工智能研究方案，充分发挥多学科交叉的优势，做好产学研成果转化，人工智能才能在临床上真正发挥作用，才能真正实现源于临床、走进临床和高于临床的目标，才能真正推进人工智能的健康发展，更好地造福患者。近5年来，影像组学和深度学习等人工智能方法已广泛应用于头颈部疾病筛查、诊断与鉴别诊断、分期分级、疗效评估与预测以及预后预测，为个性化精准诊疗提供了关键信息和依据，提升了诊疗效果。本文中，重点评述人工智能在头颈部疾病诊疗中的价值以及存在的问题和发展策略。一、提升头颈部肿瘤分期和分级预测能力头颈部肿瘤TNM分期是目前制定治疗方案的重要依据，肿瘤是否侵犯关键结构或器官以及颈部淋巴结是否转移是临床TNM分期（cTNM分期）的关键，但在常规影像学上常常难以准确判断，直接影响cTNM分期的准确性，成为分期的难点。人工智能已在这方面显示出明显的优越性，提高了分期准确性。视网膜母细胞瘤侵犯筛板后视神经是T4期的主要依据，也是确定眼球摘除术的重要依据。文献报道，放射科医师人工判断视神经侵犯的受试者操作特征曲线下面积（areaunderthecurve，AUC）为0.674，而基于MRI的影像组学模型判断视神经侵犯的AUC为0.897，显著优于人工评估。喉及下咽鳞癌侵犯甲状软骨是T3期的主要依据，CT、MRI和PET/CT评价甲状软骨侵犯的准确度不高，基于静脉期CT提取影像组学特征结合逻辑回归和支持向量机方法建立的模型判断喉及下咽鳞癌侵犯甲状软骨的AUC为0.905，优于高年资放射科医师的人工诊断结果（AUC为0.721）。甲状腺乳头状癌颈侧区淋巴结转移的评估是肿瘤分期和选择手术治疗方案的重要依据，如何提高淋巴结转移的诊断准确性一直是难点和热点，包括淋巴结的大小、形状、强化程度和影像组学标签构成的模型预测甲状腺乳头状癌颈部淋巴结转移的AUC为0.933~0.965。肿瘤分级是临床治疗方案选择和预后预测的重要依据，由于肿瘤的异质性，术前准确预测组织分化程度对于提高活检病理取材及判断分化程度的准确性具有较大的帮助。基于MRI影像组学模型预测口腔鳞状细胞癌的高中低分化程度的AUC为0.936，准确度为86.3%。一项多中心研究结果显示基于双能CT的影像组学特征和肿瘤定位构建的列线图模型在预测头颈部鳞状细胞癌的组织分化程度方面表现出良好的效能，AUC为0.968~0.987，为选择临床治疗方案和预测预后提供了重要依据。二、进一步提高头颈部肿块鉴别诊断效能尽管上呼吸道、下咽和食管等头颈部的肿块常在内镜下就能明确诊断并可直接进行活检获得诊断，但影像学在头颈部肿块的诊断和鉴别诊断方面仍具有重要价值，在临床诊治中仍是关注的重要问题，主要原因有三：一是肿块的异质性或取材不够精准可能导致误诊，且有创；二是咽旁间隙或眶尖等部位肿块位置深，内镜下钳取组织进行活检或针刺活检比较困难；三是眼球和眼眶内肿块等不提倡针刺活检，容易形成肿瘤种植转移或复发，且部分恶性肿瘤不是首选肿瘤切除术而不宜手术切除活检组织获得病理结果。尽管包括超声、CT和MRI在内的影像学技术对头颈部病变的鉴别诊断准确度已较高，但仍有待进一步提高，因此，近5年以来，包括影像组学和深度学习在内的人工智能方法在鉴别诊断方面的研究广泛开展，并取得了较好的结果，进一步提高了诊断准确度，此外，这些成果能很快直接在临床推广应用，帮助提高疗效。基于MRI的影像组学模型鉴别眼附件淋巴瘤和炎性假瘤的AUC在训练集和验证集中分别为0.74和0.73，显著优于住院医师，联合使用有助于提高住院医师的诊断能力。本期发表的《基于MRI征象及影像组学的列线图预测腮腺良性与恶性肿瘤的价值》报道基于腮腺肿瘤MRI征象及影像组学的列线图鉴别良性与恶性肿瘤的AUC为0.953~0.964。本期发表的《基于CT影像组学列线图鉴别甲状腺良性与恶性滤泡性肿瘤的价值》结果显示基于增强CT图像的影像组学的列线图鉴别甲状腺良性与恶性滤泡性肿瘤的准确度为75.0%~87.9%。以前葡萄膜黑色素瘤常采用眼球摘除术，目前对于无眼球外侵犯的葡萄膜黑色素瘤首选敷贴治疗方法，为避免玻璃体内播散转移，不宜进行针刺活体组织检查或玻璃体活体组织检查，因此，提升包括影像学在内的无创性检查方法对葡萄膜黑色素瘤与其他病变的鉴别诊断准确度非常关键，文献报道，影像组学结合逻辑回归、多层感知器和支持向量机等机器学习算法的模型鉴别二者的准确度为72.0%~86.0%，优于人工评估。三、提高预测预后和评估疗效的能力准确预测头颈部肿瘤治疗后复发与生存期等预后情况，对术前治疗方式的选择非常关键。与已有的预测方法或指标相比，基于多参数MRI影像组学特征的列线图预测晚期鼻咽癌患者的无进展生存情况优于仅基于临床指标的列线图，可为患者的无进展生存率提供个体化预测。本期发表的《基于双能量CT增强图像的列线图预测早期声门型喉癌术后复发》显示基于早期声门型喉癌的术前增强CT图像和临床指标的列线图预测术后无复发生存期的能力优于T分期，有助于喉癌患者的个体化风险程度分层评估和临床决策。及时个性化的精准疗效评估对头颈部病变治疗方式的选择和调整具有重要意义。一项多中心研究结果显示联合影像组学和深度学习的模型预测进展期鼻咽癌接受诱导化疗加同步放化疗的患者比接受单纯同步放化疗的患者的生存期明显延长。本期发表的《基于动脉自旋标记灌注参数和临床病理特征的列线图预测中晚期鼻咽癌放化疗疗效》的研究结果表明基于中晚期鼻咽癌化疗前的动脉自旋标记灌注参数血流量、临床分期和病理类型的列线图预测放化疗是否有效的AUC为0.893，特异度达90.9%，与临床实际观察值间具有较好的一致性。但值得关注的是，影响预后和疗效的因素较多，上述结果需要在临床进一步验证，在临床中推广应用还有很长的路，必须依靠多学科团队较长时间的紧密合作才能推进其在临床真正发挥作用。四、病变及重要结构的自动精准分割头颈部病变和重要结构的准确勾画是提升人工智能辅助诊断准确性和治疗效果的基础和关键环节，人工勾画不仅费时，而且不同勾画者间勾画的差异比较大。采用深度学习进行病变范围自动分割可显著提高勾画的准确性，一项对于鼻咽癌的研究结果显示自动生成的肿瘤轮廓与真实轮廓之间的平均表面距离差仅2mm，既可有效减少人工勾画的差异性，又能显著缩短勾画时间。一种基于空间概率分布图的双通道三维U网络深度学习算法结合形状和位置先验信息，对视神经和视交叉自动分割结果的平均表面距离为0.34mm，与人工分割的Dice相似系数为86%，达到了较高的准确性，同时明显缩短了勾画时间，减少了勾画的差异性。五、存在的问题及发展策略第一，目前人工智能在头颈部病变方面的应用研究结果一般是在1个中心或有限的几个中心内获得的，绝大部分研究的病例选择都是非随机性的和回顾性的，重复性和可靠性有待于在更多中心检验。第二，只有以患者为中心和解决临床问题为原则设计好人工智能研究方案，充分发挥多学科交叉的优势，做好产学研成果转化，人工智能才能在临床上真正发挥