人工智能赋能肺癌早期精准诊疗:基于CT图像的AI技术在肺癌诊治中的应用?如何辅助病理类型分类、指导治疗决策?
来源: 呼吸与危重症医学英文版 02-04



肺癌是全世界死亡率最高的癌症,早期诊断和个性化治疗对于提高其5年生存率至关重要。胸部计算机断层扫描(computed tomography,CT)是肺癌筛查的重要工具,病理图像是肺癌诊断的黄金标准。然而,这些图像的评估需要耗费大量的人力,可能出现漏诊、误诊。人工智能(artificial intelligence,AI)的快速发展为医疗模式带来全新机遇,展示出在肺癌诊断和治疗中的应用潜力。


近日,四川大学华西医院呼吸与危重症医学科王成弟教授团队在Chinese Medical Journal Pulmonary and Critical Care Medicine中发表了题为“Novel tools for early diagnosis and precision treatment based on artificial intelligence”的综述文章。本文总结了人工智能技术在肺癌诊疗领域的应用现状,基于CT图像实现肺结节病灶检测、良恶性分类和基因分子无创预测,基于病理图像进行肺癌组织学分型、分子分型和预后评估,并总结了AI技术在临床应用面临的诸多挑战,推动人工智能技术的临床转化和实践落地。


一、研究背景


低剂量计算机断层扫描(low-dose computed tomography,LDCT)是肺癌筛查、诊断和监测的有力工具,灵敏度高,但特异性有限。然而,不同级别医师对影像的解释存在较大的异质性,难以确定病变的性质。目前,病理学确诊仍然是肿瘤诊断的金标准。病理切片的判读是一项耗时且费力的工作,依赖于病理医师的经验。临床亟需自动化且高效准确的智能工具,以实现肺癌的精确诊疗。


人工智能(artificial intelligence,AI)技术通过整合临床表现、患者病史、影像学、数字病理和基因组学的数据,来预测患者护理的路径,辅助治疗决策。首个肺癌相关的计算机辅助诊断(computer-aided diagnosis,CAD)系统将X射线转换为计算机可分析的定量特征,对肺癌病灶进行了检测,为计算机辅助肺癌诊断开辟了道路。从那时起,AI在辅助肺癌检测、诊断和预测方面开展了大量理论和实践研究工作。


二、基于CT图像的AI技术在肺癌诊断中的应用


图1 基于CT图像的AI模型应用于肺癌诊疗的临床过程


1、肺结节病灶检测


病灶的检测是一项耗时繁琐的工作,人工智能算法在肺结节检测方面的有效性已经得到充分验证。2017年,Lung Nodule Analysis 16(LUNA16)挑战赛从世界各地征集了结节检测和分类算法。为了公平比较各种结节检测和分类算法,该挑战赛使用了最大的公开可用的Lung Image Database Consortium–Image Database Resource Initiative(LIDC-IDRI)数据集。性能领先的CAD系统名为Combined LUNA16,其采用CNN网络,灵敏度达到了96.9%。该系统通过识别原始LIDC–IDRI注释中遗漏的结节,更新了LIDC–IDRI的参考标准。


2、良恶性分类预测


LDCT和AI的强大结合显著提高了肺结节检测的效率。为了减少不必要的侵入性程序,确定结节的恶性程度至关重要,尽管目前已有一些非侵入性分层模型,如肺部影像报告与数据系统(Lung-RADS)、PanCan模型和Mayo Clinic模型,这些模型依赖于手动提取结节的影像学定性特征,如是否存在毛刺、结节位置和直径大小。


Google AI团队率先开创了基于CT图像的端到端深度学习模型,用于预测国家肺部筛查试验(NLST)队列中肺结节的恶性概率,曲线下面积(AUC)达到94.4%,相较于临床专家,灵敏度提高了5.2%,特异度提高了11.6%。肺癌预测-卷积神经网络(LCP-CNN)利用NLST数据集中性质难以明确的肺结节(IPNs)CT图像进行建模,在内部验证队列上取得了优越的性能(AUC:92.1%),相对于已在临床验证的风险模型(Brock和Mayo),其风险分层性能更佳。它在外部验证5-15毫米肺结节数据集中预测恶性肺结节的性能优于Brock模型(AUC:89.6% vs. 86.8%)。欧洲研究人员开发了用于LDCT检测的肺结节恶性风险评估的深度学习算法,该算法在不同的筛查人群之间具有普适性,并且算法性能与临床医生相当。基于移动CT的肺癌筛查AI辅助诊断系统成功应用于中国西部资源有限地区的社区队列。该系统实现了肺结节的自动定位、风险分层和全程智慧管理。


3、亚型分类预测


对于已被诊断为恶性的结节,需要进行进一步精细的诊断分类,以明确病理亚型和阶段,以便进行适当的治疗。各种组织学亚型如肺腺癌(LUAD)和肺鳞状细胞癌(LUSC)展现出不同的生长和治疗模式。有研究发现,多个影像特征与肿瘤病理分类(LUAD和LUSC)相关。特征降维后,构建的贝叶斯分类器在区分病理类型性能方面表现最佳。然而,基于PET/CT图像的临床特征和放射学特征,逻辑回归模型在区分LUAD和LUSC方面胜过其他机器学习分类器。此外,一个临床-生物-放射学模型在验证集中区分LUAD和LUSC的AUC为90.1%。根据最新的WHO分类,LUAD被分为原位腺癌(AIS)、微浸润腺癌(MIA)和浸润性腺癌(IAC)。深度学习使得能够在没有侵入性手术和活检的情况下分类LUAD亚型成为可能。


三、基于CT图像的AI技术在肺癌治疗中的应用


1、基因分子无创预测


随着靶向治疗和免疫治疗的发展,肺癌的治疗已经进入了精准医学的时代。明确基因突变和分子表达状态是确定治疗选择的关键步骤。然而,目前用于基因检测的聚合酶链反应(PCR)和下一代测序(NGS),以及用于分子检测的免疫组织化学(IHC),需要获取组织,这一过程是有创的,且价格相对昂贵。然而,放射基因组学的引入有助于分析微观分子与宏观影像特征之间的联系,以非侵入性方式预测分子状态。


2、治疗效果评估


肺癌的标准治疗包括手术、化疗、放疗、靶向治疗和免疫疗法。人工智能技术被广泛应用于筛选治疗受益人群并预测临床结果。外科患者的预后差异很大,而人工智能提供了一种新颖的预后评估方式。基于术前PET/CT特征和临床特征的Cox模型可以有效预测接受手术治疗的非小细胞肺癌患者的无病生存期(DFS)。


3、生存预后预测


肺癌患者的预后受到多种复杂因素的影响,而影像特征已成为一种非侵入性的生物标志物。影像组学可以提取肺癌患者的CT图像中的定量影像特征来预测预后。此外,深度学习网络可以从接受放疗治疗的患者的CT图像中提取预后特征,以实现对术后患者的预后预测。这些模型将患者分为低风险组和高风险组,以指导下一步治疗。模型生成的激活映射热图可以显示出CT图像中肿瘤内外区域对预后特征的贡献,表明了影像特征在患者预后风险分层中的重要性。


四、人工智能在组织病理学图像中的应用


图2 基于组织学图像的AI模型在肺癌分类和预后中的应用


1、辅助病理类型分类


LUAD和LUSC在起源上存在差异,具有明显的病理特征和治疗方式。病理学家通常需要通过视觉判断进行分类,而人工智能模型已经成为有力的辅助工具。基于Inception-V3的深度卷积神经网络被用于将WSI分类为LUAD、LUSC和正常组织,其AUC为97%,其性能接近病理医生的水平。同时,另一个深度神经网络被创新性地用于预测腺癌中常见基因的突变状态,最终成功预测其中6个基因的表达情况(AUC:73.3%–85.6%)。


2、指导治疗决策


AI方法被用于识别患者预后相关的病理图像特征,并指导治疗决策。通过机器学习方法,研究者从2186例LUAD和LUSC患者的WSI中自动提取了9879个定量图像特征,用于预测非小细胞肺癌的预后。该方法在测试集中在区分低风险、高风险组方面表现出色(P<0.05)。最近,基于弱监督学习的CNN模型从苏木精-伊红染色(H&E)图片中提取的图像特征在单变量和多因素分析中展示出与肺癌的预后显著相关。


五、挑战和机遇


尽管目前用于医疗图像预测任务的人工智能蓬勃发展,但仍面临一些挑战。然而,这些挑战也是在科学研究和临床应用之间架起桥梁的机会。最大的挑战在于收集和注释用于模型训练、验证和测试的标准化数据。例如,不同的机构、不同的CT扫描仪和不同的重建方法会影响CT图像的质量。因此,需要统一的采集系数来减少图像获取的异质性。先进的分布式AI算法,如群体学习和联邦学习,通过共享训练参数和权重实现了与在合并数据集上训练的模型相媲美的性能,有望支持开展多中心研究。


六、结论


总的来说,人工智能在肺癌精准诊断和治疗领域的应用潜力巨大。基于放射学图像的影像组学和深度学习模型是肺癌筛查、无创诊断和个性化治疗的有效工具。同时,基于数字病理图像的人工智能技术能够实现肺癌亚型诊断和治疗决策,提高医生的工作效率。AI技术有望持续赋能疾病精准诊疗和患者个体化管理,推动癌症诊治进入精准医学时代。


How to cite: Jun Shao, Jiaming Feng, Jingwei Li, Shufan Liang, Weimin Li, Chengdi Wang. Novel tools for early diagnosis and precision treatment based on artificial intelligence. Chin Med J Pulm Crit Care Med. 2023;3:148-160. doi: 10.1016/j.pccm.2023.05.001.


通信作者


王成弟 教授

四川大学华西医院呼吸与危重症医学科;研究员、博士生导师。专业特长:呼吸系统常见病及疑难危重症疾病;研究方向:肺癌、肺部感染性疾病的基础与临床;主持国家级青年人才项目和多项国家自然科学基金项目;获得国家科技进步奖二等奖、四川省科技进步奖一等奖。


第一作者


邵俊

四川大学华西医院(华西临床医学院)呼吸病学博士研究生。


供稿:王成弟;编辑:魏佩芳;审核:郝秀原


本文转载自订阅号「呼吸与危重症医学英文版」


原链接戳:人工智能赋能肺癌早期精准诊疗


* 文章仅供医疗卫生相关从业者阅读参考


本文完

责编:Jerry

753