文献速递神经儿科影像MR

人工智能在儿科神经放射学中的作用

The role of artificial intelligence in paediatric neuroradiology.
PubMed 文献 · Pediatr Radiol · 2022-03-26

该综述讨论机器学习技术如何支撑人工智能在儿科神经放射学中的应用,并列举各技术在文献中的儿科神经影像学示例。文中以儿科神经肿瘤学为具体用例,探讨人工智能决策支持系统未来可能为患者护理提供解决方案,并可能在该领域实现个性化医疗。

要点

  • 多参数MRI产生的度量丰富信息可能使放射科医生信息过载,人工智能技术可建模影像、生物学与临床数据。
  • 监督学习算法在儿科神经放射学小数据集上易过拟合,但生成的分层可解释。
  • 决策支持系统常规临床转化率低,部分因黑箱决策过程不透明及缺乏标准化法律监管。

核心结论

  • 人工智能机器学习技术可能为儿科神经肿瘤学患者护理提供决策支持系统形式的解决方案,并可能在该领域实现个性化医疗。

研究设计与样本

  • 综述纳入世界文献中各类机器学习方法在儿科神经影像学应用的示例,未报告系统检索范围与文献纳入数量。

关键影像表现/征象

  • 常规增强MRI可充分描述病灶解剖,但不能描述其生理或代谢行为,且许多儿童脑肿瘤T1、T2及增强表现相似。
  • 儿童脑肿瘤增强程度不提示肿瘤分级,低级别毛细胞型星形细胞瘤(WHO I级)可明显强化,而H3K27突变型弥漫性中线胶质瘤(WHO IV级)可表现轻微强化。

诊断标准与关键数值

  • Quon等基于约399名儿童T2加权MR图像训练集,人工神经网络判定脑室大小的准确率在脑积水组为94.6%、对照组为85.6%。
  • 基于胼胝体宽度的支持向量机分层正常与缺氧缺血性脑损伤的准确率为95%,受试者工作特征曲线下面积超过95%。
  • Raji等用边缘密度成像支持向量机分层正常与轻度创伤性脑损伤,准确率94%、敏感度79%、特异度100%,优于神经认知测试。
  • Liu等比较同一数据集上决策树与支持向量机区分急性胆红素脑病与正常髓鞘化模式,决策树AUC为94.6%、支持向量机AUC为93.1%。
  • 朴素贝叶斯分类器区分自闭症谱系障碍与正常对照的最大AUC为84.9%,分类胎儿异常(胼胝体发育不全、Dandy-Walker变异、巨脑室、大枕大池、小脑发育不全、多小脑回)的准确率为63–91%。

临床应用与阅片要点

  • 人工智能可整合影像、生物学与临床多维数据,用于儿科神经肿瘤学的决策支持与预后建模。
  • 临床医生可能不愿接受黑箱分类器系统的输出,因决策过程不完全可见,这或反映决策支持系统常规临床转化率低。

局限性

  • 监督学习算法应用于儿科神经放射学相对小数据集时易过拟合。
  • 决策树易受训练数据集微小改变影响而致最终分类剧烈变化,过于复杂的树可致过拟合训练数据并无法正确处理新数据。
  • 朴素贝叶斯分类器所需训练数据集较小,但一般被认为相对其他技术表现较差。
  • 线性判别分析假设数据正态分布且方差齐性,在罕见病小队列中可能是不安全假设。
  • k近邻仅在处理少量输入变量时最优,在儿科脑肿瘤分析中少有成功,在儿科神经放射学其他领域无显著应用。
全文中译22 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:Pediatr Radiol. 2022 Mar 26;52(11):2159–72. doi: 10.1007/s00247-022-05322-w

引言

近年来,人们的兴趣集中在放射组学的应用上,即通过数据特征化算法从标准医学影像中提取大量定量特征,以改善神经系统疾病的放射表型分析。使计算机能够执行这一任务并确实从此类数据中学习以促进临床决策的过程通常被称为人工智能(AI)。此类方法已被应用于儿科神经放射学的多个领域,尤其是在神经肿瘤学方面[1]。本文综述了支撑儿科神经影像中人工智能的技术。我们审视了此类技术的优势与不足,并重点介绍了它们在儿科神经影像全域中的具体应用。关于儿童脑肿瘤,我们讨论了为何今后需要此类系统,并利用儿科神经肿瘤影像中的范例,审视了此类系统的未来可能。

机器学习技术

人工智能是使计算机系统“聪明”的概念,并且在放射学环境中,能够基于呈现给它的影像数据做出决策。机器学习指的是我们如何赋予计算机这样做的能力。机器学习不是必须对系统进行编程以在儿科神经放射学中执行决策任务,而是开发有效的计算机算法,使其像人一样从经验中学习,并从给定的所提供数据体中创建模型及相关的决策技能。在影像领域,此类数据包括影像检查本身。

近年来,机器学习技术在医疗保健中的应用迅速激增,这继发于电子健康记录的演变、患者数据积累的增加以及对健康信息学的日益关注[2, 3]。机器学习技术常被应用于传统统计分析可能无法产生准确结果的情况。一个例子是对来自影像检查的大型特征丰富数据集进行建模,而患者样本量相对较小,且存在非高斯分布和类别不平衡(例如特定肿瘤类型的相对数量)[4, 5]。若干医疗保健中的机器学习应用在仅使用影像数据诊断皮肤、乳腺和胸部病变时已达到医师级准确度[6–9]。

机器学习模型倾向于遵循两种总体模式,即有监督或无监督方法,前者由它们是否从所提供的、已特征化的训练数据集中“学习”来定义[10]。无监督学习技术不使用训练数据,而是从无标签数据中推断,无需任何预定义输出。有监督学习算法当应用于儿科神经放射学环境中见到的相对较小数据集时,可能易于过拟合[11]。然而,总体而言,它们的优势在于所生成的类别和分类器可被人解释,这是基于用于训练它们的标注数据。我们继续审视一些有监督机器学习技术,并考察由其支撑的具体儿科神经影像应用。

有监督机器学习技术

人工神经网络

技术

人工神经网络(ANN)之所以如此命名,是因为它们与生物神经网络相似。它们由一个节点网络组成,这些节点通过带权重的连接相互链接。这种连接加权会增加或减少节点之间连接的强度,并随着模型从训练数据中学习而自动调整。通常,ANN由多层节点网络组成,数据经过网络遍历并到达最后一层后生成输出[12, 13]。

应用

人工神经网络近来受到了大量关注,因为它们在例如胸片特征描述等方面取得了成功,常被描述为“大数据”分析。然而,在脑肿瘤成像中仅观察到中等程度的成功,主要是在成人神经肿瘤学领域[14–18]。其在儿科神经影像学应用中的一个主要问题是,“大数据”的影像学分析与儿科神经影像学领域内机器学习的需求相去甚远。例如,胸片是单张图像,可获得数十万张训练图像,而儿科脑成像的训练数据集在图像数量上小几个数量级,且异质性要大得多。在一些儿科神经影像学应用中,ANN以有针对性的形式取得了良好成功。这一点在通过心室大小将儿童分层为正常或脑积水方面体现得最为充分。Quon等[19]基于约399名儿童的T2加权MR图像训练集,能够进行此类分析,脑积水组的准确率评分为94.6%,对照组为85.6%(图1)。其他研究团队在儿科脑积水中也随着ANN技术的演进取得了类似成功[20]。ANN的性能可通过应用基于注意力的神经网络来增强,此类网络能够生成突出感兴趣区域的空间图,用于目标检测或解释。当处理大量复杂影像数据(如MRI脑数据集)时,这种方法很有用。将基于注意力的ANN应用于胎儿MRI数据集,在胎儿脑龄评估和异常检测方面取得了成功,曲线下面积(AUC)值高达90%[21, 22]。同样,卷积神经网络(CNN)也已成功分割胎儿MRI,改善了脊柱裂的产前诊断[23]。

图1 人工神经网络。a、b 使用轴位T2加权MR图像对代表性对照(a)和脑积水(b)病例的深度学习模型(蓝色)与人工金标准(绿色)分割。转载自[19] 查看原图 ↗

支持向量机

技术

支持向量机(SVM)分析带标签的输入数据并将其分组为类别,由最宽的分隔平面(支持向量)分隔。它们常用于数据之间存在非线性关系、因而分隔平面不易区分的情况。它们往往用于将数据分类为二分组,例如,“这个肿瘤是毛细胞型星形细胞瘤还是髓母细胞瘤?”然而,它们可以嵌套以允许更复杂的决策。

应用

相当大比例的儿科神经影像学与新生儿影像学相关,并试图生成与可能的神经创伤相关的结果预测。本文作者在这方面取得了一些成功,他们使用胼胝体厚度(在单张矢状位T1加权MR图像上测量)来确定儿童是否遭受过缺氧缺血性脑损伤[24]。主成分分析发现,遭受此类损伤的儿童在统计学上更可能出现胼胝体后部变薄。这与假设一致,因为白质纤维从中央沟周围皮质经胼胝体该区域放射,而该区域是痉挛型脑瘫患儿因急性重度缺氧缺血性脑损伤而常被观察到受损的脑区。随后基于胼胝体宽度使用SVM将儿童分层为正常或缺氧缺血性脑损伤成为可能,准确率达95%(图2;[24])。Raji等[25]使用类似技术,基于边缘密度成像分析遭受创伤性脑损伤(TBI)的青少年——同样使用SVM分层为正常或在此情况下的轻度TBI。该技术准确率达94%(敏感度79%,特异度100%),在这方面能够优于神经认知测试[25]。SVM还成功分类了胎儿脑的一系列MRI异常,包括功能连接、脑成熟度和严重胎儿异常,准确率为79–84%[26–28]。

图2 支持向量机(SVM)分层。a 中线矢状位T1加权MR图像显示一名6岁年龄匹配男性对照者的正常胼胝体。该图像还显示了感兴趣区的放置和第99百分位宽度。b 为对照病例(蓝色)和年龄匹配的重度缺氧缺血性脑损伤病例(黄色)生成的各百分位宽度轮廓(均值的95%置信区间)。c 对每名参与者的影像数据集进行SVM分层,分类为两组之一:(1)缺氧缺血性脑损伤或(2)发育迟缓对照。受试者工作特征曲线显示分类(正确分类=真阳性)为缺氧缺血性脑损伤组或对照组。注意高度分层,两组的曲线下面积均超过95%。这证明了该技术应用于这一特定影像指标时的效力。因此,它指向机器学习胼胝体分析在转化临床和学术应用中的前景。转载自[24] 查看原图 ↗

决策树

技术

决策树将关于对象的观察结果(分支)处理为关于项目目标值的结论(叶)。决策树分析是一种决策建模过程,在树的每一步对分支进行加权。这是一个开放的过程,与前面讨论的黑箱人工神经网络(ANN)不同,因为分支和权重对最终用户是可见且可解释的。举例来说,在脑肿瘤评估中,分支可以包括疑似肿瘤的解剖位置和高级指标MRI特征,最终叶代表预测的肿瘤诊断。决策树还提供特征选择,即可以移除特征以提高模型的效率。决策树能够处理大量数值和分类数据,这在现代医疗保健中至关重要。然而,决策树容易受到训练数据集微小变化的影响,导致最终分类发生剧烈变化,而过于复杂的树可能导致对训练数据的过拟合以及无法正确处理新数据[29, 30]。

应用

决策树分析也已用于新生儿影像学领域,以辅助诊断和预后判断。Liu等[31]使用此类技术分析MRI特征,以更好地区分急性胆红素脑病与正常髓鞘化模式。这项研究之所以有趣有两个原因。首先,它既包括影像组学数据,也包括放射科医生定义的影像特征。因此,它是将放射科医生的能力与计算机辅助影像分析相结合的一个范例。其次,它比较了机器学习技术,发现在该设置下,决策树分析的AUC为94.6%,而在相同数据集下SVM为93.1%。后一点说明,在大多数影像AI应用中,通常需要应用多种机器学习技术来确定对被建模数据的最佳方法。随着更多此类系统被开发用于儿科神经放射学的临床应用,一刀切的范式在未来并非最优。

决策树还被用于机器学习在儿科神经影像学中的另一个重要作用——即数据分析以为临床试验中的神经影像学提供信息。随着越来越多的研究依赖于多参数数据,我们需要更复杂的方法来分析和建模所得的影像发现。一个例子是作者的决策树分类器,用于一项随机对照试验,该试验纳入接受辛伐他汀治疗的1型神经纤维瘤病(NF1)相关孤独症儿童[32]。在这项工作中,神经影像学包括多体素γ-氨基丁酸(GABA)波谱、灌注成像、弥散张量成像和静息态功能MRI以及标准解剖评估,这是随着我们的成像序列发展而变得越来越常见的复杂影像研究类型的范例。理解这些数据是一项真正的挑战,AI可以帮助促进这一过程。在辛伐他汀研究[32]中,随机森林分类器能够以79%的准确率将儿童分类为接受辛伐他汀治疗者与对照组。这可能表明此类应用未来将为我们带来的收益。

朴素贝叶斯分类器

技术

朴素贝叶斯分类器是一种概率分类器,其在生成某诊断属于特定类型的概率时,假定研究中所有可用的影像学变量彼此独立。其优点是需要相对较小的训练数据集,但总体而言,目前认为其性能相较其他技术相对较差。

应用

孤独症谱系障碍的诊断基于儿童的临床神经心理/精神科评估。这些儿童常接受脑部扫描,以寻找可能表现为孤独症谱系障碍的潜在结构性或相关种系疾病,例如NF1或结节性硬化症等单基因异常疾病。然而,大多数孤独症谱系障碍儿童并无此类潜在疾病,因而为特发性孤独症谱系障碍。迄今为止,此类病例被认为不存在影像学上可识别的潜在结构性病因。然而,Chen等[33]采集了此类儿童的结构性MRI数据,并通过应用朴素贝叶斯分类器,分析大脑各区域(例如额回和海马等)的三维方向梯度直方图(一种图像处理描述子),从而最优地利用了这些数据;这项初步工作还分析了多中心的数据,在识别基于MRI的生物标志物以区分孤独症谱系障碍儿童与正常对照方面,达到了84.9%的最大AUC准确率。这是利用AI以先前无法实现的方式从影像数据集中提取最大信息的典范。

朴素贝叶斯分类器在应用于另一 rare 队列的MR成像时也取得了成功,该队列可用的影像训练数据集较小:产前诊断胎儿异常的儿童。朴素贝叶斯分类器能够对包括胼胝体发育不全、Dandy-Walker变异、脑室扩大、巨大池、小脑发育不全和多小脑回在内的异常进行分类,准确率为63–91%[27]。

线性判别分析

技术

线性判别分析(LDA)通过识别能够使用连续自变量区分两种或多种类型的特征组合之间的关系来对病例进行分类,这些连续自变量进而针对最终的分类因变量进行分析。然而,LDA假定数据呈正态分布且方差齐性;在罕见疾病过程的小队列中(例如儿童神经影像学中的那些),这可能是一个不安全的假设。然而,在新生儿环境中已有一些成功的应用。

应用

Gui等人[34]使用线性判别分析(LDA)比较了早产儿(出生时胎龄26–36周)在纵向随访中区域脑体积(包括脑脊液、小脑、未髓鞘化白质和灰质体积)的变化,并在达到足月等效龄时再次进行比较。采用这种LDA方法,他们随后对这些体积及其变化进行了建模,并加入了各种围产期因素,如脓毒症或持续性动脉导管未闭。所推导的模型使用了18个月和5岁时的运动和神经认知功能作为结局指标。这对于将临床因素纳入影像模型具有重要意义。机器学习技术整合此类数据的能力是我们超越仅使用影像所能实现的儿童预后判断能力的重大进步,尤其是考虑到这些儿童疾病大多数代表复杂的生物系统,只能通过多个不同数据领域来描述。

无监督学习算法

关于人工智能在儿科神经放射学中的任何讨论都必须包括对无监督学习算法的回顾,尽管如前所述,该临床领域数据集的样本量相对较小但特征丰富,导致在这一放射学实践领域的成功有限。K近邻(kNNs)是一种模式识别系统,可将新肿瘤归类为先前已识别的类型,即其大多数特征所属的类型[35]。虽然kNNs因其不对数据施加假设且系统不断演进是一种有吸引力的技术,但它们仅在处理少量输入变量时才能达到最佳效果(与此处讨论的影像数据集不同)。虽然kNNs已被应用于氢1(1H)磁共振波谱数据以对成人脑肿瘤进行分类[36, 37],但它们在儿童脑肿瘤分析中收效甚微,在儿科神经放射学的任何其他领域也没有显著应用。

机器学习技术的潜在陷阱

如前所述,机器学习的局限性包括数据过拟合和对异常值的敏感性。在终端用户层面,临床医生可能不愿接受黑箱分类器系统(如先进的神经网络)的输出,因为决策过程并非完全可见。这或许反映在决策支持系统向常规临床实践转化应用率较低上。此外,还缺乏像医疗器械那样存在的标准化法律监管,也没有明确的法律指南来规范对人工智能系统生成输出的独立数学审查和验证。这些因素也阻碍了此类系统被纳入常规临床实践[38]。最后,还存在关于使用大量患者数据以及将来自多个患者来源的所述数据整合到一个存储库和基于此类数据构建的分析系统中的伦理考量。可能出现的问题包括数据所有权、个人数据被采集进入机器学习系统的知情同意,以及机构与人工智能系统之间共享数据时的安全考虑。由于机器学习在儿科神经影像乃至整个医疗保健领域的应用相对处于初期阶段,与数据管理、所有权和知情同意相关的问题很可能出现[39, 40]。

人工智能在儿童神经肿瘤学中的应用

在回顾了已应用于儿童脑成像的不同人工智能技术之后,我们现在考察儿童神经肿瘤学的具体应用场景,以明确此类方法在未来临床使用中最适合的角色。

诊断

脑肿瘤是儿童中最常见的实体肿瘤[41]。尽管在诊断辅助手段、神经外科技术、辅助治疗和支持性护理方面取得了进展,它们仍然是儿童癌症相关死亡的主要原因[42]。儿童脑肿瘤给治疗临床医生带来了重大挑战,原因有多方面,包括神经外科可及性、病变与周围关键结构的紧密关系、潜在的转移播散以及治疗对发育中大脑的影响。近来,这些因素之外还出现了对既定肿瘤实体内部生物学异质性的新认识,导致肿瘤亚分组扩展以及基于这种瘤内分子格局的风险分层系统不断演变[43–48]。与成人对应疾病或非中枢神经系统(CNS)肿瘤相比,患者数量相对较少,这使上述考量更加复杂[41, 49, 50]。这构成了一个高维数据问题:由少量患者生成的深层、多层面、特征丰富的数据集,传统统计分析往往不适用,从而使准确的结局预测具有挑战性[1]。

儿童脑肿瘤的诊断在历史上大体上是标准化的;通常在就诊时先进行常规MR成像,然后进行手术,形式为活检、减瘤或切除,组织样本由组织病理学家进行形态学评估。近年来,基因组阵列、基因表达谱分析、荧光原位杂交(FISH)、基因组测序和甲基化组学等分子技术的出现,使我们对儿童脑肿瘤的理解超越了简单的组织学分类,基于共同的遗传异常和生物学行为,在既定肿瘤实体内部识别出固有亚组[44–49, 51–54]。

近年来,随着多参数MRI的出现和应用,无创影像学肿瘤评估也发生了演变,包括弥散加权成像、灌注加权成像和MR波谱序列[55]。现代先进MRI现在能够生成病变的生理和生化特征,产生超越简单解剖描述的详细信息[56]。显然,在临床表现时提高影像学诊断准确性对治疗临床医生是至关重要的辅助手段,有助于改进关于是否需要积极手术的规划、向患者和父母传达信息的准确性,以及规划辅助肿瘤治疗的能力——在所有这些因素中,人工智能都可能提供额外数据以帮助个体化病例决策。

先进的多参数磁共振成像技术

常规对比增强诊断性MRI虽能提供病灶充分的解剖描述,却不能描述其生理或代谢行为。此外,在评估许多儿童脑肿瘤时存在影像学诊断重叠,因为它们可表现出相似的T1、T2和对比增强表现。与成人 counterpart 不同,儿童脑肿瘤的对比增强程度也不能提示肿瘤分级[57]。事实上,低级别毛细胞型星形细胞瘤(世界卫生组织[WHO] I级)明显强化,而桥脑H3K27突变型弥漫性中线胶质瘤(WHO IV级)可表现为轻微对比增强[58, 59]。

期望多参数MRI技术将补充脑肿瘤的常规影像数据,在适当情况下提供更准确、无创的活体影像表型分析和肿瘤分子亚组的影像学判定[55, 56, 60–70]。事实上,弥散加权成像(DWI)、灌注加权成像(PWI)和MR波谱现已作为儿童脑肿瘤初始评估的一部分常规采集。

儿童脑肿瘤影像的影像基因组学

预期通过此类技术,与肿瘤尺寸或体积等标准影像指标相比,改善的肿瘤表征可能更好地提示预后[1, 71–73]。此外,将高级影像表型与肿瘤分子生物学数据相关联——称为影像基因组学——可能进一步提高结局预测能力。影像基因组学研究已为脑肿瘤中经证实的分子肿瘤亚组确定了离散的影像特征,包括最常见的儿童恶性肿瘤——髓母细胞瘤——这些特征可能作为预测性生物标志物发挥作用[60–62, 66]。更进一步,影像基因组学多中心研究已证明使用AI从诊断性MR成像预测髓母细胞瘤亚组的概念验证结果[61, 62, 74]。

神经肿瘤学影像中的人工智能技术

诊断

如前所述,在某些情况下,这些目前处于儿童脑影像AI研究前沿的机器学习技术已能够从既有影像研究中提取额外数据。事实上,人工神经网络(ANN)在此类方法上取得了一定成功,仅使用T2加权成像即可对毛细胞型星形细胞瘤、髓母细胞瘤、室管膜瘤和桥脑弥漫性中线胶质瘤进行分层[75]。决策树在识别复发性成人多形性胶质母细胞瘤(WHO IV级胶质瘤)生存预后因素以及区分低级别和高级别胶质瘤方面也取得了一定成功[76, 77]。在儿童中,这些技术在神经肿瘤学方面的成功较为有限,但仍代表未来工作的机会。就线性判别分析(LDA)而言,利用儿童脑肿瘤的1H MR波谱和DWI数据成功实现了髓母细胞瘤、室管膜瘤、浸润性胶质瘤和毛细胞型星形细胞瘤的分类[78–81]。

支持向量机已被用于脑肿瘤的MRI纹理分析领域,这是机器学习的一种应用,通过量化影像数据生成图像纹理,而这种特征通常是人眼无法察觉的[82, 83]。纹理分析为临床医生提供了价值,因为它利用了整个肿瘤的影像数据集,因此能够反映肿瘤内异质性,而单点活检甚至多点活检可能无法捕捉到这种异质性[83]。纹理分析已成功用于脑肿瘤的诊断和分级,能够区分毛细胞型星形细胞瘤、髓母细胞瘤和室管膜瘤,准确率高达95%[83–86]。

在纹理分析应用的基础上,Orphanidou-Vlachou等人[87]结合了LDA和概率神经网络的能力,将后颅窝肿瘤分类为髓母细胞瘤、毛细胞型星形细胞瘤或室管膜瘤,基于其所用技术的留一交叉验证,准确率为86–93%。这种人工智能在诊断评估中的应用为诊断效能提供了未来的辅助手段,并且有趣的是,它可以在标准采集的T1和T2加权成像上进行。

支持向量机还被成功用于通过将常规数据与额外的多参数成像信息(如弥散张量成像和PWI数据)相结合来对肿瘤分级进行分类[88]。此外,它们已被用于预测成人胶质瘤和转移瘤术后生存率,准确率高达95%,利用了MRI以及临床、手术切除和组织病理学评估数据[89–93]。Li等人[94]使用成功的SVM方法基于术前影像将毛细胞型星形细胞瘤与室管膜瘤区分开来,灵敏度为93%,特异度为80%,总体准确率为88%。通过使用朴素贝叶斯分类器也取得了类似的成功,它们利用多参数MRI数据集成功地对脑肿瘤进行了分类和分级[95, 96]。然而,与其他技术如SVM和随机森林分类器相比,它们的表现相对较差。

结局预测

虽然人工智能在脑影像中的大多数神经肿瘤学应用集中于肿瘤分层,但在结局预测方面正在展现出令人兴奋的机遇。利用人机交互能力的一个典型例子是Liu等人[97]的工作,他们基于术前影像和C.45(一种决策树方法)决策树分析来预测后颅窝肿瘤患儿发生小脑缄默综合征的风险(图3)。该系统利用放射科医生对肿瘤位置的识别、肿瘤对结构的侵犯或压迫以及患儿年龄来确定小脑缄默综合征的风险,风险分层准确率为88.8%。这种方法有能力显著改变我们与患者及其父母关于预后判断的讨论,并在术前提醒治疗团队注意潜在的结局问题。

图3 预测小脑缄默综合征(CMS)准确率最高(91.0%,81/89)的C4.5决策树。该决策树基于特定影像学特征的放射学识别,包括小脑半球侵犯、双侧小脑中脚(MCP)侵犯、齿状核(DN)侵犯、室管膜瘤的术前放射学诊断、MCP受压和年龄。n为数量,yr为岁。转载自[97] 查看原图 ↗

神经影像数据集

罕见疾病如儿童脑肿瘤常常带来诊断挑战,尤其是当表现的放射学表型与任何已建立的放射学诊断模式不一致,或当地放射学团队缺乏特定领域的专家经验时。改善罕见疾病放射学诊断的一种方法是将影像学特征贡献到共享数据库,从而允许将新出现的影像学特征与更大的、先前不可用的参考库进行比较。

开放获取的公共数据集现已广泛可用,包括OpenNEURO.org(MRI和心电图数据的共享平台)、英国生物银行(包含神经影像的大型医学数据库)、通过荟萃分析增强神经影像遗传学(ENIGMA)联盟(来自70多个机构的大规模研究协作网络)和人脑连接组计划(神经数据汇编)。这些资源旨在将可用样本量增加到超出单个机构的范围,生成可能允许研究先前不可捉摸问题的数据集。OpenNeuro.org上可用数据的广度已促进了广泛的研究,包括人脑连接组、儿童演绎推理功能、精神分裂症和双相情感障碍中的白质疾病,以及MRI图像质量的自动预测[98–101]。在访问此类资源时,应注意检查数据集的更新以及处理流程和模型的更新,以及宿主组织正在进行的质量控制调整;所有这些因素都可能影响研究结果[102–106]。

特定儿童放射学数据库的成功应用包括INTERPRET(非首字母缩略词)和自闭症脑影像数据交换(ABIDE)项目。INTERPRET项目成功积累了脑肿瘤的1H MR波谱特征,这一特征并非所有放射科医生都能解读,形成了线性判别分析驱动的决策支持系统的基础。INTERPRET决策支持系统旨在成为医生和生物化学家普遍可访问的系统,允许从任何MRI扫描仪输入新病例数据。在69–85%的测试集分析中实现了准确的肿瘤分类,尽管作者建议进一步评估模型的分类性能极限,并在早期模型迭代中遇到了数据质量控制问题[107, 108]。

ABIDE汇总了539名自闭症谱系疾病儿童和病例匹配对照的1,000多份功能性MRI扫描,识别了自闭症谱系疾病已知功能障碍区域(岛叶中部和后部以及后扣带回皮层)的共同特征,以及较少被评估的区域。这一共享数据库展示了汇集多个来源数据集在确认已建立特征和发现罕见疾病新特征方面的潜在益处[109]。

开放获取的共享数据集存在数据安全与保密问题,尤其在罕见病背景下;按照美国国立卫生研究院指南进行匿名化的数据集已被重新识别,导致一些协作项目维持私有访问数据库[110–112]。

总结

多参数MRI在影像学界正逐步确立用于评估儿童脑肿瘤的地位。期望所生成的特征丰富数据能够改善影像组学特征提取,并在某些情况下与分子亚组相关联。虽然已有影像基因组学和影像表型学研究报道,但此类数据尚未常规整合以用于儿童脑肿瘤的 upfront 风险分层和结局预测。尚未使用该方法预测复发和再发率及此类事件的时间窗。人工智能,以本文讨论的机器学习技术为基础,为该领域实现个性化医疗提供了潜在解决方案。

人工智能为我们提供了处理现代医学影像实践中产生的大量高维数据的有用工具。将机器学习模型应用于儿童脑多参数MRI数据,并整合伴随的遗传、组织病理学、临床和手术数据,应能够实现更好的风险分层系统、更好的预后预测以及根据儿童基础诊断制定的个体化监测方案。此类系统的临床转化正通过实施本文所述的机器学习技术以及支撑临床决策支持系统的人工智能来实现。临床决策支持系统被定义为任何以临床情境信息作为输入数据、并输出关于该临床情境的推断以帮助从业者决策的软件[113]。鉴于其数据处理能力和预测输出,临床决策支持系统及其支撑的机器学习技术正逐渐被医学应用所接受[113, 114],特别是因为现代医学实践中吸收的信息量(如现代儿童神经影像研究中产生的大量影像数据所证明)可能对人类决策表现构成不可忽视的限制[115, 116]。

我们预测,神经影像人工智能应用的验证及其融入主流临床实践将分两个阶段进行。首先,分类与结局预测的临床决策支持系统将与已有的临床实践(如神经肿瘤多学科团队会议)并行试验,通过与其本地专家临床意见的直接比较来评估性能。其次,那些显示出潜力的模型将在正式试验的条件下,使用未见过的数据进行前瞻性试验。就儿科神经影像应用而言,鉴于患者队列规模小以及某些疾病呈散发性表现,应用的验证可能是一个长期过程。此外还存在将此类系统整合到现有卫生信息学基础设施中的挑战;目前大多数国家卫生服务体系(NHS)系统既无法纳入此类模型,也不利于自动化数据采集。Topol报告建议为NHS内的数字化转型提供专项资助,以帮助此类项目的开发。

在本地层面,通过贡献组织良好的罕见病影像数据集,尤其是已进行高级定量指标成像的数据集,可以对该领域做出有意义的贡献。理想情况下,数据应贡献至安全的开放获取数据库,以鼓励罕见病领域的协作工作。应鼓励临床医生与数据科学家之间的协作倡议,以确保应用适当的数据处理和机器学习算法,并在医疗保健领域内开发由临床医生主导的人工智能项目。

在未来十年,我们预计此类临床诊断决策支持系统将逐渐被接受并部署到临床儿科神经放射学中,因为它们将从本文所讨论的学术领域转化到工作站,并且最重要的是,成为常规临床实践中使用的有价值的工具。

引用

  1. Pringle C, Kilday JP, Kamaly-Asl I, et al. The role of artificial intelligence in paediatric neuroradiology. Pediatr Radiol. 2022. PMID: 35347371. doi:10.1007/s00247-022-05322-w
  2. 全文:PMC9537195(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9537195/

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。