前言：尋找寫作靈感？中文期刊網用心挑選的腦膜瘤影像人工智能應用進展，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。
[摘要]人工智能在醫學影像中的應用飛速發展，目前已用于腦膜瘤影像瘤周水腫的準確分割、預判腦膜瘤的病理級別及鑒別診斷等。筆者就人工智能技術在腦膜瘤影像的應用現狀和未來發展進行綜述。
[關鍵詞]腦膜瘤；人工智能；機器學習；影像組學
人工智能(artificialintelligence，AI)是1956年在Dartmouth大學舉辦的會議期間首次出現的名稱[1]。作為一個通用術語，它是指以最低限度的人為干預，讓計算機自行模擬智能行為[2]。本文就人工智能在腦膜瘤的影像應用進展及發展前景進行綜述。
1AI在影像診斷領域的應用背景
AI是計算機科學的分支，用機器執行通常由人的智力活動完成的認知任務。AI近來在感知能力方面取得了巨大進步，已能讓機器更好地描述和解釋復雜的數據。而深度學習的加入，強化了計算能力，加速了AI的發展。當前影像診斷專業的特點是大量的圖像和報告以數字形式存在，這些特點在推動醫學進入數字化時代的過程中起到了引領作用，同時為發展AI提供了契機。AI在影像醫學應用的最初目的是在臨床工作中提高效率和效果，減少專業人員的失誤，增加客觀性。近年來，影像組學結合深度學習技術(AI的算法之一)可自圖像中自動學習有代表性的特征，從而在腫瘤影像學領域幫助臨床決策，如明確診斷、不同癌癥的危險分層等。目前廣泛使用的AI方法分為2種：第一種是手工裁切特征，如腫瘤紋理特征，再使用計算機程序進行量化；第二種方法是深度學習，深度學習算法能自動從數據中提取特征，不需人工預定義特征[3]。AI在腫瘤影像的應用主要是發現異常(腫瘤識別)、特征提取、監測變化這3個方面，但也面臨一些挑戰，包括開發通用術語以及在不同成像平臺和患者人群中制定AI程序使用的驗證標準。
2AI在腦膜瘤影像的應用現狀
腦膜瘤AI應用的倫理問題由McCradden等[4]進行了研究，結果表明幾乎所有參與者都認為，售賣醫療數據應該被禁止，但為了改進健康狀況，也有小部分人認為暴露少量隱私是可以接受的。技術方面，腦膜瘤圖像分割、智能識別的方法學研究不斷進步，自動化程度越來越高，從而使得影像結果輸出更方便、快捷及精準。2019年1月，Laukamp等[5]采用深度學習模型對56例腦膜瘤患者(病理組織類型Ⅰ級n=38、Ⅱ級n=18)的T1WI、T2WI、T1增強圖像和FLAIR圖像進行識別、分割，輸入模型后結果顯示檢測到腦膜瘤55例，與人工分割效果相當。這表明盡管掃描器數據各不相同，但深度學習模型仍能對腦膜瘤組織進行準確的自動檢測和分割。同年8月，Stember等[6]采用視覺追蹤技術對腦膜瘤圖像進行分割，結果表明，該方法可用于深度學習的語義分割，將來進一步優化，便可以通過更快、更自然的方式用于臨床。2020年2月，Laukamp等[7]對56位腦膜瘤患者的影像數據分別進行兩種處理：深度學習算法自動分割和由兩位高年資影像工作者手動分割，輸入模型后結果顯示為55個腦膜瘤是由深度學習自動分割的，其研究表明對腦膜瘤圖像采用基于深度學習的自動分割具有較高的分割準確性，與人工分割效果相當。這種自動分割圖像包括增強掃描T1WI和FLAIR圖像，與Laukamp等[5]的研究相一致。鑒于腦膜瘤的瘤周水腫程度影響患者的臨床結果，亦有研究者使用半自動方法對該區域進行了精準分割，Latini等[8]使用商業軟件(VuePACSLivewire)在50例顱內腦膜瘤患者的磁共振圖像上采用半自動計算方法計算瘤周水腫量。結果表明無論圖像信號如何變化，都可以精確計算水腫量且具有很高的可重復性。且經過較短的訓練后，便可簡單快速的在臨床實踐中實施。應用方面，這些圖像分割、機器學習等智能手段在腦膜瘤的應用目前主要集中在以下幾個方面：腦膜瘤病理級別的判斷、腦膜瘤的鑒別診斷和瘤周水腫的識別與分割等。其中以腦膜瘤病理級別的判斷研究最多，不同研究者采用的方法不盡相同。早在2016年，Krivoshapkin等[9]設計實驗，由一名放射科醫生和兩名神經外科醫生使用先進的計算機算法分析48例腦膜瘤切除術前1.5T磁共振圖像并區分術前腦膜腫瘤的組織學類型，結果表明高級數學算法在區分腦膜瘤病理級別中具有高度的特異性、靈敏度和可重復性，但當時并未引起重視。2018年11月，ArokiaJesuPrabhu等[10]研究團隊使用一種新型的支持向量機方法，實現了對腦膜瘤病理級別的判斷。與此同時，Hale等[11]通過機器學習對1998～2010年間WHOⅠ級(n=94)和Ⅱ級(n=34)腦膜瘤的18～65歲患者的影像數據進行分析，結果表明機器學習算法是功能強大的計算工具，可以非常準確地預測腦膜瘤分級。到2019年，類似的研究明顯增加，所用的研究方法和MRI圖像也不斷更新。2019年3月，Lu等[12]回顧病理數據庫，納入152例腦膜瘤患者的421張術前ADC圖用于紋理分析，通過機器學習分類器可實現與經驗豐富的神經放射科醫生同等的診斷性能，可對腦膜瘤進行準確分級。表明基于ADC值和ADC值紋理分析的決策樹模型具有廣泛前景，可以在不久的將來提供更精確的診斷和輔助診斷。同年7月，Zhu等[13]通過181例腦膜瘤患者的MRI深度學習影像組學模型，以非侵入性方式對腦膜瘤進行分級，結果表明深度學習影像組學模型在非侵入性個體化腦膜瘤分級預測中其量化能力十分突出。其實驗組使用深度學習的影像組學分析方法也實現了腦膜瘤病理級別的判斷。同年10月，Zhu等[14]基于數據擴增和改良卷積神經網絡自動預測腦膜瘤病理級別。同年11月，Hamerla等[15]使用了4種機器學習方法，進一步提高了腦膜瘤病理級別的分級并具有很好的敏感度和特異度。同年12月，Laukamp等[16]通過MRI形態學檢查序列、擴散序列進行病變的形態學參數、紋理特征分析，實現了腦膜瘤的病理分級。2020年6月，Ke等[17]利用多參數MRI圖像也對這一科學問題進行了研究。與腦膜瘤病理級別的判斷比較，AI在腦膜瘤的診斷和鑒別診斷方面的研究相對較少。2019年7月，Shrot等[18]通過隊列研究，將141例患者(41例膠質母細胞瘤，38例轉移瘤，50例腦膜瘤和12例原發性中樞神經細胞瘤)的形態學MRI、灌注MRI和擴散張量成像序列應用于機器學習方案來鑒別不同類型的腦腫瘤，結果顯示使用普通和高級MRI序列的機器學習方案具有高性能的自動腫瘤分類算法，可應用于臨床決策中優化腫瘤分類。同年9月，Li等[19]通過回顧性分析，在67例患者的MRI序列(T2-FLAIR，擴散加權成像和增強的T1WI)中提取498個組學特征(12個臨床特征和486個紋理特征)，將紋理分析應用于機器學習模型中。結果顯示，與血管瘤性腦膜瘤相比，惡性血管周細胞瘤更大，腫瘤周圍水腫程度更小，并且紋狀血管更多。表明機器學習在鑒別惡性血管周細胞瘤和血管瘤性腦膜瘤的診斷中具有重要價值。2020年，AbdelazizIsmael等[20]使用殘差網絡的深度學習方法，對腦膜瘤、膠質瘤和垂體瘤進行了識別，準確率高達99%。國內文獻也對腦膜瘤的分割和機器學習有所研究，但與英文文獻相比有明顯的差別：一是研究的論文數量較少，二是所涉及的內容不及英文文獻廣泛，三是研究時間晚于國外。目前國內文獻在這方面的研究絕大多數局限于應用方面，如腦膜瘤的分級[21-25]、病變的識別[26]及鑒別診斷[27-28]。關于方法學的改進方面中文文獻較少，唐青青等[29]應用體視學方法進行了這方面的探索。
3AI在腦膜瘤影像研究中存在的問題及應用前景
目前國內外對腦膜瘤影像的分割及AI的研究雖起步晚，但發展快，初步展現出良好的應用前景。目前的趨勢主要有2個方面，一是AI方法學的不斷更新和進步，二是影像學數據的來源由常規影像向高級MR成像數據轉變。但目前的研究內容較單一，大部分限于腦膜瘤病理級別的判斷，其次是鑒別診斷。因此，造成目前的研究成果水平有待提高、高質量學術論文缺乏。在大數據時代，AI影像診斷是不可阻擋的未來趨勢。在腦膜瘤的研究方面，尚需借助這一先進的技術手段，在更深層次的科學問題上展開研究，解決腦膜瘤的瓶頸性科學問題，從而推動腦膜瘤科學研究的進展和臨床能力提高?？傊?，隨著AI技術的不斷進步和影像學檢查模式的發展，AI在腦膜瘤影像方面的應用會向更深層次發展，未來對腦膜瘤的病理機制探索和臨床治療策略的制定會有更大的幫助。
作者:鄭飛 陳緒珠 單位:首都醫科大學附屬北京天壇醫院放射科