人工智能在胰腺肿瘤成像中的应用及挑战(2)

二、AI在胰腺肿瘤中的疗效评估

不同胰腺肿瘤的治疗方法往往不同，且患者存在治疗反应的个体差异，利用AI研究胰腺肿瘤标准化治疗后的生物学行为及疗效具有重要临床意义。在胰腺癌患者治疗疗效评估研究中，Chakraborty等[20]提取了255个术前CT图像特征，对35例接受吉西他滨新辅助化疗后行手术联合吉西他滨辅助化疗的患者生存期进行预测，发现基于梯度方向和强度的角度共生矩阵模型对患者2年期生存期(<2年或>2年)的区分能力最好(AUC为0.90，准确率为82.9%)。对放射治疗的胰腺癌患者，治疗前CT图像影像组学特征模型能较好地预测病灶局部控制以及患者总体生存情况[21]。Yun等[22]基于88例胰头癌患者术前CT图像的直方图和灰度共生矩阵的纹理分析，发现纹理参数在复发组和非复发组中有显著差异，并且在多变量Cox回归分析中，多个参数(筛选值0和1的标准差、筛选值1.5的对比度等)与无病生存率和淋巴结转移显著相关。

三、AI在胰腺肿瘤中的预后预测

越来越多的证据表明，AI可以通过影像学特征及模型预测胰腺癌患者治疗后的生存期。Sandrasegaran等[23]研究了60例不可切除胰腺癌患者的CT纹理特征，发现阳性像素平均值、峰度、商和偏度与患者总体生存情况相关。阳性像素平均值>31.625和峰度>0.565的胰腺癌患者有更差的总生存率。峰度值越大表明肿瘤异质性越高，其可能影响肿瘤对全身或局部治疗的反应能力。Walczak等[24]基于ANN预测有无手术切除的胰腺癌患者术后7个月生存率，灵敏度和特异度分别为91%和38%。该方法对患者和外科医师来说都是有价值的，可以为胰腺癌患者临床治疗策略的选择提供参考，以提高患者的生活质量及延长生存期。

四、AI在胰腺肿瘤成像中的发展前景

传统影像学评估胰腺肿瘤主要依赖于定性特征，如肿瘤密度，强化模式，瘤内有无出血、坏死和钙化，肿瘤边缘特征，肿瘤与周边组织的解剖关系及对周围组织的影响。以影像组学及深度学习为代表的AI技术的发展，对图像特征包括形态、纹理、强度等信息的挖掘更为丰富和深入，AI量化出人类肉眼无法识别到的图像信息，从而加强临床决策[4,8]。作为无创的手段，在医学影像领域将发挥重要作用。

AI将对临床工作流程进行优化和简化。对于胰腺肿瘤来说，CT、MRI是最为常用的影像检查手段，AI不仅仅应用于疾病诊断[25]，许多临床环节都涉及到影像分析，特别是对MRI检查来说，AI应用于自动化、智能化扫描及标准化诊断报告生成可大大提高临床工作效率及质量。此外，AI还可以将多个数据流聚合成功能强大的诊断系统，涵盖影像图像、基因组学、病理学及电子健康档案等。

AI将优化肿瘤分割。在目前的临床实践中，肿瘤通常是手动分割而定义的，尽管手动分割是目前研究的金标准，但分割结果的好坏并无评判或统一标准[26]。即使熟练的专家在图像分割中也存在偏倚[27-28]，同时手动图像分割需花费较多时间和精力。AI具有通过自动分割显著提高肿瘤测量的效率、重现性和质量的潜力。随着计算速度的增加和AI算法效率的提高，肿瘤病变的未来分析很可能不需要单独的分割步骤，并可通过AI算法直接评估全身成像数据。

AI的应用需要多中心大样本研究结果来验证。尽管AI在胰腺肿瘤中的大多数应用研究尚未得到有效再现性和普遍性的验证，但结果已显示AI在临床应用表现出巨大潜力。AI在胰腺肿瘤应用中尚不成熟，从原始图像的采集到模型建立,有许多问题亟需解决。尤其是现有的研究数据大多来源于单一机构，样本量小且其结果未得到广泛验证。另外，图像来源的异质性对AI在临床应用有一定限制。因此，需要建立统一的成像标准、开展多学科合作、多中心研究，从而建立精准的、稳定的胰腺肿瘤诊断、预测手段，更好地应用于临床和服务患者。

利益冲突所有作者均声明不存在利益冲突

[1] Ledley RS. Computer aids to medical diagnosis [J]. JAMA,1966,196(11):933-943. DOI:10.1001/

[2] Rajkomar A, Dean J, Kohane I. Machine learning in medicine [J]. N Engl J Med, 2019, 380(14):1347-1358. DOI:10.1056/NEJMra.

[3] Lambin P, Rios-Velazquez E, Leijenaar R, et al. Radiomics: extracting more information from medical images using advanced feature analysis [J]. Eur J Cancer, 2012, 48(4):441-446. DOI: 10.1016/

[4] Aerts HJ, Velazquez ER, Leijenaar RT, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach [J]. Nat Commun, 2014, 5:4006. DOI: 10.1038/ncomms5006.

文章来源：《肿瘤影像学》 网址: http://www.zlyxxzz.cn/qikandaodu/2020/1217/376.html