1. AI在影像學領域中的應用現狀
AI是指研究開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門信息科學。當前AI在醫學影像中的應用主要體現在使用以深度學習為代表的方法對影像大數據進行挖掘，搜索和提取相關信息，而影像組學則是此類工作模式的代表。
AI在醫學影像中的應用可以概括為以下3個方面。① 疾病篩查檢出：使用AI的方法快速識別及檢出病灶，提高病變檢出效率，降低漏診率，減少放射科醫師尋找病灶所耗費的時間;② 協助放射科醫師診斷：對病灶進行分析，給放射科醫師提供額外的影像診斷信息，使醫師可以做出更為精確的臨床診斷;③ 提供具有附加價值的工作：AI可以輔助影像數據處理，如使用AI軟件進行腫瘤邊界分割重建、病變體積測量等，輔助臨床和研究工作。
AI在醫學影像中的研究和應用已取得了一定的進展，包括肺部病變、視網膜病變、骨骼病變及神經系統病變等。其中AI在肺結節方面的研究和應用進展最為迅速，取得了大量成果，包括肺結節的檢出、分割和性質判斷等。在其他腫瘤影像領域，AI也取得了不俗的研究成果，如Bahl等回顧性收集1 006例乳腺高危病灶，發現基于隨機森林機器學習建立的模型能有效預測乳腺高危病灶進展為乳腺癌的風險，從而改善了高風險乳腺病灶患者的臨床管理。Chang等運用卷積神經網絡(convolutional neural network，CNN)分析496例膠質瘤(Ⅱ~Ⅳ級)的MRI影像特征，建立預測模型，對腫瘤的異檸檬酸脫氫酶(isocitrate dehydrogenase，IDH)突變情況進行預測，在驗證組中的準確率達89.1%。
2. AI在腎腫瘤影像學中的研究現狀
盡管影像學檢查在腎腫瘤診斷和臨床管理中具有重要價值，但目前腎腫瘤臨床影像存在部分腎腫瘤良惡性鑒別困難、晚期腎細胞癌療效評價困難等問題。這些通過傳統影像學方法難以有效解決的問題雖然還未引起AI研究領域的足夠重視，但AI在腎腫瘤影像局部領域已有所應用，包括鑒別診斷、機制研究及治療預后評價等。
2.1 腎細胞癌與腎良性腫瘤的鑒別診斷
目前，病理診斷是腎腫瘤確診的金標準。盡管腎細胞癌在影像上具有較為明確的特征，如對比劑增強掃描時腎透明細胞癌快進快出的強化特點和乳頭狀腎細胞癌在磁共振T2WI上的低信號表現，但在日常臨床工作中，醫師憑借現有的影像檢查技術(包括CT和MRI檢查)常難以實現腎細胞癌與某些腎良性腫瘤的術前鑒別診斷，如乏脂肪血管平滑肌脂肪瘤。此類良性腫瘤在大多數情況下只需保守治療或隨訪，因此實現腎細胞癌與腎良性腫瘤的術前準確診斷尤其重要。
Lee等回顧性收集39例乏脂肪血管平滑肌脂肪瘤和41例腎透明細胞癌患者，通過在腹部CT增強圖像上提取腫瘤相關特征(包括hand crafted features和deep features)并結合這些特征形成深度特征自動分類方法以區分腎透明細胞癌與乏脂肪血管平滑肌脂肪瘤，準確率達76.6%。Feng等嘗試通過深度學習的方法區分小(<4 cm)乏脂肪血管平滑肌脂肪瘤與腎細胞癌，回顧性收集17例小乏脂肪血管平滑肌脂肪瘤和41例小腎細胞癌患者，提取大量基于深度學習的特征，通過支持向量機遞歸特征消除(support vector machine with recursive feature elimination，SVM-RFE)和合成少數類過采樣技術(synthetic minority over sampling technique, SMOTE)等AI方法篩選紋理特征，并最終使用11個特征構建模型，所建立模型的準確度、靈敏度和特異度分別為93.9%、87.8%和100.0%。
在臨床影像工作中，嗜酸細胞腺瘤常難以與腎細胞癌進行有效鑒別。近年來一些研究也表明，傳統影像學方法鑒別腎細胞癌與嗜酸細胞腺瘤的效能較低。AI的出現為這方面帶來了一定的突破。Yu等使用影像組學(支持向量機等)方法對腎細胞癌和嗜酸細胞腺瘤進行紋理分析，發現峰度和偏度區分腎透明細胞癌與嗜酸細胞腺瘤的效能最高，其受試者工作特征(receiver operating characteristic，ROC)曲線的曲線下面積(area under curve，AUC)分別為0.91和0.93，而直方圖特征中位數區分乳頭狀腎細胞癌與嗜酸細胞腺瘤的效能最高，其AUC為0.99。
綜上所述，對于困擾臨床決策的部分良性腫瘤(嗜酸細胞腺瘤、乏脂肪血管平滑肌脂肪瘤等)，AI能夠在傳統影像學的基礎上提高診斷效能，幫助實現腎良惡性腫瘤的準確鑒別診斷，從而給臨床決策提供指導意見，改善相關患者的治療流程。
2.2 腎細胞癌影像特征與基因、分子等的相關性
基因、分子是影響惡性腫瘤發生、發展的重要因素，對基因、分子的研究有助于了解腫瘤的病理生理，改善腫瘤的臨床診斷和治療。近年來的一些研究表明，腎透明細胞癌的基因突變狀態與腫瘤的影像特征存在一定的相關性，提示影像特征能夠預測腎透明細胞癌的基因狀態。最近的研究表明，在腎透明細胞癌中，除了VHL腫瘤抑制基因的失活突變外，BAP1、PBRM1、SETD2和KDM5C等基因在腫瘤的發生、發展中也起著一定作用，且與腫瘤進展和預后不良等密切相關。
影像基因組學能夠通過AI提取大量腫瘤影像特征，同時將影像特征與腫瘤的潛在基因突變狀態相關聯，實現對腫瘤基因突變狀態的治療前預測，同時為臨床靶向治療提供依據。Karlo等的研究發現，VHL的突變與清晰的腫瘤邊界、結節樣的腫瘤強化和瘤內血管的存在相關，而KDM5C和BAP1的突變則與腎靜脈受侵相關。另外一項多中心研究發現，BAP1突變與不清晰的腫瘤邊界和存在鈣化相關，MUC4突變則與腫瘤的外生性生長方式相關。
Jamshidi等通過使用CT影像特征構建一種基于影像基因組學的腎透明細胞癌多基因表達分子檢測的替代模型，從而實現了無創性地獨立預測患者的疾病相關存活率。盡管當前的影像基因組學研究只是把某些宏觀上的影像特征與腎細胞癌的基因表達相關聯，但是這預示著可以利用AI在提取影像高通量特征并對特征加以學習，從而發現更多與腎細胞癌基因表達相關的特征，實現術前應用影像預測腎細胞癌的基因表達，實施腎細胞癌患者的個體化治療，達到精準治療的目的。
此外，相關研究表明，腫瘤血管生成在腎透明細胞癌的生長、增殖和轉移中具有重要的作用。同時，腫瘤血管生成還是腎透明細胞癌的重要預后影響因素，也是引導抗血管生成藥物發揮作用的因子。Yin等嘗試使用AI方法在PET/MRI上將腎透明細胞癌的影像組學特征與腫瘤血管生成關聯起來，通過對影像組學特征、腫瘤微血管密度(tumor microvascular density，MVD)及血管內皮生長因子(vascular endothelial growth factor，VEGF)的表達進行典型相關分析，發現影像組學特征與MVD具有明顯相關性，而從動態增強MRI(dynamic contrast enhanced MRI，DCE-MRI)提取的時空特征比從Dixon序列和FDG PET提取的紋理特征與MVD更具有相關性。因此，使用AI可以在一定程度上通過影像特征預測腎細胞癌的血管生成狀態，為實現腫瘤患者的個體化治療創造條件。
2.3 腎細胞癌的療效評估
對腎細胞癌的治療評價大致可以分為療效評估、治療手段評價和預后3個方面，而目前的影像應用主要聚焦于晚期腎細胞癌的療效評估。在過去的10年里，晚期腎細胞癌靶向治療一直處于腫瘤創新研究的前沿。隨著對腎透明細胞癌分子及基因機制的深入了解，晚期腎細胞癌的臨床管理得到革新，與此同時多種新分子靶向標記藥物和免疫抑制劑獲準用于治療晚期腎細胞癌。
目前用于治療晚期腎細胞癌的抗癌藥物包括抗血管生成藥物、哺乳動物雷帕霉素靶蛋白抑制劑和免疫抑制劑。每種抗癌藥物都有其獨特的作用機制和不良反應。不同晚期腎細胞癌對同一種抗癌藥物的效果不同，而同一種晚期腎細胞癌對不同抗癌藥物的反應也不同。因此，對晚期腎細胞癌接受治療后的早期結構和功能改變的確定對于個體化治療和隨訪來說至關重要。如果對治療區域的療效評估不及時或不準確，那么可能導致對患者的治療不足或治療過度。
臨床上對癌癥患者的療效評估一般使用基于腫瘤大小的評估標準。實體瘤療效評價標準(Response Evaluation Criteria in Solid Tumors，RECIST)是臨床上最常用于晚期腎透明細胞癌療效評估的方法。然而，RECIST存在一定的缺陷，如缺乏整合評估早期治療反應的指標等。使用AI方法，對接受抗癌藥物治療的晚期腎細胞癌提取特定的特征，能在腫瘤大小發生變化之前較早進行評估，從而在一定程度上可以克服RECIST的缺陷，避免醫源性損傷。同時，由于腫瘤的異質性相對較高，相當一部分腎細胞癌患者對靶向藥物不敏感。
由于服用靶向藥物會帶來一定的不良反應，因此在臨床工作中盡早識別部分患者極為重要。Antunes等收集接受抗癌藥物治療的晚期腎細胞癌患者的PET/MRI影像資料，通過影像組學方法在MRI T2WI、PET和表觀彌散系數(apparent diffuse coefficient，ADC)圖像中提取腫瘤特征，發現ADC energy和T2wdifferent average這兩項特征能夠在一定程度上預測接受抗血管生成藥物治療的轉移腎細胞癌的早期結構和功能改變。
3. AI在腎腫瘤影像中存在的問題及發展方向
盡管目前AI在腎腫瘤的臨床研究中已經取得了一定的進展，但腎腫瘤影像在AI領域還未受到應有的重視，其原因如下。首先，相對于其他發病率更高及預后更差的腫瘤(肺癌、肝癌等)而言，腎腫瘤的臨床研究相對“溫和”，從而導致腎腫瘤的AI影像研究也相對較少。其次，目前腎腫瘤影像所面臨的臨床問題未受到足夠重視，因此缺乏對利用AI解決腎腫瘤影像相關問題的深入探索。
與此同時，目前腎腫瘤AI的臨床研究自身也面臨許多問題。首先，目前AI影像模型缺乏臨床試驗驗證，臨床適用性及可推廣性不足;其次，腎腫瘤影像研究的樣本量比較少，存在小樣本、大維度的數據特點，需要專門開發適合此特點的AI算法;再者，目前腎腫瘤AI臨床研究大多為單中心研究，缺乏交叉測試和驗證，模型的魯棒性和可靠性受到質疑。上述問題也是影響AI醫學影像研究與臨床應用的關鍵因素，因此在未來研究和應用中對這些問題要予以重視并嘗試解決。
此外，現有的腎腫瘤影像AI研究焦點相對局限，還有很多亟待解決的臨床問題沒有涉及，如Bosniak 3級腎囊腫良惡性的影像鑒別和腎細胞癌常見亞型(透明細胞、乳頭及嫌色腎細胞癌等)的區分等。上述問題影響患者治療方式的選擇(微創治療或手術治療)、手術方式的選擇(保留腎單位手術或根治性腎切除)、生存質量及預后等。因此，未來腎腫瘤影像AI研究的范圍應得到擴展，充分考慮腎腫瘤的特殊性(如樣本量較少等)，面向更多的臨床需求和臨床關注的問題(如預測患者預后和評估治療手段等)，而相關領域內的醫師將會在AI的輔助下解決或部分解決這些問題。
總之，醫學影像AI是AI與醫學結合的優秀結合點。盡管目前AI在醫學影像中的研究主要圍繞影像組學開展，但是以深度學習為代表的新一代AI近年來發展迅速，其強大的圖像識別和特征提取能力以及推理學習能力等，將為醫學影像AI的進一步發展提供新的視角和支持。AI與腎腫瘤影像相結合，能提高腎良性腫瘤與惡性腫瘤的鑒別效能，并有助于優化腎腫瘤患者(尤其是晚期腎細胞癌患者)的治療方案，進行更為準確的療效評估，為精準醫療和個體化治療提供導航，促進腎腫瘤診治水平的進一步提高。
京公網安備 11010502049343號