文献速递腹部介入技术与安全CTMR

人工智能对结直肠癌肝转移外科与消融治疗的影响:当前文献综述

The influence of AI on surgical and ablative treatments for colorectal liver metastases: a review of the current literature.
PubMed 文献 · Insights Imaging · 2025-11-12

本范围综述检索PubMed、EMBASE、Web of Science和SCOPUS,纳入13项队列研究或临床试验,评估AI在结直肠癌肝转移手术或热消融中的影响。多数研究使用传统机器学习联合影像组学建模,性能较高但样本量小、机器学习技术常缺乏稳健性,作者认为AI决策支持工具仍需进一步发展。

要点

  • AI在CRLM局部治疗中的定位尚未确立,算法多用于预测建模和图像配准。
  • 研究常缺乏有效性验证,限制AI支持工具的泛化与实施。
  • ABLATION MARGIN 0 mm为局部进展的独立预测因子,亚分布风险比23.3(95%CI 10.8–50.5)。

核心结论

  • AI在改善CRLM局部治疗策略方面显示出有前景的结果,但AI决策支持工具仍需进一步进展。
  • 未来研究应聚焦大型多中心研究以验证AI驱动的个体化CRLM治疗策略。

研究设计与样本

  • 范围综述,遵循PRISMA-ScR指南,于2024年10月15日检索PubMed、EMBASE、Web of Science和SCOPUS,最终纳入13项队列研究或临床试验。
  • 纳入标准为诊断为CRLM并接受肝脏手术或热消融、使用AI构建预测模型或用于临床决策的患者。
  • 8项研究关注热消融,5项研究关注手术切除;多数研究使用支持向量机和随机森林等传统机器学习联合影像组学建模。

关键影像表现/征象

  • 混合W-net模型对CRLM靶病灶的平均DSC为0.80,对靶消融区的平均DSC为0.75。
  • 混合W-net对直径≥15 mm病灶的平均DSC为0.74、敏感度98%,对直径<15 mm病灶的平均DSC为0.16、敏感度23%。
  • DIR与RIR评估MAM分别为4.7 mm与4.0 mm(p=0.08),两者无差异。
  • DIR预测残留肿瘤组织和1年LTP的AUC-ROC为0.89(95%CI 0.83–0.94),优于RIR的0.72(95%CI 0.61–0.83)(p<0.001)。
  • MAM 0 mm为LTP的显著独立预测因子,亚分布风险比9.3(95%CI 4.1–20.8,p<0.001)。

诊断标准与关键数值

  • Lin等研究中,经DIR联合自动分割确认的MAM 0 mm为局部疾病进展的显著独立预测因子,亚分布风险比23.3(95%CI 10.8–50.5,p<0.001),最佳最小消融边界为5 mm。
  • Paolucci等多中心验证中,MAM≥5 mm者占33%,3年内局部疾病进展占20%;MAM预测3年内局部疾病进展的AUC-ROC对术中影像为0.92(95%CI 0.86–0.98),对围手术期影像为0.77(95%CI 0.69–0.85)。
  • Hu等影像组学列线图预测MWA后3年LTP,训练队列ACC=96%、AUC=0.95,验证队列ACC=85、AUC=0.89。
  • Shahveranova等phase-2联合模型预测LTP的AUC=0.98(95%CI 0.95–0.99),为各模型最高,未进行外部验证。
  • Della Corte等COMB-T1预测LTP无生存的AUC=0.98(p<0.001),COMB-T2的AUC=0.95(p<0.001),未进行外部验证。

临床应用与阅片要点

  • AI算法在CRLM局部治疗中主要用于预测模型构建和图像配准。
  • 作者认为,联合模型对复发、肿瘤进展或生存的预测价值优于单独临床或影像组学模型。
  • Taghavi等模型验证时预测性能低,可能提示机器学习模型具有人群特异性。
  • 作者指出,这些模型在临床实践中的附加价值及AI/ML对治疗选择决策过程的辅助作用尚未明确阐述。

局限性

  • 多数研究样本量小,机器学习技术常缺乏稳健性。
  • 研究常缺乏有效性,限制AI支持工具的泛化与实施。
  • 纳入研究多为小样本单中心研究,需要多中心研究。
  • 除Anderson等外,所用AI方法主要为传统机器学习联合传统影像组学,单个影像组学特征可能信号和预测价值很低。
  • 没有任何研究进行稳定性或稳健性检验,报告的feature p值缺乏这一必要验证。
全文中译10 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:Insights Imaging. 2025 Nov 12;16:253. doi: 10.1186/s13244-025-02072-9

引言

结直肠癌是全球第三大最常见被诊断的癌症[1, 2]。肝脏是最常见的转移部位(25–50%)[3–5]。对于结直肠癌肝转移(CRLM)患者,手术切除仍被认为是当前治愈性治疗的标准[6, 7]。

近年来,出现了替代性微创治愈性治疗,如射频消融(RFA)和微波消融(MWA)。这些热消融(TA)技术已被证明在(局部)技术成功和临床成功以及改善总生存期方面有效,尤其是应用于≤ 3 cm的肝脏肿瘤时[6]。局部肿瘤进展(LTP)仍然是一个挑战[8]。因此,预测CRLM切除或TA后的LTP可能对后续治疗决策至关重要[9]。尽管CRLM的治疗选择取得了进展,但实现最佳临床结局仍然具有挑战性。

CRLM的管理需要多学科方法[10, 11]。一项研究表明,尽管临床医生对预定治疗策略表现出高确定性(84%),但治疗策略的改变仍发生在36%的病例中,其中72%的改变为重大改变,导致多学科会议后初始治疗发生变化[12]。这可能归因于对患者偏好的日益重视,从而导致更个性化的治疗策略。开发精准医学的个性化方法来优化患者的生存和生活质量可能具有挑战性。克服这些挑战的一种方法是借助人工智能(AI),更具体地说,是机器学习(ML)。近年来,AI在医疗保健中的实施因其在改善诊断、患者选择、治疗计划和临床结局以及支持临床决策方面的潜力而受到越来越多的关注。

AI涵盖能够模拟和模仿人类智能的技术和应用,并分为ML和深度学习等子领域[13, 14]。ML包括从数据分析中学习的算法,可用于开发预测或决策模型[13]。深度学习是ML的一个分支,利用多层算法,可以模拟人脑的复杂决策能力,而无需人工干预。它在检测恶性肿瘤、放射学图像以及精准医学开发个性化治疗方面已显示出有前景的结果[15–17]。这些模型可以从临床数据、从医学图像提取的数据(影像组学)或直接从医学成像中学习,这可能支持临床实践中的循证决策。在CRLM管理中,这些AI算法可能提高影像解读的准确性,帮助优化局部治疗策略,提供预测工具以深入了解治疗结局,并在个体患者层面支持临床决策。因此,它可能有助于克服CRLM管理中的当前局限性,并产生更个性化和有效的治疗策略。然而,临床获益尚未明确证明,也尚未在CRLM患者中得到验证。

本综述旨在评估人工智能(AI)模型,特别是基于机器学习(ML)、深度学习和影像组学的模型,在结直肠癌肝转移(CRLM)患者的手术或局部消融(TA)治疗中的应用现状。本综述将深入探讨将AI整合到CRLM管理中相关的潜在益处和挑战。

材料与方法

检索策略

本综述按照系统评价和荟萃分析扩展范围综述首选报告项目(PRISMA-ScR)指南(附录1)[18]进行。于2024年10月15日(A.V.)在PubMed、EMBASE、Web of Science和SCOPUS上进行了全面的文献检索。检索策略涉及与研究问题相关的术语。评估了以下医学主题词(MeSH)和关键词:人工智能、机器学习、结直肠癌肝转移、结肠肝转移、局部治疗、手术和肝脏消融。最终检索算法见附录2。

研究选择

符合条件的研究为:(1)诊断为CRLM的患者,(2)接受肝脏手术或TA,(3)使用AI构建预测模型,(4)AI用于临床决策。仅考虑队列研究和临床试验。关于AI,如果文章报告了ML技术(例如支持向量机(SVM)、随机森林)以及(如适用)深度学习技术(例如卷积神经网络(CNN)和Transformer),则纳入。病例报告、(系统)综述、会议摘要、致编辑的信以及以非英语语言撰写的文章被排除。接受全身治疗的参与者的研究也被排除。所有数据库的检索结果导入Endnote v21.1。去除重复后,文章通过Endnote导入Rayyan。两位评价者(A.V.和R.K.)以双盲方式筛选文章。还筛选了纳入研究的参考文献列表以识别符合条件的文章。如有分歧,通过讨论达成共识,必要时咨询第三位评价者(C.L.)。

数据提取

由A.V.使用预先设计的数据提取表提取以下变量的数据:研究人群、治疗策略以及用于结局的模型类型(临床、影像组学或联合)。提取模型中使用的临床或影像组学参数(如适用)以及用于主要结局的测量指标。纳入的文章根据局部治疗策略进行分类。关于AI,从文章中提取所使用的技术或模型。技术分为:配准、分割、分类或生存/回归。临床结局定义为治疗反应、局部肿瘤复发、疾病复发和生存。对于预测性临床、影像组学或联合模型,提取以下结局:曲线下面积(AUC)、灵敏度、特异度、阳性预测值、阴性预测值、模型准确率、一致性(C)指数、生存结局,对于影像组学,还包括成像方式和特征。

结果

研究选择

检索策略在去除重复文献后得到 n = 1464 篇文章。在根据标题或摘要排除 1440 篇文章后,共有 n = 24 篇文章接受了全文筛选。此外,n = 11 篇文章因对所用人工智能(AI)模型报告不充分(n = 5)、仅有摘要(n = 4)以及无法获取文章全文(n = 2)而被排除。最终,n = 13 篇文章被纳入本综述(图 1),其中 n = 8 篇聚焦于经皮消融(TA),n = 5 篇聚焦于手术 [19–31]。表 1 显示了纳入文章的详细信息、所采用的 AI 方法以及所描述的结果测量指标。

图 1 研究选择流程图 查看原图 ↗
表 1 本综述纳入的文章 查看原表 ↗

肝脏热消融

在接受 TA 的患者中,AI 技术被用于开发针对局部肿瘤进展(LTP)、新发结直肠癌肝转移(new CRLMs)以及影像上消融区分割的预测模型。纳入的 7 项研究是在单中心环境下回顾性进行的 [19–21, 23–26]。1 项研究为多中心回顾性队列研究 [22]。

MD安德森癌症中心的四项研究聚焦于利用CT图像对结直肠癌肝转移(CRLM)患者消融区量化进行自动分割[19–22]。Anderson等人研究了四种基于全卷积神经网络(CNN)的模型,用于识别和分割CRLM及消融区[19]。这些模型在92例患者上进行训练,其中72例患者纳入训练模型队列,20例患者纳入来自肝脏肿瘤分割(LiTS)挑战赛的验证队列[32]。评估队列包括来自3D-IRCADb数据集的15例患者[33]、来自该机构的18例患者以及来自LiTS挑战赛的70例患者[32]。训练效果最佳的模型是混合W-net,其在CRLM目标病灶部位(平均Dice相似系数(DSC)= 0.80)和目标消融区(平均DSC = 0.75)方面均表现出良好性能。对于直径≥ 15 mm的病灶,模型性能优于直径< 15 mm的病灶(平均DSC分别为0.74对0.16,敏感性分别为98%对23%)。Lin等人研究了基于人工智能的可变形图像配准(DIR)联合CT成像自动分割用于消融边缘量化及其与经皮消融(TA)后1年和2年疾病进展的关联[20]。共纳入124例接受射频消融(RFA)或微波消融(MWA)治疗的患者(n = 69例女性;平均年龄 = 57(标准差 ± 12)岁),共计213个CRLM。在整个研究人群中,45%实现了消融边缘≥ 5 mm。消融边缘为0 mm被确定为局部疾病进展的显著独立预测因素,联合使用DIR和自动分割时,其亚分布风险比为23.3(95% CI:10.8–50.5,p < 0.001)。DIR和自动分割均能够识别存在局部疾病进展风险的结直肠癌肝转移(CLRM),最佳最小消融边缘(MAM)为5 mm。Lin等人进行的另一项研究探讨了CT成像上DIR与刚性图像配准(RIR)在MWA或RFA后MAM量化中的比较,及其对TA后1年和2年局部肿瘤进展(LTP)的影响[21]。共纳入72例患者(n = 28例女性;平均年龄 = 57(标准差 ± 12)岁),共计139个CRLM。该研究表明DIR与RIR在MAM评估方面无差异(分别为4.7 mm对4.0 mm;p = 0.08)。对于预测残留肿瘤组织和1年LTP,DIR表现优于RIR,受试者工作特征曲线下面积(AUC-ROC)分别为0.89(95% CI:0.83–0.94)对0.72(95% CI:0.61–0.83)(p < 0.001)。与先前研究[20]类似,MAM为0 mm被量化为LTP的显著独立预测因素,亚分布风险比为9.3(95% CI:4.1–20.8,p < 0.001)。Paolucci等人进行了一项后续回顾性多中心研究,以验证Lin等人[20]开发的DIR联合自动分割所先前确定的5 mm MAM,用于接受RFA或MWA治疗CRLM的患者[22]。共纳入243例患者(n = 98例女性;中位年龄 = 62(范围:54–70)岁),共计400个消融的CRLM。33%实现了MAM ≥ 5 mm,所有机构中3年内观察到20%的局部疾病进展。术中成像和围手术期成像通过MAM预测3年内局部疾病进展的AUC-ROC分别为0.92(95% CI:0.86–0.98)和0.77(95% CI:0.69–0.85),表明经DIR和自动分割确认的MAM ≥ 5 mm具有良好的肿瘤学结局。

Hu等人开发了一种包含临床信息的影像组学列线图,用于预测在回顾性单中心环境中因肝切除术后复发结直肠癌肝转移(CRLM)而接受微波消融(MWA)治疗的患者3年后的局部肿瘤进展(LTP)[23]。影像组学特征从经动脉治疗(TA)前1个月采集的CT图像中提取。机器学习(ML)被用于设计临床模型、影像组学模型以及整合临床和影像组学特征的联合模型。支持向量机(SVM)用于模型分类,贝叶斯超参数优化用于模型性能优化。临床特征概述见表1。队列被分为由216例患者(n = 74例女性;平均年龄 = 62(标准差 ± 11)岁)组成的训练队列,共315个病灶,以及由102例患者(n = 35例女性;平均年龄 = 61(标准差 ± 10)岁)组成的验证队列,共140个病灶。基于影像组学的列线图在训练队列(ACC = 96%;AUC = 0.95)和验证队列(ACC = 85;AUC = 0.89)中均表现出较高的预测性能,优于单独的影像组学模型和临床模型。

Shahveranova等人开发了一种基于临床特征和MRI影像组学特征并结合机器学习方法(未具体说明)的联合模型,用于在回顾性单中心设计中预测MWA后3或6个月随访时的LTP[24]。人群包括42例患者(n = 16例女性;平均年龄 = 55.4(标准差 ± 10.0)岁),共67个病灶。开发了临床模型、影像组学模型和两个联合模型,其中一个由T1脂肪抑制序列组成(第1阶段),另一个由T2脂肪抑制序列组成(第2阶段)。临床模型包括肝外疾病状态、肿瘤大小和CA19-9。与其他模型相比,第2阶段联合模型在预测LTP方面具有最高的判别性能(AUC = 0.98;95% CI:0.95–0.99)。未进行外部验证。

另一项探讨术前MRI影像组学特征预测价值的研究由Della Corte等人开展,针对CRLM患者MWA后的无LTP生存期[25]。采用基于机器学习自举法的排序方法开发预测模型。遵循TRIPOD指南的内部验证标准对模型进行检验[34]。共纳入43例患者(n = 18例女性;平均年龄 = 69岁),共76个CRLM。开发了以下预测模型:由MAM、段内进展和肿瘤分级组成的临床模型(CLIN-1),由T2序列(RAD-T2)和T1肝胆期序列(RAD-T1)影像组学特征组成的影像组学模型,以及分别根据T1肝胆期和T2序列构建的两个联合模型(COMB-T1和COMB-T2)。所有四个模型均有效预测了无LTP生存期,其中COMB-T1(AUC = 0.98,p值 < 0.001)和COMB-T2(AUC = 0.95,p值 < 0.001)达到最高预测价值。这些模型未进行外部验证。

Taghavi 等人在一项回顾性单中心研究中探讨了消融前 CT 图像的影像组学特征能否预测经皮消融(TA)后新发结直肠癌肝转移(CRLM)[26]。研究人群被分为训练队列(65 例患者;n = 29 例女性;平均年龄 = 60(标准差 ± 10)岁)和验证队列(29 例患者;n = 8 例女性;平均年龄 = 63(标准差 ± 11)岁)。首先,使用了该研究团队先前发表的、基于影像组学开发的用于预测消融后 6 个月新发 CRLM 的原始模型 [35]。随后,利用机器学习(ML)开发了三个新模型:临床模型、影像组学模型和联合(临床与影像组学)模型。分类模型采用随机森林构建,并在训练集中使用贝叶斯超参数优化进行超参数调优。“原始”模型预测性能较低,6 个月的 AUC 为 0.57(95% CI:0.56–0.58),24 个月的 AUC = 0.52(95% CI:0.51–0.53)。新开发的模型在预测新发 CRLM 方面同样显示出较低的准确性。在训练集中,6 个月时联合模型的表现(AUC = 0.60;95% CI:0.59–0.61)略优于影像组学模型(AUC = 0.57;95% CI:0.56–0.58)和临床模型(AUC = 0.55;95% CI:0.53–0.54)。对于 24 个月,联合模型和影像组学模型在训练集中均显示出良好的准确性(AUC = 0.76;95% CI:0.75–77)。然而,原始模型和新模型在用于验证集时,在两个随访时间点的准确性均较低(AUC = 0.53–57)。

六项研究表明,人工智能驱动的模型在预测治疗结局方面具有高性能。在美国德克萨斯大学 MD 安德森癌症中心开展的四项研究聚焦于消融区的自动分割和变形图像配准(DIR),并显示人工智能模型在靶病灶定位和消融边缘确认方面具有良好的性能 [19–22]。这一点也在一个多中心回顾性中心中得到证实,显示 5 mm 的最小消融边缘(MAMs)可获得最佳的肿瘤学结局。对于局部肿瘤进展(LTP),联合模型对 LTP 的预测性能优于单独的临床模型或影像组学模型。Della Corte 等人、Hu 等人和 Shahveranova 等人观察到高准确性(AUC:0.95–0.98)[23–25]。Taghavi 等人的模型在验证时显示出较低的预测性能,这可能提示机器学习模型可能具有人群特异性 [26]。

手术切除

在五项关于结直肠癌肝转移(CRLM)手术治疗的回顾性研究中,人工智能被用于利用临床数据和/或影像组学特征进行预测建模 [27–31]。

Granada 等人在 2022 年开展了三项回顾性研究,探讨使用基于术前 MRI 的影像组学结合机器学习(ML)方法预测临床结局(复发、肿瘤前沿(膨胀性生长 versus 浸润性生长)、黏液型以及肿瘤出芽(高级别 versus 低级别,或无))[27–29]。使用 SVM、k 近邻(KNN)、人工神经网络(NNET)和决策树等 ML 算法进行模式识别技术用于模型构建。在这三项研究中,均纳入了相同的队列,包括 81 例患者(n = 28 例女性;中位年龄 = 61(范围:35–82)岁)和 151 个病灶。在训练模型中,纳入了 51 例患者(n = 18 例女性;中位年龄 = 61(范围:35–82)岁)和 121 个病灶。外部验证队列由 30 例患者(n = 10 例女性;中位年龄 = 60(范围:40–78)岁)和 30 个结直肠癌肝转移(CRLM)组成。作者使用了相同的 851 个影像组学特征。在一项初步研究中,使用传统 ML 和深度学习结构在术前多期 MRI 上预测肝切除术后患者的四种临床结局 [27]。考虑到提取的影像组学特征用于临床结局,影像组学模型表现出高性能,尤其是在动脉期(准确率:0.89–0.94) compared to 门静脉期(准确率:0.83–0.92)。每种结局的最佳性能均由 KNN 分类器达到。同一研究团队还评估了通过术前 T2 加权 MRI 序列获得的影像组学特征的功效 [28]。性能最佳的模型对上述所有四种临床结局显示出 82% 至 92% 的准确率。关于 ML 方法,对肿瘤生长区分的最佳性能由决策树达到,而对肿瘤出芽、黏液型和复发存在的区分最佳由 KNN 达到。此外,还研究了基于钆塞酸二钠增强(EOB)MRI 的影像组学特征在临床结局预测模型中的效用 [29]。最佳影像组学特征准确率范围为 81% 至 89%。线性回归在每个临床结局中均获得良好结果,准确率范围为 72% 至 89%。采用模式识别方法时,每个临床结局的最佳性能均由 KNN 达到,准确率 ≥ 80%。

2020年,Paredes等发表了一项回顾性多中心研究,旨在为接受根治性肝切除术的结直肠癌肝转移(CRLM)患者开发基于临床特征的复发预测模型[30]。模型设计队列包括703例患者(n = 286例女性;中位年龄 = 60.5(范围:52.0–68.0)岁),验证队列也包括703例患者(n = 271例女性;中位年龄 = 61(范围:53.1–68.0)岁)。最终开发的预测模型基于表1中概述的临床特征。其中一个模型纳入了已知的Kirsten RAS(KRAS)状态。预测模型构建采用bootstrap重采样方法结合多变量混合效应逻辑回归分析。不含KRAS状态的模型在验证队列中显示出预测1年、3年和5年随访复发风险的能力,AUC-ROC分别为0.65(95% CI:0.64–0.66)、0.66(95% CI:0.65–0.67)和0.66(95% CI:0.65–0.67)。含KRAS状态的替代模型在验证队列中显示出预测1年、3年和5年随访复发风险的能力,AUC-ROC分别为:0.64(95% CI:0.64–0.63)、0.66(95% CI:0.66–0.67)和0.67(95% CI:0.66–0.67)。两个模型均与现有的Fong-Blumgart[36]和Vauthey[37]CRS进行了比较,显示出比这两种现有评分更准确的预测性能。

Montagnon等分析了一个前瞻性维护的登记数据库,纳入接受全身化疗和根治性手术治疗结直肠癌肝转移(CLRM)的患者,以比较治疗前CRS、基于CT影像的放射组学模型以及放射组学与CRS联合模型在预测复发时间和疾病特异性生存方面的性能[31]。CRS使用与Fong-Blumgart[36]CRS相似的术前数据计算。放射组学特征从731个手动分割的CRLM的治疗前CT扫描中提取。采用Scikit-Survival[38]软件包中的随机生存森林和DeepSurv[39]中的神经网络生存模型等机器学习(ML)算法进行模型开发。研究人群包括241例患者(n = 86例女性;平均年龄 = 62.9(SD ± 9.5)岁)。基于放射组学的模型(包括CRS)在预测复发时间方面优于传统CRS,DeepSurv的C-index为0.70(95% CI:0.68–0.73),随机生存森林为0.61(95% CI:0.60–0.61),而单独CRS的C-index为0.57(95% CI:0.57–0.57)。在疾病特异性生存预测中,CRS、DeepSurv联合CRS、随机生存森林联合CRS的C-index分别为0.59(95% CI:0.59–0.59)、0.60(95% CI:0.58–0.61)、0.57(95% CI:0.56–0.57)。未进行验证。

这些研究表明,通过ML技术开发的临床模型以及基于CT和MRI的放射组学模型具有预测CRLM手术切除后复发的潜力。基于放射组学的模型性能优于单独临床模型。然而,仅有一项研究使用临床特征进行模型开发[30]。此外,这些模型在临床实践中的附加价值以及人工智能/机器学习(AI/ML)在治疗选择决策过程中的辅助作用尚未明确阐述。

讨论

本综述总结了在结直肠癌肝转移(CRLM)患者治疗路径中使用人工智能(AI)技术的研究结果。讨论了用于开发CRLM经导管消融(TA)和手术切除预测模型的不同AI模型。这些模型利用了临床信息、影像数据(包括CT和MRI)以及遗传数据。十项研究表明,使用AI开发的预测模型在CRLM患者的临床结局方面表现出高性能[19, 20, 23–25, 27–31]。更重要的是,当开发用于复发、肿瘤进展或生存的联合模型时,预测价值有所提高。

除Anderson等[19]外,这些文章中所使用的AI方法主要采用传统机器学习(ML)技术,如SVM、KNN、NNET、随机森林和决策树。这些技术通常与传统的影像组学相结合,后者使用预定义的“手工 crafted”特征来试图描述医学图像。这种方法的一个局限性在于,每个单独的影像组学特征可能包含很少的信号和预测价值。这需要大量的稳定性测试,以确保所识别出的“获胜”特征即使在数千次bootstrap重采样迭代后仍保持排名靠前。不幸的是, none of the studies performed stability or robustness tests, and the reported feature p-values lack this essential validation. 此外,与分析的特征数量相比,样本量通常相对较小,这可能导致误导性和过于乐观的结果。因此,从这些研究中得出的任何结论都应谨慎对待。相比之下,如Anderson等[19]所讨论的较新的基于深度学习的AI模型,在提供医学图像的全面和预测性分析方面具有成熟的能力。然而,其机制通常是所谓的“黑箱”,这可能对临床解释和外部验证构成问题,高级影像组学特征也是如此,这些特征对大多数临床医生来说可能同样难以理解,也可能缺乏稳定性。最近为使基于深度学习的AI方法更具可解释性所做的努力有助于解决这种“黑箱”性质,但在将现代AI方法应用于CRLM诊断和治疗的预测目的方面,仍有很大的改进空间。

近年来,利用影像组学构建预后模型引起了人们的兴趣[40–42]。影像组学的一个显著优势在于其能够在亚区域层面分析肿瘤特征,发现人眼无法评估的特征。这种方法可能有助于早期发现新发的结直肠癌肝转移(CRLM)、局部复发或消融边缘不充分。人工智能驱动的方法在提取和分析从CT和MRI图像中获取的特征方面显示出有前景的结果[21–29, 31]。然而,这些研究在用于预测建模的成像模态、治疗计划时间线中特征提取的时间点、特征提取方法以及使用人工智能策略进行预测模型开发方面表现出差异性。此外,已开展的研究往往缺乏外部验证,这严重限制了所开发预测模型的泛化性及其临床可接受度。目前缺乏提取影像组学特征的标准化工作流程,这可能导致人工智能驱动预测模型在不同临床环境中的性能存在差异。此外,由于CT和MRI在CRLM检测和病灶表征方面的敏感性不同,两种模态提取的影像组学特征可能存在差异[43]。因此,标准化的数据收集方法和报告指南对于确保临床环境中的可重复性和适用性是必要的。举例来说,许多研究不符合TRIPOD、CLAIM和DECIDE等报告指南[34, 44, 45]。TRIPOD指南仅在Paredes等和Della Corte等的研究中被使用[25, 30, 34]。此外,鉴于这些研究中常见的样本量较小和参与机构数量有限,模型中存在偏倚风险。因此,未来研究可考虑使用PROBAST工具进行风险评估[46, 47]。

AI支持工具在临床实践中显示出有前景的结果,但一些挑战仍需解决。如前所述,“黑箱”性质可能阻碍AI融入临床实践,因为临床医生可能无法理解AI算法所做的决策或预测[48, 49]。这些模型的可解释性很重要,以便AI支持系统能够被理解。为克服这一挑战,应由不同领域专家(例如(生物)医学、法律、计算机科学、社会经济学和患者倡导)组成的多学科团队协作开发和验证AI算法。这将有助于识别CRLM工作流程中的当前障碍,并使AI工具与临床需求保持一致,最终实现个性化医学方法[50]。通过整合临床和影像学数据,AI算法可能预测患者特异性复发风险,促进(实时)消融区,并最终减少再次消融或无效治疗的数量。在若干预后因素中,消融边缘是影响复发风险的最关键因素,因为消融边缘不足已被证明是LTP的独立危险因素[20, 21, 51–53]。这在MD Anderson的研究中也得到证明,其中通过基于AI的自动分割和生物力学DIR进行术中实时消融边缘量化,使得能够对MAM进行精确的3D评估[19–22]。为了更准确地预测复发风险并量身定制患者护理,纳入额外的肿瘤特异性特征也至关重要,包括组织病理学和影像学特征。一个最佳的预测框架应综合多模态数据,涵盖手术相关参数(例如消融边缘),以及患者和病灶特异性特征。这种全面的整合将促进精确、个体化的预后和治疗指导。AI工具的此类增强有望改善临床结果,同时提高成本效益。由于AI是一个快速发展的领域,拥有最新知识和设施以与新兴技术、现有伦理规范和临床实践保持同步非常重要。鉴于创新的步伐,当前证据和方法学可能很快变得不完整或过时。尽管现有证据不会过时,但AI创新的动态性质和模型性能的潜在改进强调了持续评估的重要性。其次,纳入的研究使用不同的结局参数、AI技术和验证方法来评估一种治疗的可预测性。目前,预测模型的开发是为了评估临床结局,例如诊断为CLRM的患者的生存和并发症,而不是指导患者选择或为治疗策略提供信息。对于肝细胞癌患者,Choi等人开发了一种基于ML的临床决策模型[54]。在这项回顾性研究中,为1021例肝细胞癌患者的不同治疗策略开发的临床决策支持系统表现出良好性能,RFA或切除与非治愈性治疗相比的准确率为81.0%,RFA与切除相比为88.4%,经动脉化疗栓塞与其他治疗选择相比为76.8%。然而,在一项最近的多中心研究中,该模型在该研究中进行外部验证,外部数据集中第一种治疗选择的准确率降至55.3%[55]。当纳入第二种治疗选择并将其视为正确答案时,外部数据集中的准确率提高至86.1%。作者将仅第一种治疗选择的低准确率归因于不同中心治疗选择的异质性以及两个数据集的回顾性性质。Han等人的另一项研究开发了一种ML算法,有助于晚期肝细胞癌的治疗选择,并可预测6、12和24个月的生存,显示AUC-ROC ≥ 0.80[56]。这些研究表明,AI可在临床决策和患者选择的支持工具中发挥重要作用;然而,两项研究均未在其模型中纳入影像组学特征。由于肝细胞癌在组织病理学上不同于CRLM,且患者特征也有所不同,这些模型不能直接转用于CRLM患者。

据我们所知,目前尚未针对结直肠癌肝转移(CRLM)患者开发出基于人工智能的临床决策模型。为解决这一问题,需要开展大型(国际)多中心研究并建立多中心验证队列,正如Paolucci等和Paredes等所开展的研究[22, 30]。目前正在进行的关于热消融(TA)的大型国际多中心队列研究/注册研究,题为“消融成像与先进引导用于介入肿瘤学工作流程优化”(A-IMAGIO),预计将有助于该领域的知识积累(clinicaltrials.gov ID: NCT06179602)。在该研究中,将收集肝细胞癌、CRLM及其他继发性肝脏肿瘤患者的临床和影像组学数据。将开发人工智能引导的计算模型,以帮助指导个性化治疗决策、优化治疗计划并识别有复发风险的患者。

本综述存在一些局限性。首先,由于纳入文章在统计分析、模型构建方法、局部肿瘤进展(LTP)或复发的不同时间点以及研究目的等方面所讨论的结果存在异质性,无法进行荟萃分析或统计分析。其次,大多数研究利用影像组学特征来开发预测模型,很少甚至没有考虑其他数据来源,如基因组数据、临床决策支持系统以及在人工智能辅助下的治疗计划。这导致所分析的建模技术存在不均衡,限制了本综述的全面性。第三,大多数纳入研究的测试和验证队列样本量较小,限制了研究结果的普遍性,并阻碍了识别与改善预后性能相关的一致建模模式和/或特征识别。

由于所使用的样本量小和单中心研究设计,许多人工智能算法是针对特定患者群体设计的,限制了其临床适应性。为在CRLM诊疗中实施人工智能,(国际)多中心研究是必要的,需要前瞻性且标准化地收集临床和影像特征数据。还应纳入长期随访数据,以训练和评估人工智能算法在复发率和患者结局方面的表现。此外,外部验证对于确保普遍性至关重要。这种方法可减少选择偏倚,考虑人群异质性,并将产生可广泛应用的稳健模型。此外,使用人工智能报告指南可进一步减少偏倚并增强人工智能模型的可重复性,使其能够整合到临床实践中。对于未来研究,有必要更深入地了解临床特征、组织病理学肿瘤特征和影像特征之间的关联,例如(实时)消融区分割,包括用于预测模型开发的边缘量化。此外,需要具有大样本量和纵向患者随访数据的跨机构前瞻性队列研究来开发和验证稳健的人工智能算法。应实施标准化工作流程和人工智能研究多学科专家团队,以限制研究结果的异质性并提高将用于CRLM诊疗的人工智能模型的可解释性。

结论

人工智能技术在开发结直肠癌肝转移(CRLM)经局部消融(TA)和手术切除临床结局预测模型方面显示出有前景的结果。然而,深度学习模型尚未应用于CRLM的患者选择、临床决策支持系统和治疗规划,且缺乏前瞻性数据收集。需要具有大型训练数据集、外部验证队列和标准化工作流程的多中心研究,以促进个性化和有效的治疗策略,最终在人工智能工具的支持下改善CRLM患者的临床结局。

补充信息

电子补充材料

引用

  1. van der Velden AL, Knapen RRMM, Rahmani H, et al. The influence of AI on surgical and ablative treatments for colorectal liver metastases: a review of the current literature. Insights Imaging. 2025. PMID: 41225274. doi:10.1186/s13244-025-02072-9
  2. 全文:PMC12612499(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12612499/

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。