文献速递骨肌介入技术与安全CTMRPETUS

革新骨活检:人工智能在个体化医疗时代的影响

Revolutionising osseous biopsy: the impact of artificial intelligence in the era of personalized medicine.
PubMed 文献 · Br J Radiol · 2025-01-01

本文为综述,探讨人工智能在骨肿瘤图像引导活检及标本处理中的应用,涵盖影像组学、组织病理学、预测建模、活检导航与多学科沟通,旨在提升诊断准确性、活检安全性与靶向精度,并讨论伦理、技术局限、健康公平与报销挑战。

要点

  • AI可辅助定位肿瘤-正常组织界面,提高活检取材准确性,尤其对浸润性病变。
  • 影像组学可区分骨岛与成骨性转移、溶骨性转移与多发性骨髓瘤病变等。
  • AI增强工作流程尚未正式整合入临床骨肿瘤路径,仅在模拟或回顾性研究中显示潜力。

核心结论

  • AI在影像组学、组织病理学、预测建模、活检导航及跨学科沟通等方面的应用正在重塑骨活检的实施与解读。
  • AI有助于提高诊断准确性、活检安全性及骨病变活检的靶向精度,最终改善个体化医疗中的患者结局。

研究设计与样本

  • 本文为简要综述,范围涵盖AI在骨肿瘤(原发与继发)图像引导活检及标本处理中的应用。
  • 涉及技术包括传统机器学习、深度学习、影像组学、模拟与生成模型,并讨论伦理、技术局限、健康公平、部署与报销挑战。

临床应用与阅片要点

  • 对疑似原发性肉瘤,活检应在专科肉瘤转诊中心经多学科骨肿瘤委员会讨论后由将行根治性切除的外科医生实施。
  • 活检轨迹规划应避开神经血管束及邻近重要结构,以减少并发症。
  • 异质性病变应尽可能从多个区域取材,以全面了解病变范围。
  • 活检部位应以皮肤纹身标记,以便新辅助化疗后手术时识别。

局限性

  • 传统组织病理学分析耗时、费力,复杂病例可能误诊,且诊断存在观察者间差异。
  • AI工具用于骨组织病理学应监测性能漂移,任何假阴性或假阳性结果应报告厂商并必要时重新训练模型。
  • 将ChatGPT等软件纳入临床实践仍存在固有局限。
  • 实现生成式AI在骨生物学中的潜力可能需要生成大规模高质量细胞分辨率空间转录组数据集、提高当前空间转录组数据集灵敏度并进行彻底实验验证。
  • 据作者所知,AI增强工作流程尚未正式整合入临床骨肿瘤路径,包括转移瘤路径。
全文中译15 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Br J Radiol. 2025 Jan 29;98(1170):795–809. doi: 10.1093/bjr/tqaf018

引言

经皮影像引导骨活检是有创但安全且准确的操作。活检用于诊断一系列骨相关疾病,包括感染、原发性和继发性骨肿瘤。活检包括提取少量骨组织样本,随后在显微镜下进行分析或进行一系列检测。传统上,活检的准确性在很大程度上取决于放射科医生将病变识别为侵袭性病变,从而需要在放射影像上进一步定性。随后在肿瘤委员会会议上进行讨论,活检样本送病理检查以指导进一步的临床决策。

精准医学根据个体生物学特征,利用来自临床、形态学、细胞学、分子学和遗传学检测的可用信息,为每位患者定制治疗。来自多模态、多参数数据的个性化数据集包括分子组学数据(基因组学、转录组学、蛋白质组学、代谢组学)、病理组学和影像组学。如此庞大且异质性的大数据使得人工智能(AI)算法的开发成为可能,以实现统计相关性分析、预测建模和靶向规划。筛查项目导致越来越多的患者接受活检以检查偶然发现的病变,或用于比以往更早地发现癌症。抗菌药物的进步和对耐药性的日益关注,使得获取样本进行培养和药敏试验、微生物组检测以及个性化治疗策略成为必要。全球范围内活检需求的持续增长,增加了优化活检和检测申请、活检操作以及标本处理的需求。

AI在放射学中应用的先进研究已探索了与诊断、局部、区域和远处转移风险评估相关的应用,以及预测区域和远处转移(包括骨转移)的可能位置、预测治疗反应和生存期。研究AI在诊断中作用的研究评估了各种模态上的肿瘤分割、影像组学在结合基因组学和肿瘤纹理分析中以区分高级别与中级别或低级别肿瘤(例如软骨病变和巨细胞瘤)、区分良性与恶性肿瘤方面的作用,以及用于规划活检轨迹和改善肿瘤内活检位置决策——以避免坏死区域并确保异质性病变中局灶性细胞代表性。

AI赋能的组织病理学

组织病理学,即在显微镜下研究组织样本的学科,长期以来一直是诊断骨疾病的金标准。然而,传统组织病理学分析耗时、费力,在复杂病例中存在潜在误诊风险,且获得确定性诊断存在时间延迟。1 由于公认的阅片者间变异性,诊断还受到不同病理学家之间差异性的影响。2,3 人工智能赋能的骨髓细胞丰富度评估可能使定量评估更高效地进行。4 新证据支持需要重新评估“去分化肿瘤”的诊断路径,该实体在多种骨和软组织肿瘤中被认识,包括但不限于软骨肉瘤、骨旁骨肉瘤和脂肪肉瘤。1 对数字化活检切片进行人工智能辅助组织病理学评估,通过自动化组织样本分析并提供更快速、更一致的结果,为这些挑战提供了解决方案。5 数字远程病理学为更强大的病理服务铺平了道路,该服务可跨越区域边界,并使合作能够弥合全球服务和教育需求方面的差距。6,7 此外,人工智能系统可以快速处理大量数据,使其非常适合诊断时效至关重要的大批量临床环境。最近一项研究证明,大语言模型(LLM)(ChatGPT-4o)在分析病理图像并提供骨肿瘤特征初步诊断方面的熟练程度,与三甲医院医生中的资深病理学家相比,与初级医生相比具有可比性。8,9 然而,将ChatGPT和其他类似软件纳入临床实践仍存在固有局限性。10 实现生成式人工智能在骨生物学中的潜力还可能需要在产生大规模、高质量细胞分辨率空间转录组学数据集、提高当前空间转录组学数据集的灵敏度以及对模型预测进行彻底的实验验证。11

传统组织病理学路径的局限性:

主观性:组织学切片的判读可能因病理学家而异,导致诊断可能存在不一致。

耗时性:组织样本的人工分析是繁琐的过程,需要相当的时间,尤其是在涉及多次活检的复杂病例中。

罕见病变中的复杂性:某些骨疾病表现出细微或模糊的组织学特征,若无专业专长,可能导致误诊。

骨病理学专家短缺:全球骨病理学专家短缺的问题可通过建立信息交流和培训网络以及探索改善肿瘤诊断的替代方案来解决。这将确保欠发达地区的患者能够获得专家的意见,并降低现有专家过度增加工作量而面临倦怠的风险。1,7,8

骨肿瘤检测最佳病理组学工作流程的建议:

图像预处理:对数字化组织学切片进行预处理,以确保图像质量的一致性。这包括调整色彩变化、降噪和归一化。

特征提取:图像分析方法,包括卷积神经网络(CNN),处理图像并提取细胞形状、组织结构及细胞外基质组成等特征。这能够预测细胞分化动态、关联分子与形态学特征,并预测细胞对扰动的反应。11

分类/回归:基于提取的特征,预测模型(如CNN)将活检样本归入诊断类别(如嗜酸性肉芽肿、骨髓炎、良性、骨肉瘤、转移性)或计算样本属于某一疾病类别的风险。这可能应对日益增长的诊断复杂性,包括不断扩展的癌症方案和生物标志物。12

输出解读:AI系统提供诊断输出及置信水平,随后可由病理学家审查以进行验证并加快诊断确认。

质量控制:对大型数据集进行标准化、可重复的分析,适当涵盖所有被检查的疾病状况,且不受其他变量影响,从而实现更好的结果质量控制。这在日常生活中不常遇到的罕见疾病、实验室条件可能引入偏倚的多中心研究,以及缺乏专家进行定期双读和校准的中心尤为重要。AI工具可嵌入病理实验室工作流程中,位于病理学家诊断之前或之后。

上市后监测:用于骨组织病理学的AI工具应监测性能漂移。任何假阴性或假阳性结果均应报告给供应商,以便采取适当措施,必要时重新训练模型(根据现行法规,这可能甚至影响产品的CE标志)。

基于AI的组织病理学算法

为骨活检组织病理学分析开发的AI算法旨在应对特定的诊断挑战。这些算法利用多种深度学习技术,包括CNN、循环神经网络(RNN)和生成对抗网络(GAN)。经过验证的基于AI的组织病理学工具包括:

HistoNet:基于CNN的骨肿瘤分类

HistoNet是一种基于深度学习的算法,用于数字化组织病理学切片中的骨肿瘤分类。13该模型在大量骨活检图像数据集上训练,每张图像均由病理学家标注。HistoNet使用CNN架构提取细胞形态、组织密度和基质组成等特征,用于将肿瘤分类为良性、恶性或转移性。

关键特征:

能够分类多种肿瘤类型,包括骨肉瘤、软骨肉瘤和骨转移瘤。

与数字病理学平台集成,实现无缝临床使用。14,15

为每个分类提供置信度评分,允许病理学家审查AI生成的诊断。

支持创建学术和教育数据库。16

DeepPath:用于骨髓活检和骨转移的AI辅助组织病理学

DeepPath是一个专为分析骨髓活检而设计的人工智能平台,尤其用于诊断影响骨骼健康的血液系统恶性肿瘤和肺转移。17该平台结合卷积神经网络(CNN)和循环神经网络(RNN)来分析骨髓的复杂组织学特征,如细胞量和纤维基质模式。

主要特点:

能够检测白血病和多发性骨髓瘤等造血系统疾病以及肺转移。18

为人工智能驱动的诊断提供可视化解释,突出显示活检切片上的感兴趣区域。

支持与电子病历(EMR)系统集成以实现自动化报告。

推断超分辨率组织结构

由宾夕法尼亚大学佩雷尔曼医学院的研究人员开发,他们认为该技术可以帮助临床医生诊断和更好地治疗原本可能未被发现的癌症。19

主要特点:

能够自动检测称为“三级淋巴结构”的关键抗肿瘤免疫结构,其存在与患者的生存可能性和对免疫治疗的有利反应相关。

为空间转录组学领域的新应用提供了进一步见解,空间转录组学是一个相对较新的领域,用于绘制组织空间内的基因活动图谱。

能够快速分析大规模病理标本队列。在检查团队使用的乳腺癌数据集时,iStar(推断超分辨率组织结构)仅在9分钟内完成了分析。相比之下,最佳竞争人工智能工具花了超过32小时才能产生类似的分析结果。这意味着iStar快了213倍。因此,iStar可应用于大量样本,这在大规模生物医学研究中至关重要,并能在多中心研究中可靠地提供客观的标准化评估。

人工智能辅助放射学

通过肿瘤-正常组织界面定位实现精确肿瘤分割

确定正确的活检区域对于活检成功至关重要。MRI、CT和PET等先进成像技术可以揭示骨骼和软组织的优质细节。然而,确定肿瘤边界可能并不总是容易的,尤其是在浸润性病变中。人工智能可以定位正常组织和肿瘤组织的界面,从而更精确地识别肿瘤边缘并提高活检准确性。20卷积神经网络(CNN)擅长通过学习了区分肿瘤组织与正常骨骼的复杂模式来分割医学图像。表1总结了可用的人工智能模型的代表性示例。CNN能够识别成像数据中的细微特征,例如即使在浸润性病变中也能指示肿瘤边界的强度变化,因为其架构是分层的。体积评估还可能有助于快速评估肿瘤对治疗的反应,以及邻近结构上的局部占位性后遗症。21

基于CNN的U-Net架构在医学图像分割中日益流行。U-Net通过捕捉高维和低维特征,有效突出肿瘤边缘。这使其特别适用于识别骨肿瘤与周围组织之间不明确的边界。研究表明,U-Net的架构在提供准确分割的同时,减少了手动分割时间和主观性。这有助于提高诊断、治疗计划和疾病监测的准确性。此外,U-Net在支持精确活检和帮助避开正常组织方面具有广阔的应用前景。

监督式边缘注意力引导分割网络(SEAGNET)整合了空间注意力机制以改善边界检测,在具有挑战性的病例中提升了这一能力。SEAGNET通过聚焦于最具诊断相关性的区域来描绘肿瘤的散在边缘,实现了较高的Dice相似度评分和改善的分割准确性。22 该技术使放射科医生能够更有信心地界定肿瘤边缘,最终提高活检灵敏度。

骨活检中的影像组学

影像组学是一个新兴领域,通过从医学影像中提取定量特征,将图像转化为数据集,用于高保真感兴趣区域分析。23 定量影像组学数据包括一阶特征、纹理特征和形状特征,以及通过图像滤波(包括小波、高斯拉普拉斯、Gabor滤波器)产生的高阶特征,从而提供骨骼及邻近组织内部结构的更详细视角。24 影像组学数据可通过标准化算法和图像滤波器(手工影像组学)或使用CNN(深度影像组学)来提取。手工影像组学方法因特征的可解释性而应用于绝大多数已发表文献中,而深度影像组学的黑箱性质不利于其广泛应用。25 影像组学超越了人眼辨别整个灰度范围的能力,能够检测组织特异性模式,并提供可用于构建预测模型的高维数据。

在骨骼分析方面,影像组学已应用于成骨性或溶骨性转移瘤的分析、多发性骨髓瘤背景下骨髓的评估、良恶性软骨源性骨肿瘤的鉴别以及化疗反应的预测(图1)。研究发现,影像组学分析能够区分骨岛与成骨性转移瘤,表现优于经验不足的人类阅片者。26 它还被用于溶骨性转移瘤与多发性骨髓瘤病变的鉴别,达到了与肌肉骨骼放射科医生相似的性能。27–29

放射组学识别纹理模式的能力使得区分组织类型成为可能。然而,分类任务需要将放射组学与适合表格数据的机器学习算法相结合。这种机器学习驱动的放射组学分析通常用于放射组学被要求为二分类问题提供解决方案时,例如区分转移灶与原发性骨病变,或区分良性与恶性病变,如非典型软骨肿瘤与软骨肉瘤之间的鉴别。放射组学分析中的分割部分可以通过使用基于深度学习的分割来增强,该步骤始终先于特征提取。这种联合方法使得自动扫描骨骼以检测转移灶成为可能,从而进行后续的特征提取和下游分析。

放射组学分析已被用于多发性骨髓瘤病变的评估,或通过探查单个溶骨性骨髓瘤病灶,或通过进行全骨髓分割和疾病负荷分析。Wennmann等人使用深度学习对全身MRI中的骨髓进行自动分割,随后提取全骨髓放射组学数据。30该数据集成功预测了活检结果,包括高风险细胞遗传学状态和染色体异常。30–32该方法对于冒烟型骨髓瘤的综合评估特别有用,能够实现无创再分期、活检结果和治疗反应预测。能够预测疾病的遗传/生物学特征(如染色体异常的存在)极其重要。这在原发性骨肿瘤病例中也有 demonstrated,其中p53和VEGF的表达可以仅通过放射组学分析来预测。33同样,骨转移灶中EGFR的表达可以通过放射组学分析来预测。34用放射组学探查骨病变也已被证明能成功预测对某些治疗的反应,如骨肉瘤和多发性骨髓瘤对化疗的反应。19,35,36

图1. 放射组学在骨活检中应用的示意图。在影像上识别病变,勾画感兴趣区(ROI)并提取放射组学特征(手工特征或深度放射组学特征),然后对数据集进行分析以提取用于机器学习模型开发的有用特征。这些模型可以执行从疾病检测到治疗结果预测的一系列任务(使用biorender.com创建)。 查看原图 ↗

基于放射组学的多模态数据整合

放射组学数据集的高维特性使其成为与其他类型高维数据整合的理想候选,以提取有关人体组织多层次功能的信息。已有假说认为,将从多个组织功能层面(例如基因、转录本、蛋白质、代谢物)获得的信息相结合,可实现疾病亚型分型、生物标志物识别以及复杂疾病状态的表型分析。37 由于放射组学代表了导致最终影像表型的全部组织功能层面的组合,因此与其他类型组学数据的整合已促成了复杂多变量特征的构建,这些特征通过同时考虑影像表现和疾病的潜在生物学特性来实现疾病表型分析。在骨疾病领域,放射基因组学特征已能够预测骨肉瘤病例对化疗的反应以及转移性疾病的发生。38 正如在其他类型恶性肿瘤中所显示的,放射组学还可与病理组学(源自传统组织病理学的多变量数据)整合,以预测手术切除结局,与仅使用病理组学或仅使用放射组学的方法相比具有更优的性能。未来放射组学与其他类型生物学数据的整合可提高放射组学模型的预测能力,同时揭示生物学与影像特征之间的联系(见表1)。

表1. 人工智能在骨肿瘤中的应用:概述。 查看原表 ↗

人工智能辅助的骨活检导航与引导

准确靶向病灶对于确保获得具有代表性的样本至关重要。对于异质性病灶,应尽可能从多个区域进行活检,以更全面地了解疾病的范围。活检路径的规划应避开神经血管束和邻近重要结构,以尽量减少并发症。必须始终考虑到活检材料存在采样误差,即样本中包含反应性改变的组织。39 如有疑问,必须考虑重复采样。无论采用何种活检方法,都必须避免血肿、邻近积液灶以及神经血管结构或关节的污染。如果确诊为恶性肿瘤,所有被认为受污染的邻近组织随后必须予以切除。

对于疑似原发性肉瘤,活检操作应在专科肉瘤转诊中心进行,并需在多学科骨肿瘤委员会讨论之后,与将实施确定性肿瘤切除术的外科医生共同决定。已有文献报道,由于不当的针吸活检技术导致了本可保肢的病例需要进行更大范围的切除和截肢。活检部位应使用皮肤纹身标记,以便在新辅助化疗后手术时能够识别。40

关于导航,目前骨活检的引导系统包括融合成像与针追踪、电磁导航(图2)以及机器人技术(图3);大量研究表明,使用此类系统对癌症患者进行经皮CT引导骨活检的有效性和安全性。41 Garnon等人在超声引导下联合使用融合成像与针追踪,对7例无皮质破坏的骨病灶进行靶向活检,报告称只要患者和病灶选择适当,该方法在技术上似乎可行。42 Groetz等人在一项动物研究以及3例患者中评估了一种桌面安装式机器人装置,报告称立体定向骨活检准确且简单,避免了针道重新调整的需要。43 Witkowska等人在其研究中回顾性评估了39例患者,这些患者在不同骨骼部位接受了40次骨活检,使用具有转向能力的患者安装式机器人系统,报告称技术成功率高、诊断取材充分且安全性良好。44

这些系统更侧重于导航本身,可减少介入时间和辐射暴露,并实现轨迹和针角度的精确对准,但在操作步骤中对人工智能的使用有限(图—图)。另一方面,已有的混合现实或增强现实设备和软件已被测试用于可视化超声数据和空间导航信息,从而促进更快、更精确的活检操作。45,46 这些实验研究报告称,此类方法可能对任何专业水平的医生都有益。

图2. 一名51岁女性乳腺癌患者,L5混合性病灶,在CT引导下使用电磁导航系统进行经皮活检。请注意计划方法(蓝线,如计划截图中所选)与最终控制截图中活检针实际放置之间的准确性及无欧几里得误差。 查看原图 ↗
图3. 在CT引导下使用桌面安装式机器人系统(micromate/interventional systems)对L4病灶进行机器人辅助活检。 查看原图 ↗

人工智能辅助的报告与工作流程规划

据我们所知,人工智能增强的工作流程尚未正式整合到临床骨肿瘤诊疗路径中——包括骨转移瘤的诊疗路径。多项研究已在模拟、回顾性环境中探索了其潜力,证明其可显著节省成本和时间,并提高准确性。47然而,在认为人工智能可稳健应用于临床实践之前,仍有一些后勤方面的挑战必须解决。人工智能系统在实践中参与的限制因素,如使用意愿、有效整合以及人工智能对培训和监督的影响。48在调查中,患者在大多数临床任务中更倾向于临床医生而非人工智能,并且强烈倾向于在医生监督下应用人工智能。49然而,患者承认人工智能可以帮助医生将最新的科学证据整合到医疗照护中。患者还要求人工智能在医学中的应用应当公开透明并受到管控,以确保临床专家引导工作流程,从而保护患者利益并符合伦理标准。49多个研究团队发表了关于将人工智能整合到临床工作流程中的最佳实践建议(不限于骨肿瘤)。这些建议包括:(1)构建安全可信的系统;(2)为人工智能临床决策支持(AI-CDS)系统制定验证、核实和认证流程;(3)提供国家层面的安全监测和报告手段;(4)确保提供适当的文档记录和终端用户培训。50

将人工智能整合到骨活检中的潜在获益

人工智能可通过整合每位患者特有的多参数、多变量参数,提供更快、更可靠的结果,并通过放射组学纹理分析提供人眼 otherwise 无法实现的额外信息,从而显著增强传统诊断技术。潜在益处包括帮助放射科医生提高对放射学检查临床解读的准确性和信心,改善肿瘤靶向以获取更高的活检阳性率,在良性病变被准确诊断时减少对其进行活检的需要,改善对放疗后存在去分化担忧或治疗耐药肿瘤的再次活检时机。分层算法与标准组织学分级相比表现出更优的准确性,对生存期和转移风险具有更好的预后价值。51 预测可用于制定评分系统,使临床医生之间能够标准化沟通,并比较各种治疗方案以评估疗效。52 骨转移的成像依赖于先进的复杂三维成像模式,包括CT、MRI、SPECT-CT和PET。这些模式并非总是可行,因为成本高、采集时间长以及获取正电子发射药物的复杂后勤问题,尤其是在欠发达国家或短缺时期。肿瘤的分割和准确表征有可能减少诊断错误,并在繁忙的临床环境中提高诊断速度。近期研究评估了人工智能在平面骨扫描上改善骨转移诊断的能力,平面骨扫描相对更便宜且在某些环境中更广泛可用。53 多项评估人工智能算法与放射科医生表现对比的研究表明,其表现超过放射科住院医师或普通放射科医生,并与接受专科培训的放射科医生相当。54 这可能在专家肿瘤放射科医生稀缺的偏远地区提供额外支持,并可能通过双重阅片减轻繁忙肿瘤科室的压力,降低专家放射科医生职业倦怠的风险。Xu等人展示了人工智能工具可对肿瘤坏死率进行分层,作为化疗效果的指标,应用于不同化疗阶段的X射线图像。55 坏死率范围为0%至100%,在医学领域90%通常被视为阈值点,对骨肿瘤的后续治疗特别有用。56 该分类模型将化疗效果随时间的变化与X射线图像上的特征性变化相关联。这有可能减少评估化疗反应所需的间隔骨活检。

人工智能在骨活检中的局限性

局限性包括由于现有工具的缺陷而导致初始采用迟缓,这阻碍了其被广泛整合到病理学家的决策过程中。评估与人工智能相关的预后研究的局限性与本患者队列中的其他研究相似。大型数据集在质量和全面性方面存在局限性,尤其是在罕见疾病中。57 对于表现为转移性骨病(TNM 评分中的 4 期)的患者,总生存期较差,且许多患者失访,从而限制了验证生存预测模型的时间窗口。关于将人工智能整合到日常工作流程中对患者的长期获益、在真实世界人群及所有族裔群体中的普适性、算法在中级别和未分化或异质性肿瘤中的稳健性,仍然存在担忧。58 影像组学的应用仍受限于小型数据集、影像组学分析需要相关专业知识的手工性质、缺乏与 PACS 系统的整合,以及放射科医生对使用他们并不完全熟悉的方法的犹豫。

迄今为止,只有少数应用获得了 FDA 的正式批准以及 CE 或 UK 标志并可商业获得。即使是已获得的 CE 标志产品也缺乏适当的科学证据支持,降低了最终用户(病理学家和放射科医生)的信任,进而降低了 MSK 肿瘤 MDT 的更广泛使用。59 局限性包括由于现有工具的缺陷而导致初始采用迟缓,这阻碍了其被广泛整合到病理学家的决策过程中。评估与人工智能相关的预后研究的局限性与本患者队列中的其他研究相似。对于表现为转移性骨病(TNM 评分中的 4 期)的患者,总生存期较差,且许多患者失访,从而限制了验证生存预测模型的时间窗口。关于将人工智能整合到日常工作流程中对患者的长期获益、在真实世界人群及所有族裔群体中的普适性、算法在中级别和未分化或异质性肿瘤中的稳健性,仍然存在担忧。

局限性还包括与使用新技术相关的成本影响、大多数中小型公司在当前大多数医疗保健模式面临财务挑战的情况下尽管其软件质量看似有前景却仍未能实现财务可持续性的生存挑战,以及最后但同样重要的是对世界欠发达地区患者的偏见,在这些地区此类技术可能无法获得。最后但同样重要的是,在假阴性或假阴性诊断情况下用户的责任仍然是人工智能在肌肉骨骼肿瘤学和放射学中广泛实施的重要障碍。欧盟新发布的人工智能法案不涵盖责任问题,也尚未将医学影像视为医学人工智能的特定情形。60

未来方向

需要创建一种积极的文化,使得能够在日常实践的同时对包括人工智能在内的新技术进行稳健的评估研究,以安全、客观地评估准确性、稳健性并减少算法的局限性。这能够使人工智能模型在真实世界数据上得到改进。

使用联邦学习在大数据集上进行多中心试验可能有助于推动人工智能在患者护理中的应用。将基于影像的放射组学与生物学组学(基因组学、转录组学、蛋白质组学、代谢组学)、临床生物标志物和人口统计学特征相结合,可显著提高放射组学模型的性能,允许提取多种表型,从而改善该软件在临床实践中的适用性。61

结论

用于骨活检的人工智能技术具有巨大潜力,可通过减少错误、提高安全性、改善可重复性并促进专家沟通来改进实践,而所有这些在传统技术下此前都难以实现,且仅限于专家专科单位。人工智能应用的创新应具备可负担性、实用性、互操作性、可解释性、符合伦理、可推广性、可管理性、可审计性和可报销性。在个性化医疗时代,来自转移灶的优质标本在原发性骨转移事件发生时以及疾病进程后期都至关重要。在不久的将来,研究可能会带来更多创新的靶向治疗。对同一标本进行多种检测的需求日益增加,凸显了优化活检靶点选择、活检技术和标本处理的必要性。此外,人工智能将有助于对来自临床档案、放射学、活检操作、病理学和新一代检测的输入数据进行分类和分析,以改善个性化医疗中的结局,并作为个体化医疗的裨益。

引用

  1. Isaac A, Klontzas ME, Dalili D, et al. Revolutionising osseous biopsy: the impact of artificial intelligence in the era of personalized medicine. Br J Radiol. 2025. PMID: 39878877. doi:10.1093/bjr/tqaf018
  2. 全文:PMC12089761(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12089761/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。