人工智能与影像组学在神经肿瘤影像中的临床应用
本文综述人工智能与影像组学在神经肿瘤影像中的临床应用,涵盖脑肿瘤与非肿瘤病变鉴别、胶质瘤诊断与分级、治疗反应与预后预测、放射基因组学关联以及脑外与儿童肿瘤评估。文中汇总多项研究显示纹理分析和机器学习模型在胶质瘤分级、IDH突变、MGMT启动子甲基化及1p19q共缺失预测中具有较高判别效能。
要点
- 影像组学与机器学习可用于胶质瘤分级及IDH、MGMT、1p19q等分子标志物无创预测。
- 常规与高级MR序列结合纹理特征有助于鉴别胶质瘤与非肿瘤病变及淋巴瘤、转移瘤。
- 自动与半自动肿瘤分割有助于放疗规划与随访,但临床前仍需验证其效能。
核心结论
- 人工智能与影像组学在神经肿瘤影像中可用于脑肿瘤检测、分类、分级、治疗反应与预后预测及放射基因组学关联分析。
研究设计与样本
- 本文为综述,检索并汇总人工智能与影像组学在神经肿瘤影像领域的背景、技术流程与临床应用文献。
- 文中涉及的研究多为单中心、回顾性设计,部分研究样本量较小,包括基于CNN和SVM分类器的多项影像组学研究。
关键影像表现/征象
- 常规MR依赖肿瘤形态、成分、位置、占位效应和多发性,高级MR包括扩散、DTI、ASL、DSC、DCE及MR波谱提供定量功能生物标志物。
- IDH突变型胶质瘤灌注上区域脑血流量和血容量较低、DWI的ADC值较高,且以低强化为主,约80%低级别胶质瘤和10% GBM为IDH突变。
- IDH野生型胶质瘤以明显强化为主,占GBM约90%,常规MRI上IDH突变型可表现为边界不清及T2-FLAIR不匹配征象。
- 1p19q共缺失型少突胶质细胞瘤表现为边界欠清、轻度额叶好发、T1和T2信号不均及ADC值较低。
- EGFRvIII突变胶质母细胞瘤更具侵袭性并伴深部瘤周浸润,影像组学预测准确率约80–85%。
诊断标准与关键数值
- 鉴别炎症与II级胶质瘤的LASSO模型AUC在主要队列为0.988、验证队列为0.950。
- 随机森林分类器评估胶质瘤分级在五折交叉验证后AUC为0.92。
- 区分II级与III/IV级胶质瘤的SVM分类器AUC为0.97、准确率98%,并认为增强T1是最佳单序列。
- 常规联合DTI、灌注和MR波谱的多参数SVM分类器区分低级别与高级别胶质瘤最高准确率96%、AUC 0.96。
- 3D-CNN基于多参数影像预测IDH突变在94例突变与120例野生型中敏感度98%、特异度97%、AUC 99%。
临床应用与阅片要点
- 阅片时可关注T2-FLAIR不匹配、强化程度、边界清晰度及ADC值等特征,辅助提示IDH突变状态。
- 对拟行放疗或随访的胶质瘤患者,可参考自动或半自动分割结果,但需人工核对肿瘤强化区、坏死区、非强化区和水肿区。
- 影像组学模型多基于特定队列训练,报告时应注明模型来源、验证方式及适用人群,避免直接外推。
局限性
- 多项引用的影像组学研究为单中心、回顾性设计且样本量小,可能影响结果的泛化能力。
- 深度学习影像组学需要较大数据集,神经肿瘤领域数据有限,常需迁移学习加以规避。
- 自动肿瘤分割方法在临床常规使用前仍需进一步验证其效能。
全文中译53 节 · 点击展开
要点
人工智能方法利用常规和先进技术来区分脑肿瘤与非肿瘤性病变。
人工智能用于胶质瘤的诊断以及胶质瘤与淋巴瘤和转移瘤的鉴别。
人工智能在胶质瘤的分级、治疗反应预测和预后中发挥作用。
放射基因组学使肿瘤的影像表型与其分子环境相联系成为可能。
人工智能应用于脑外肿瘤和儿童肿瘤的评估。
引言与背景
脑肿瘤
世界卫生组织(WHO)于2016年提供了纳入遗传信息的脑肿瘤分类更新。在影像上区分不同类型的脑肿瘤存在困难。准确的诊断对于制定治疗方案以改善患者预后至关重要,有助于肿瘤分级和治疗后反应评估[1–7]。脑肿瘤活检被认为是诊断的金标准。然而,约6%的病例存在操作相关并发症的风险[2, 3, 8, 9]。
检查方法
常规MR成像主要依赖于肿瘤的整体形态、成分、位置、占位效应和多发性。一些局限性仍然存在挑战,如脑肿瘤与模拟病变的鉴别、肿瘤表征和分级,以及复发肿瘤与组织坏死的区分。先进MR成像包括扩散、扩散张量成像(DTI)、灌注MR技术如动脉自旋标记(ASL)、动态磁敏感对比(DSC)、动态对比增强成像(DCE)以及MR波谱技术,是用于确定肿瘤形态和功能的定量生物标志物[10–14]。新兴的人工智能(AI)方法在基于放射学的医学影像应用领域已显示出显著进展。AI的基本概念是指任何允许计算机模仿人类智能的方法[2, 4]。机器学习(ML)是AI技术的一个子集,利用随着新数据引入而演化的算法。深度学习(DL)是基于神经网络的ML子类,应用大量层数,允许更复杂的分类过程[1–5]。
放射学和计算技术均已发展到人工智能(AI)可应用于放射学问题的程度:放射学已实现数字化,所有数据存储在放射信息系统图片档案和通信系统档案中;AI已发展到可实现自动化图像处理的程度。计算能力增强、低成本数据存储以及更快的数据传输速率均促进了这一增长。近年来,这最终导致放射学中关于AI的出版物大幅增加,涉及包括识别、分割、分类和结果预测在内的广泛潜在应用。
本文阐述了医学领域中基于AI的放射学应用的基础知识、现有工作流程和方法。此外,我们旨在综述AI在脑肿瘤中的临床应用。
人工智能(AI)
人工智能(AI)是指执行与人类所执行任务相似的任务的计算能力,以高度利用独特输入生成具有高附加值的输出。医学影像实际上是目前AI最令人兴奋的应用之一。放射科医师可以极大地利用计算机进行常规检测和诊断任务。鼓励使用采用最先进AI技术的计算机辅助诊断(CAD)系统的目的是协助放射科医师检测和分析潜在病变,从而能够区分病变、减少错误并提高放射学效率。因此,人们持续不断地努力增强AI的诊断效率,以推动其在日常临床实践中的应用[15]。上世纪中叶人工神经网络(ANN)的发明及其随后的演进引入了计算学习模型、机器学习(ML)和深度学习(DL)的原理,这在很大程度上推动了AI的发展。
机器学习(ML)
ML的应用需要收集病理数据作为输入,机器将利用这些数据进行自我训练,并且此类数据应始终提供所期望的预期输出。输入是由人类专家预先标注,还是由计算机使用各种计算方法直接提取数据,这决定了两种类型的ML:监督式或无监督式[16]。最优的ML模型必须包含对结果最重要的特征(局部特征)以及最通用的特征(全局特征),并具备对新未见输入的泛化能力。
深度学习(DL)
深度学习(DL)通过分层特征提取准则实现更复杂的分类过程以及自动降维。使用卷积神经网络(CNN)并在输入和输出之间纳入多个神经层,增强了DL的鲁棒性,并提供了在训练阶段复现人脑过程的能力。DL是一个热门研究课题,近年来几乎呈爆炸式发展。通过将ML/DL图像处理与临床数据以及适当时的病理/组织学数据相结合,将放射学扫描(不同模态)的基本诊断模式与特征与特定病理和组织学亚型相关联的能力,开创了一个新的研究领域,即放射组学(Radiomics)[17]。
放射组学
影像组学是一个新的转化研究领域,其中从放射学图像中确定一系列属性(如几何、强度和纹理),以捕捉不同的成像模式。这些模式可用于肿瘤的亚型分型、分级和分期。此外,影像组学通常以多种变体形式应用于系统中,用于预测、预后、监测和治疗反应评估[17]。影像组学主要有两种类型:基于特征的影像组学和基于深度学习的影像组学。与受人类读者影响的这些临床评估不同,其结果更稳定、准确且可重复。得益于影像组学特征能够在自动化过程中使用多种数学算法计算(基于特征)或在训练阶段从基于机器学习的复杂计算模型中统计生成(基于深度学习)的能力。图1展示了影像组学的一般框架。
基于特征的影像组学
基于特征的影像组学通过从分割的感兴趣区域/感兴趣体积(2D/3D分别为ROI/VOI)中提取一组数值特征来工作。然后,特征选择算法评估特定特征的子集以防止过拟合并创建稳健的预测模型。基于特征的影像组学不需要大型数据集,因为所测量的特征通常在较短的计算时间内独立于数据被指定。此外,由于这些以数学方式表示的特征是已确立的,因此可以解释生物学比较。然而,大多数提取的特征以其复杂的数值性质为特点,使得这些数值特征与生理背景之间的直接相互关系即使并非不可能,也难以通过人类感知来实现。以下是基于特征的影像组学过程中最重要的处理阶段的列表[18]。图像预处理 从放射学图像中生成具有良好可重复性和泛化性的定量特征是影像组学的首要目标。为实现这一目标,必须进行若干常见的预处理步骤,即MRI场不均匀性校正、降噪、空间重采样、空间平滑和强度归一化。胶质瘤的预处理如图2所示。
肿瘤分割 精确分割是实现准确影像组学分析的关键步骤。病灶的手动分割涉及对比增强区域、坏死区和周围区域的检测,是一个主观且耗时的过程。为解决这一问题,目前许多机器学习算法(如基于深度学习的方法)正在被实施和测试用于自动肿瘤定位和分割。虽然这些方法现在可用于辅助肿瘤分割,但在应用于临床实践之前必须证明其有效性。图3展示了在两种不同成像模态(早期阶段CE-MRI和T2-MRI Flair)上对胶质瘤进行手动分割的步骤。
特征提取 医学图像可用于获取多种定量特征,其中大部分反映肿瘤异质性。尽管可以提取大量具有不同数学意义的特征,但特征通常被分为四个亚组,即形状特征[18]、一阶统计(基于直方图)特征[19]、二阶统计(纹理)特征[20]和高阶统计特征[21]。从不同级别的两种胶质瘤(高级别HGG和低级别LGG)中提取的特征之间的差异如图4所示。
特征选择 提取的定量特征可能并非同等重要。大多数特征容易出现冗余、强相关性和模糊性,这可能导致依赖预测模型中的数据过拟合以及图像噪声敏感性急剧增加。在学习阶段之前进行特征选择是降低这些问题发生几率的一种方法。特征选择策略考虑特征与类别标签之间的关系,从而根据特征对分类问题的贡献来选择特征。换言之,这些技术选择对区分各类别贡献最大的特征。在放射组学中,三种常用方法是过滤法(单变量方法)、包装法(多变量方法)和嵌入方法[22]。
模型生成与评估 根据分析目的,可使用多种基于机器学习的算法来生成预测模型。在所研究的生存数据情况下使用Cox比例风险模型,神经网络、支持向量机(SVM)、决策树(如随机森林)、线性回归和逻辑回归是放射组学中最常用的算法。在有监督机器学习任务中,所用数据集通常通过分层拆分分为训练集和验证集,以确保训练集和验证集大致保持与整个数据集中类别分布相同的样本分布。在训练和验证步骤之后,模型最好应应用于一个新的未见过的测试数据集,该数据集反映模型在临床实践中将遇到的数据[21–23]。
基于深度学习的放射组学
基于深度学习的影像组学使用各种网络架构或线性和非线性函数的堆叠,如卷积神经网络(CNN)或自编码器,从放射图像中寻找最重要/关键的特征。在没有任何先验描述或特征集合的情况下,单层神经网络级联系统被纳入放射学数据中對分类重要的结构的学习过程[23]。这种级联过程有助于逐步生成/减少特征以获得最主导/重要的特征。最后,先前生成的特征可以由网络进一步处理以进行分析和分类,或者它们可以退出网络并使用不同的分类器(如决策树、回归模型或支持向量机)进入模型生成过程,类似于基于特征的影像组学方法。正则化和丢弃等技术被用于防止过拟合。基于深度学习的影像组学比基于特征的影像组学需要更大的数据集,因为输入数据与提取特征之间的高度相关性,这阻碍了其在数据集可用性受限的多个研究领域(如神经肿瘤学研究)中的适用性。另一方面,迁移学习是一种通过使用预训练神经网络来规避这一限制的技术,这些网络用于训练一个单独但密切相关的目的,例如,用影像数据训练的用于自动胶质瘤分割的神经网络可用于分割脑转移瘤[24]。通过利用网络的先验知识,产生可靠性能所需的数据量以及计算需求得以降低。
本工作的目的是综述人工智能在脑肿瘤中的临床应用。
胶质瘤的影像组学
胶质瘤的分级由WHO分类为低级别(I和II级)和高级别(III和IV级)。多形性胶质母细胞瘤(GBM)是IV级肿瘤,是最常见的原发性脑肿瘤[25–30]。在临床实践中,将胶质瘤与非肿瘤性病变区分开来至关重要,因为每种实体具有不同的治疗策略和预后。治疗前确定胶质瘤分级对于优化治疗策略、预测治疗反应、预后和生存至关重要[29–34]。
肿瘤性与非肿瘤性病变的鉴别
高级别胶质瘤与瘤样脱髓鞘病变
具有非典型特征的瘤样多发性硬化(MS)病变在常规MR成像上可模仿高级别胶质瘤[35]。一项研究使用动态纹理参数分析(DTPA)并从DSC增强灌注图对比剂首过期中提取特征,将胶质母细胞瘤与瘤样MS区分开来[36]。
胶质瘤与炎症
有时,由于影像学特征相似、主观评估以及缺乏定量指标,在区分不典型炎症病例和胶质瘤时存在MR诊断困境[37, 38]。一项新研究尝试使用LASSO算法选择特征并基于非增强成像特征来区分炎症和II级胶质瘤。该研究取得了有希望的结果,在主要队列中曲线下面积(AUC)为0.988,在验证队列中为0.950,但该研究样本量小且为回顾性设计,限制了其在区分炎症与胶质瘤方面的潜在实用性[39]。
胶质瘤的分级
多项研究探讨了影像组学用于胶质瘤分级。一项研究从常规脑MRI中提取了大量影像组学特征,然后使用随机森林分类器,在经过五折交叉验证后评估胶质瘤分级时获得了高达0.92的AUC[40]。
低级别与高级别胶质瘤
一项研究探讨了影像组学在区分II级与III级和IV级中的作用;他们从常规、扩散和灌注动脉自旋标记(ASL)MRI中提取影像组学特征。使用支持向量机(SVM)分类器,该研究显示出高达0.97的AUC和98%的准确率。他们还得出结论,增强后T1(T1C)是与多参数纹理分析进行比较的最佳单一序列[41]。另一项研究探讨了常规和高级多参数MRI(弥散张量成像(DTI)、灌注和MR波谱)来提取特征以区分低级别和高级别胶质瘤。应用了三种不同的SVM分类器,最高性能达到96%的准确率和0.96的AUC。该研究主要受限于患者样本量小,导致数据分析存在偏倚,此外基因组特征也将被用于评估其效用[42]。
II级与III级胶质瘤
一项研究探讨了从动态对比增强(DCE)MRI中提取的MR纹理特征在区分II级与III级胶质瘤以及III级与IV级胶质瘤中的作用,并报告从熵纹理特征获得的AUC为0.885,从逆差矩(IDM)获得的AUC为0.901[43]。另一项研究从常规MRI和灌注加权成像中提取影像组学特征,使用SVM分类器区分II级和III级,产生了约3.7%的低分类错误率[44]。
影像基因组学
胶质瘤影像基因组学
WHO 2016胶质瘤分类更新纳入了遗传信息用于诊断。特定的遗传改变与肿瘤发生密切相关。肿瘤的分子基因型及其组织病理学显著影响生存。影像基因组学是一个新兴领域,指影像表型与基因表达模式之间的关系,这可能有助于改善诊断、决策和预测患者预后[27, 45, 46]。重要的预后胶质瘤生物标志物包括异柠檬酸脱氢酶(IDH)、染色体臂1p/19q共缺失、甲基鸟嘌呤-DNA甲基转移酶状态(MGMT)。免疫组织化学联合基因组测序是区分胶质瘤突变的标准方法[46, 47]。表2显示了最重要胶质瘤生物标志物的影像基因组学特征。
IDH突变
异柠檬酸脱氢酶(IDH)是三羧酸循环中的一种酶,将异柠檬酸转化为α-酮戊二酸(αKG)。目前,胶质瘤根据IDH突变(IDH 1和IDH 2)基因型分为不同亚型。突变型为IDH阳性,而野生型胶质瘤为IDH阴性[25]。在野生型中,异柠檬酸会积累生成α-酮戊二酸,但在IDH突变情况下,异柠檬酸转化为2-羟基戊二酸,这是一种在野生型中不存在的致癌代谢物。2-羟基戊二酸的积累可通过7 T磁共振波谱以高特异性检测,但大多数中心不具备该设备,限制了其应用[48]。
IDH突变型胶质瘤与更好的生存率相关,因为其在灌注成像上显示较低的局部脑血流量和血容量,在弥散加权磁共振成像(DW-MRI)上显示更高的表观弥散系数(ADC)值。以低强化为主的弥漫性胶质瘤多为IDH突变型,约占80%的低级别胶质瘤和10%的胶质母细胞瘤(GBM),预后较好。另一方面,以强化为主的胶质瘤为IDH野生型,占GBM的90%,预后较差[49]。
区分IDH突变型与IDH野生型的常规MRI特征包括边缘不清、肿瘤区域T2高信号但FLAIR图像上呈低信号(T2-FLAIR不匹配)。一项样本量有限的回顾性研究将卷积神经网络(CNN)应用于常规MR特征,显示出92%的准确率,并证明IDH野生型肿瘤具有更浸润性的边缘[50]。一项更近期的研究利用3D-CNN将多参数成像特征与胶质瘤IDH突变相关联,使用94例IDH突变患者和120例野生型胶质瘤进行训练,取得了更大的成功,达到98%的敏感性、97%的特异性,AUC为99%[51]。
MGMT启动子
另一个重要的预后分子标志物是O-6-甲基鸟嘌呤-DNA甲基转移酶(MGMT)的甲基化。MGMT是一种DNA修复酶。MGMT甲基化使基因失活,介导DNA损伤,并使DNA去烷基化。该突变发生于约33-57%的弥漫性胶质瘤患者中。携带该突变的患者预后更好,对烷化剂(替莫唑胺化疗)反应更佳[45, 49]。多项研究将多模态MRI(T1、T2、FLAIR和T1C)与胶质瘤MGMT突变状态相关联。其预测准确率在61%至80%之间,队列范围为82至193例患者[52-54]。另一项研究在多模态MRI基础上加入灌注MRI,证明了识别MGMT的重要特征,即T1C上相对CBV增高以及对比增强肿瘤与完整肿瘤体积之比较高[52]。一项使用2D-3D混合CNN进行的放射基因组学研究在预测MGMT启动子方面达到83%的准确率[50]。
1P19Q共缺失
约30%的低级别胶质瘤存在染色体臂1p19q共缺失。1p19q共缺失不存在于胶质母细胞瘤中。IDH突变型胶质瘤伴有1p19q共缺失即可定义为少突胶质细胞瘤。而1p19q非共缺失的肿瘤被分类为伴或不伴IDH1/2突变的星形细胞瘤,其具有更“局限”的边界并显示(T2-FLAIR不匹配)模式[25, 32, 49]。一项研究使用了SVM分类器,基于常规MRI,其鉴别IDH突变和1p19q共缺失状态的准确率分别为88%和96%[55]。另一项研究将CNN应用于常规影像特征,发现强化程度增加、浸润性边界和左额叶好发与1p19q共缺失相关,准确率为93%。应用CNN有助于自动病灶和模式识别,但训练可靠模型所需样本量不足仍是技术上的顾虑[56]。
表皮生长因子受体
EGFR是一种酪氨酸激酶受体,调控正常上皮细胞生长。EGFR突变见于约40%的胶质母细胞瘤中,但在较低级别胶质瘤中很少出现。剪接变异体III(EGFRvIII)是胶质母细胞瘤中最常见的EGFR突变,见于31%的患者[49]。多项影像组学研究已使用SVM分类器对EGFR进行预测,在鉴别胶质母细胞瘤中EGFRvIII突变方面的准确率约为80–85%,该突变表现出更具侵袭性的特征和深部瘤周浸润[57, 58]。另一项基于复杂多参数MRI特征的研究显示,其新生血管增多、细胞密度增高,且好发于额叶和顶叶区域[59]。
胶质母细胞瘤(GBM)的转录组学勾勒
转录组学分析是一种用于表征胶质瘤异质性的技术。它将肿瘤分为四种分子亚型:经典型、间充质型、前神经型和神经型[27]。一项应用SVM并基于常规MRI序列的研究显示,在区分这四种亚型方面准确率为71%[60]。
其他基因型 胶质瘤中多种其他较少见的相关突变也有报道,如血管内皮生长因子、血小板衍生生长因子(PDGF)、PTEN(磷酸酶及张力蛋白同源物)、细胞周期蛋白依赖性激酶抑制剂(CDKN2A)、增殖细胞核抗原(PCNA)、TERT启动子和TP53[27]。
少突胶质细胞瘤的影像基因组学
IDH1/2突变型胶质瘤伴有1p19q共缺失即可定义为少突胶质细胞瘤,其与“边界不清”的边缘、轻度额叶好发、T1和T2信号不均匀以及较低的ADC值相关。少突胶质细胞瘤和星形细胞瘤均具有IDH突变伴TERT启动子突变,且优先位于内侧额叶皮质区域。影像组学特征在鉴别IDH1/2突变型、IDH1/2突变伴TERT启动子突变型以及IDH野生型方面显示出高准确率[61]。
治疗前评估
肿瘤分割
恶性肿瘤具有特征性的生长方式和组织改变。肿瘤成分包括分隔或“区段”,如实性强化部分、坏死核心、非强化肿瘤和灶周水肿。这些区段的分割在放疗计划中对于测量大体肿瘤体积和临床靶体积至关重要,在肿瘤切除后用于影像学随访也同样重要[28, 32]。手动三维分割方法耗时且主观。随着计算能力的进步,已有大量算法被开发并应用于脑胶质瘤的半自动和自动分割方法[28, 62]。机器学习凭借快速可靠的脑肿瘤分割方法崭露头角,其基于体素级分类任务,区分每个给定体素是否属于正常脑组织、胶质瘤或水肿,并提取这些特征。目前,分割工具基于深度学习(DL),使用卷积神经网络(CNN)以及支持向量机(SVM)和随机森林等分类器方法[31, 32, 63]。近年来,CNN在体素标记方面取得了约90%准确率的突出表现[64]。
脑肿瘤的浸润与范围
区分肿瘤浸润与水肿对于术前规划和安全边界的考量至关重要,而传统MRI通常难以做到。机器学习方法为在术前影像上评估肿瘤浸润提供了路线图。使用体素级逻辑回归模型从FLAIR和ADC图中提取特征,能够充分预测肿瘤浸润区域或未来肿瘤复发区域[49, 65]。一些研究使用SVM分类器将肿瘤复发区域配准到术前MRI,并基于其在常规和高级MRI上的特征,生成了预测性瘤周边缘浸润图,准确率达90%[57, 66]。另一项研究开发了一种使用CNN方法将活检部位配准到术前影像的方法。他们使用活检部位的多模态MRI测量值,并对病理图像应用基于细胞密度计数方法的网络。该方法评估了细胞密度与强化程度之间的关系,并生成了用于识别浸润性组织边界的无创细胞密度图[67]。
预后价值-生存
目前,肿瘤总体预后不良基于独立危险因素,如组织学分级和包含以下因素的临床模型:年龄大于60岁、男性、患者功能状态(术前Karnofsky评分)、晚期肿瘤部分切除以及未行放化疗的手术。此外,分子标志物对脑肿瘤的诊断和预后很重要[25, 49]。既往研究应用了不同的影像模态,取决于测量最大径、强化病灶体积和白质纤维束浸润。它们显示出比临床模型更高的预测能力[68–70]。
随着人工智能算法的出现,多项研究提取了影像组学特征来预测胶质瘤的总生存期(OS)。一项研究从常规和高级MRI指标中提取影像组学特征,包括肿瘤体积、血管生成、瘤周浸润和细胞密度。他们使用SVM模型预测胶质瘤的OS,并将其分为低、中、高生存期;在训练队列和前瞻性复制队列中达到了80%的准确率[71]。另一项研究探讨了两阶段多通道3D深度学习应用对68例高级别胶质瘤患者OS的有效性。第一阶段使用3D-CNN从多模态术前MRI、DTI和静息态功能MRI(rs-fMRI)中自动提取影像特征。第二阶段加入了临床特征,包括患者年龄、性别、组织学分级、肿瘤位置和大小。深度学习影像特征连同临床肿瘤特征一起输入SVM分类器,在预测高级别胶质瘤长期与短期OS方面达到了90.66%的准确率[72]。
治疗后评估
假性进展(PSP)
假性进展定义为放疗或放化疗联合治疗后12周内MRI上强化和/或T2/FLAIR信号异常增加,且在未改变治疗方案的情况下自发消退或稳定。假性进展发生于15%–50%的胶质瘤患者中,尤其是接受标准治疗的MGMT甲基化和IDH突变肿瘤患者。另一方面,抗血管生成药物可能诱导假性反应,即由于血脑屏障改变而导致的强化显著减少,而浸润部分的进展无变化或变化很小[73, 74]。
尽管将PSP与真性进展(TP)区分开来对患者管理十分重要,但在MRI上区分二者仍然困难。人工智能方法正试图解决这一诊断困境。一项研究使用常规MRI、DWI和PWI来区分61例胶质母细胞瘤患者在放化疗和手术切除后3个月内的PSP与TP。影像特征的选择通过LASSO逻辑回归模型完成。他们证实多参数影像组学模型的性能(AUC = 0.90)优于任何其他单一参数。该模型需要在多中心环境中进行独立的前瞻性验证,才能成为区分PSP与TP的有用工具[75]。另一项针对78例胶质瘤患者的研究,使用深度与机器学习混合的CNN-LSTM(长短期记忆)方法,结合从增强MRI提取的临床和影像特征,区分PSP与TP的AUC为0.83[76]。
残留/复发肿瘤与治疗后改变
胶质瘤治疗计划中最具挑战性的决策之一是区分肿瘤复发与治疗后改变。胶质瘤的标准联合放化疗通常会导致放射性坏死,后者常发生于胶质瘤治疗后两年内。常规MRI在区分放射性坏死与肿瘤复发方面能力通常有限[77]。目前,人工智能的应用已被用于对放射性坏死和胶质瘤复发进行分类,或单独使用手工放射组学特征或单独使用深度特征,但它们未能完全表征肿瘤异质性[78, 79]。一项新研究将手工特征与多模态MRI上的深度特征相结合,并构建了逻辑回归模型。最佳模型在验证集中达到了最高的AUC为0.99、灵敏度为0.99、特异度为0.97,在表征肿瘤异质性和分类放射性坏死与复发方面性能有所提高[80]。
非胶质瘤的放射组学
转移瘤
区分胶质母细胞瘤与孤立性脑转移瘤的能力仍然具有挑战性,尤其是在使用常规MR时,因为它们的MR成像特征相似。尽管先进MRI技术如弥散张量成像(DTI)、MR波谱和灌注研究已显示胶质母细胞瘤与孤立性转移瘤之间的重要差异,但它们在临床实践中并未广泛使用[81–83]。
胶质母细胞瘤与孤立性脑转移瘤的鉴别
目前,少数近期研究使用不同的人工智能技术来区分这两种病变。一项基于增强后3D T1W梯度回波序列放射组学并使用支持向量机(SVM)进行数据分类的研究显示,准确率为85%,AUC为0.96[83]。一项基于对比增强图像的研究使用了多种特征选择和分类方法,如SVM和LASSO。该研究构建的放射组学分类器显示出良好的准确率和AUC性能为0.90。此外,最佳分类器的临床性能优于专家神经放射科医师[84]。另一项基于DTI指标(各向异性分数和ADC)并使用MR纹理分析的研究显示,由于胶质母细胞瘤的浸润性本质,其瘤周水肿的异质性显著高于转移瘤。该研究受限于其回顾性性质、手动勾画ROI以及缺乏肿瘤浸润的组织学验证[85]。
脑转移瘤亚型的分类
脑转移瘤亚型的分类也已通过使用SVM分类器的放射组学实现,性能较高,肺癌和乳腺癌转移瘤的AUC分别为0.83和0.81[83]。另一项研究使用定量MRI特征来区分转移瘤亚型。所选分类器的AUC范围从非小细胞肺癌的0.64到乳腺癌的0.82[86]。
原发性中枢神经系统淋巴瘤
原发性中枢神经系统淋巴瘤(PCNS)与胶质瘤的鉴别
原发性中枢神经系统淋巴瘤(PCNSL)和胶质母细胞瘤在常规MRI视觉特征上非常相似,可能无法解决区分这两种疾病的问题。然而,两者的治疗方案不同。因此,早期准确诊断对于改善预后至关重要。一般来说,PCNSL采用化疗和全脑放疗,而胶质母细胞瘤患者通常接受大体手术切除后放化疗[87, 88]。
多项基于提取的MRI特征和ADC参数的研究回顾了不同机器学习算法(如SVM分类器、随机森林分析或决策树机器学习算法)在区分PCNSL和胶质瘤中的表现。他们展示了高达96.8%的高准确率预测结果和高达0.99的AUC [88]。另一项研究选取了DSC增强灌注图对比剂首过阶段提取的(DTPA),并将胶质母细胞瘤与PCNSL区分开来[36]。
血管母细胞瘤(HB)
HB与脑转移瘤的鉴别
血管母细胞瘤和转移瘤是成人最常见的小脑占位性病变。区分这两种疾病很重要,因为HB是血管起源的良性肿瘤,生存率优于脑转移瘤。因此,它们的治疗方法和预后差异很大[89]。机器学习算法在区分这两种疾病中的作用尚未确立。最近一项针对大样本轴内后颅窝肿瘤队列的研究应用了随机森林、CNN、SVM等不同机器学习算法。该研究基于提取的结构性MRI特征和ADC直方图分析。带有终端节点的决策树模型对最常见肿瘤病理分类的准确率为90%。而随机森林模型对包括HB和后颅窝转移瘤在内的5种最常见肿瘤进行分类,训练数据集AUC为0.961,验证集为0.873 [90]。
轴外脑肿瘤的影像组学
脑膜瘤
脑膜瘤是最常见的轴外中枢神经系统肿瘤。大多数为良性病变(> 80%),分类为(WHO I级),非典型类型< 15%(WHO II级),恶性类型< 5%(WHO III级)。在治疗决策之前,组织学分级之间的区分至关重要。脑膜瘤可能表现出瘤内异质性,伴有不同程度的血管化、坏死、浸润,以及罕见的从低级别向高级别转化。常规MRI仍然是脑膜瘤初步诊断和随访的标准影像学方法,尽管其缺乏确定肿瘤生物学行为和复发潜能的能力[91, 92]。DWI和PWI等先进MRI技术此前已被应用于脑膜瘤的诊断和分级,但结果存在重叠[93]。
多项研究已将机器学习引入作为放射学工具,以提高脑膜瘤的诊断准确性、预后评估、亚型分类和分级。
脑膜瘤的分级
多项研究探讨了使用常规影像组学特征(如肿瘤形态、纹理、直方图)和深度学习影像组学来区分低级别和高级别脑膜瘤[94, 95]。
影像组学分析已成功区分脑膜内皮型、纤维型和过渡型脑膜瘤,验证模型的准确率达到94.2% [96]。
脑膜瘤的预后
脑膜瘤预后中一个重要的形态学影像组学特征是球形度,既往研究表明高级别脑膜瘤往往比低级别脑膜瘤球形度更低,并与局部复发和较差的总生存期(OS)相关[95, 97]。
关于复发预测,一项研究应用基于T2WI、T1C和ADC指标提取的影像组学特征构建二叉树模型来预测颅底脑膜瘤的复发,该研究达到了90%的准确率[98]。
脑膜瘤脑侵犯的预测
一项研究已证明可成功术前预测脑膜瘤的脑侵犯,他们应用基于T2WI和T1C图像构建的支持向量机(SVM)模型,达到了0.819的曲线下面积(AUC)。加入临床特征后获得了更好的预测性能,AUC为0.857[99]。
脑膜瘤与颅咽管瘤的鉴别
近期一项研究构建了二元逻辑回归模型来鉴别颅咽管瘤和脑膜瘤;他们达到了0.776的AUC[100]。
脑膜瘤与血管外皮细胞瘤的鉴别
孤立性纤维性肿瘤/血管外皮细胞瘤(SFT/HPC)是一种罕见的血管源性肿瘤,在2016年WHO分类中成为独立实体。恶性SFT/HPC为WHO II级和III级,具有侵袭性行为,复发率和转移率高[101]。在MRI上,SFT/HPC可能酷似血管瘤型脑膜瘤,后者通常为良性。因此,二者的治疗策略差异很大,正确的术前评估至关重要[101, 102]。
机器学习(ML)的应用在鉴别血管瘤型脑膜瘤与SFT/HPC方面展现出有前景的能力;一项研究使用基于T2WI、FLAIR、T1C和DWI纹理特征构建的SVM模型来检验其在鉴别这两种肿瘤实体中的有效性,发现基于T1C的分类器(AUC = 0.90)性能显著优于其他分类器[102]。
垂体腺瘤
垂体腺瘤是最常见的鞍区肿瘤。经鼻经蝶入路切除术是大腺瘤以及功能性肿瘤的首选技术。术前MRI评估对于评估肿瘤形态、范围和行为(如侵犯海绵窦)是必需的。此外,MRI有助于将垂体腺瘤与颅咽管瘤相鉴别,后者常具有相同的临床表现。正确的MRI评估指导手术方案,即对于伴海绵窦侵犯的腺瘤行大体全切除或切除后新辅助放疗。因此,一个准确的、能筛选出最具信息量影像组学特征的预测模型将有助于手术决策[103, 104]。
海绵窦侵犯的预测
一项研究旨在预测垂体腺瘤对海绵窦的侵犯;所选特征基于T1C和T2WI,使用SVM分类器,测试集的AUC为0.826[103]。
垂体腺瘤与颅咽管瘤的鉴别
一项研究从基于T1C和T2WI的术前MRI中提取定性MRI特征和纹理特征,以检验垂体腺瘤与颅咽管瘤之间的差异,并证明了两种肿瘤实体之间存在显著差异[104]。
垂体大腺瘤Ki-67增殖指数的预测
2017年,世界卫生组织(WHO)提出了“高风险”腺瘤的定义,此类腺瘤表现出侵袭性行为和不可预测的结局,这些肿瘤的特征是快速生长、影像学侵犯和高Ki-67增殖标记。一项研究证明了机器学习(ML)在术前预测垂体大腺瘤Ki-67增殖指数分级方面的有效性;他们从89例患者的T2WI中提取特征,并应用k-近邻(k-NN)分类器预测大腺瘤的高或低增殖指数,在患者分类中达到91.67%的准确率[105]。
神经鞘瘤
前庭神经鞘瘤的治疗方案因肿瘤大小而异。手术切除是大肿瘤的首选,而放射外科通常推荐用于小中型神经鞘瘤。伽玛刀放射外科(GKRS)是控制肿瘤生长的有效且安全的放射外科方法。在GKRS之前,准确的肿瘤勾画是必要的,以确定肿瘤位置、测量肿瘤体积并检测肿瘤反应[106, 107]。
预后预测
一项研究构建了两级机器学习模型,在预测GKRS后假性进展方面达到85%的准确率。该研究基于五个影像组学特征,显示了对比增强的不均匀低信号模式和T2加权强度的变化[107]。另一项研究使用放射外科前的一系列多参数MRI来捕获肿瘤不均匀强度区域,如实性强化部分和囊性部分,他们提出了一种端到端深度学习(DL)分割方案,并进一步与手动分割方法进行比较,AI模型在确定放射外科后肿瘤进展、假性进展和消退方面的准确率超过99%[108]。
儿童脑肿瘤的影像组学
表征
后颅窝肿瘤
在儿童脑肿瘤中,后颅窝肿瘤是最常见的实体瘤。最常见的儿童后颅窝亚型包括髓母细胞瘤、毛细胞型星形细胞瘤和室管膜瘤。亚型之间的鉴别至关重要,因为每种肿瘤的治疗和预后不同[109]。需要准确的术前诊断以制定手术和药物治疗方案。常规MRI是儿童肿瘤定性评估的关键影像工具。然而,明确的肿瘤组织病理学分类通过活检完成。目前,影像组学和DL方法正在开发无创肿瘤分类模型以预测儿童后颅窝肿瘤[109–111]。
一项回顾性研究纳入288例后颅窝肿瘤患儿(髓母细胞瘤、毛细胞型星形细胞瘤和室管膜瘤),应用基于树的自动流程优化模型,并从T1C、T2WI和ADC图提取影像组学特征。自动影像组学模型的AUC为0.91,准确率为0.83。此外,与定性机器学习专家的标准手动优化相比,基于树的自动流程优化模型在二分类中取得了显著更高的准确率(0.83 vs. 0.54,p = 0.001)[112]。另一项研究调查了617例后颅窝肿瘤患儿的大队列,包括脑桥弥漫性中线胶质瘤、髓母细胞瘤、毛细胞型星形细胞瘤和室管膜瘤,该研究构建了2D深度学习架构模型,并使用T2WI作为肿瘤提取的输入。将深度学习模型的性能与四名放射科医生进行比较,在肿瘤检测准确性方面AUC为0.99,在肿瘤分类方面准确率为92%。尽管准确率高,但该研究受限于模型过拟合,原因是来自T1 + C、ADC和T2的输入数据数量增加。此外,与T1和T2图像相比,ADC图像的扫描分辨率较低[111]。
髓母细胞瘤
髓母细胞瘤是最常见的儿童脑肿瘤。经典上认为髓母细胞瘤是单一肿瘤实体。目前,根据WHO中枢神经系统肿瘤分类,已识别出四个分子亚组,分别命名为音猬因子(SHH)、无翅型、第3组和第4组,每个亚组具有不同的治疗和预后。WNT通路激活的肿瘤预后良好,患者5年生存率接近90%,但第3组肿瘤患者的总生存率低于50%。明确的肿瘤亚型分型通过手术切除或单次活检获得的组织取样完成。然而,这些是有创技术,并且也受限于高昂费用[113, 114]。人工智能是一项新兴技术,旨在将影像特征与肿瘤分子亚型联系起来[114, 115]。
一项研究纳入109例髓母细胞瘤患儿,应用两种预测测试模型:双十折交叉验证模型和3数据集交叉验证模型。患者通过组织取样进行分子分析,并识别出四个不同亚组。影像数据从T1WI、T1C和T2WI提取。联合使用T1WI和T2WI时,双十折交叉验证模型在预测SHH、第3组和第4组肿瘤方面取得最佳性能,AUC分别为0.79、0.70和0.83[115]。
低级别胶质瘤
儿童低级别胶质瘤(pLGGs)约占儿童中枢神经系统肿瘤的40%,根据WHO分类,其由异质性肿瘤组成,为I级或II级。pLGGs包括青少年毛细胞型星形细胞瘤(JPA)、神经节胶质瘤、胚胎发育不良性神经上皮肿瘤、多形性黄色星形细胞瘤和弥漫性低级别胶质瘤。标准治疗是在可能的情况下进行手术切除,但当无法完全切除时,可能发生多次复发,10年无进展生存率低于50% [116]。
常见改变发生在于丝裂原活化蛋白激酶通路, either为B-Raf原癌基因、丝氨酸/苏氨酸激酶(BRAF)基因的融合或突变,他们将其命名为BRAF融合和BRAF V600E点突变(p.V600E)。近年来已知,pLGGs患者的预后因分子改变而异。携带BRAF融合和1型神经纤维瘤病的患者预后良好,而携带BRAF V600E的患者显示进展和转化风险高 [117, 118]。
最近一项研究探讨了一种放射组学模型来预测BRAF融合和BRAF V600E突变。该研究纳入115例低级别胶质瘤患者。放射组学特征从肿瘤分割中提取,并基于FLAIR MRI。预测模型使用随机森林方法对所有可用肿瘤类型进行测试。通过四折交叉验证方案,内部验证队列中BRAF状态的预测AUC为0.75(SD,0.12)和(95%置信区间0.62–0.89),外部验证的AUC为0.85。年龄和肿瘤位置是BRAF状态的显著预测因素,而性别不是显著预测因素 [119]。
弥漫性中线胶质瘤(DMG)
儿童弥漫性中线胶质瘤是一组侵袭性异质性脑干肿瘤,占儿童癌症相关死亡的10%。此前,这些肿瘤被称为弥漫性内生性脑桥胶质瘤(DIPG)。弥漫性肿瘤位置限制了其手术切除。放疗一直被认为是标准的姑息性治疗。常规和高级MRI在诊断和评估肿瘤治疗反应中发挥主要作用;然而,它们在预测患者生存方面没有价值 [120]。分子生物标志物如H3 K27M突变状态有助于作为肿瘤组织病理学进行诊断。H3 K27M突变是总生存期的独立预测因素,并见于丘脑、脑干和脊髓等中线结构。携带H3 K27M突变的患者中位生存时间短于H3 K27M野生型患者。伴有H3 K27M突变的中线胶质瘤表现出不同的影像学特征 [121, 122]。放射组学是一种非侵入性方法,将影像学(如计算机断层扫描和MRI)的定量特征与肿瘤的分子状态联系起来。一项研究测试了MR纹理分析来预测儿童DMG的OS。该研究使用了市售的TexRAD研究软件,图像提取自T2 WI和ADC图。最佳预测因素将患者分为预后差和预后好两组;纹理越均匀与预后越差相关。预后差的中位生存期为7.5个月,预后好的中位生存期为17.5个月 [123]。
另一项研究采用自动化机器学习方法,纳入40例H3 K27M突变患者和60例野生型患者。从FLAIR图像中提取影像组学特征;应用基于树的管道优化工具(TPOT)筛选影像组学特征。该模型在测试队列中达到0.903的AUC,在预测H3 K27M状态方面表现出高性能[121]。
优点与挑战
优点
人工智能在神经肿瘤影像领域的应用具有许多优点。首先,它是一个与放射学工作流程融合的全自动化系统,用于图像分析、量化和分割,缩短了繁琐重复任务所消耗的时间,随后提高了临床工作流程的生产力和效率,从而实现更好更快的诊断和决策。其次,它可辅助图像配准,能够比较大量图像以实时追踪和监测治疗。第三,人工智能可以将患者数据(如分子生物标志物)与肿瘤类型或分级的无创预测相连接,并生成用于患者分层和结局的预后或预测模型[3, 8, 49]。
挑战
尽管结果良好且有前景,但由于一些障碍,研究结果与临床实践中的有限应用之间仍存在一定差距。首先,该系统必须完全良好地整合到放射科医师的工作流程中。其次,手动分割耗时;因此,应用半自动或全自动分割方法是有帮助的。第三,从既往出版物中获得的有助于转化工具和共享该系统方法学的信息有限,阻碍了其泛化性[49]。
在构建稳健的放射学模型时,需要考虑一些重要挑战,包括:人工智能模型的泛化性,因为大多数模型是基于有限数据构建的,而这些数据被假定能代表未来不同机构的所有其他数据[124]。开发者面临的首要挑战之一是获得足够的数据以克服测量误差,大多数标注数据存储在医院系统内,在机构间共享这些数据将改善泛化性[125]。另一个关键挑战是扫描仪间的变异性;放射表型特征取决于MRI机器类型、场强、均匀性和采集参数。协调影像组学可以通过聚焦于影像组学判别特征并使其具有可重复性来帮助避免扫描仪间变异性[126]。
大多数研究缺乏对所生成模型的验证;这阻碍了人工智能方法的适用性[8]。每个模型的性能依赖于任务和数据集。美国放射学会数据科学研究所关注标准用例的标准化和基准测试,这可有助于注释工具和数据集[49]。另一个重要挑战是缺乏基因组学Ground truth数据,这意味着需要更多组织活检以更好地预测和表征MRI[25]。
结论
我们得出结论,人工智能是一种有前景的工具,它结合了临床、影像组学和分子标志物,这些对于改善患者预后至关重要,可用于将脑肿瘤与模拟病变相鉴别、脑肿瘤的特征描述与分级、治疗前后评估,以及区分肿瘤复发与治疗后改变。然而,许多面临的挑战仍需大量工作才能将人工智能部署到日常实践中,以提高放射科医师的准确性和效率。
引用
- Abdel Razek AAK, Alksas A, Shehata M, et al. Clinical applications of artificial intelligence and radiomics in neuro-oncology imaging. Insights Imaging. 2021. PMID: 34676470. doi:10.1186/s13244-021-01102-6
- 全文:PMC8531173(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8531173/
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。