促进人工智能在腹部影像中的应用

胡道予， 李震， 李佳丽

在腹部疾病的诊疗工作中，影像检查的临床需求量巨大，但放射科医师数量的增长和临床经验的积累远不及影像数据的增长速度，谋求人工智能(AI)与影像数据交叉融合，可减轻放射科医师处理海量影像数据的压力。

目前，针对腹部疾病，基于CT和MRI数据以深度学习或深度神经网络技术为核心，已研发了多个人工智能辅助影像的定量分析算法，可实现疾病的早期诊断、精准诊断、疗效评估和预测，可显著提高放射科医生处理影像信息的效率和准确性,可为临床诊疗提供定量依据。

AI与腹部疾病的早期诊断

腹部多数疾病起病隐匿且侵袭性高,多数患者确诊时已处于晚期,失去最佳治疗机会,早期诊断和鉴别诊断在腹部疾病中至关重要。AI在腹部疾病早期诊断已有很多探索，最新一项研究建立并验证了一种基于nnU-Net的三维深度学习模型，实现基于CT图像自动分割并鉴别胰腺实性与囊性肿瘤，结果显示对于任何大小的胰腺实性病变或直径≥1.0cm的囊性病变，该模型均具有较高的敏感性，且与放射科医师的鉴别效能相当[1]。前列腺体积(PV)与前列腺特异性抗原(PSA)联合得到的PSA密度参数，具有重要临床意义，但利用MRI图像计算PV是一项耗时且高度依赖放射科医生的任务。一项研究为解决这个临床难点问题，利用深度学习算法自动分割计算PV，结果表明与放射科医师通过PI-RADS2.1的椭球公式计算获得的结果相比，该AI模型具有较好的组间一致性和准确性[2]。此外，AI算法助力低剂量CT重建高清图像、提高病灶检出率的概念越来越被各大厂商所推崇，最新研究成功开发深度学习算法重建低剂量CT图像(DLIR)，并与全剂量/迭代重建图像的质量和检测肝转移灶的能力进行比较，结果发现即使降低50%辐射剂量，DLIR在检测肝转移灶方面，仍保持与全剂量CT图像一致的准确性[3]。

AI与腹部疾病的精准诊断

精准选择治疗方案是决定患者预后的重要前提，然而精准治疗依赖精准诊断，这要求放射科医生不仅要对疾病做出早期诊断，更应该明确疾病的分期分级、是否存在血管和淋巴结侵犯等情况，目前已经尝试争取治疗前做出无限接近病理学评估的影像学判断。微血管侵犯(MVI)是肝细胞肝癌治疗后复发和转移的独立危险因素，准确预测MVI对患者预后评估及后续治疗方案的选择至关重要。国内学者通过对肝细胞肝癌患者的增强MRI图像进行特征提取，并结合临床影像特征构建临床-影像组学模型，实现了术前无创地评估和预测MVI(AUC 0.88)[4]。在AI辅助影像预测肿瘤准确分期方面，有学者联合IVIM和T2WI图像信息，将单个序列降维后得到的组学特征进行融合，建立多参数影像组学模型，对直肠癌的术前T分期具有较好的预测价值[5]。胰腺的形态和质地具有较大的个体间解剖变异性，因此胰腺自动分割算法的发展相对落后于腹部其他器官。然而近年来随着AI技术不断精进，最新研究成功开发和验证了一种术前AI算法，创新性实现基于CT图像自动分割胰腺肿瘤和淋巴结，并可预测胰腺导管腺癌的淋巴结转移情况，该AI模型预测淋巴结转移的准确度(AUC为0.92)优于临床模型(AUC为0.65)和放射组学模型(AUC为0.68)[6]。

AI与腹部疾病的疗效评估和预测

新辅助放化疗是目前治疗局部进展期肿瘤的重要手段，它能使患者获得病理完全缓解、降级或降期，从而增加手术机会改善预后。目前许多学者基于CT、MRI等多种影像的人工智能评估肿瘤治疗的疗效和预后判断。一项研究利用ResNet-50建立深度学习生成影像标签，联合临床特征构建集成模型，预测局部进展期胃癌患者新辅助化疗后的耐药情况，结果显示深度学习模型在3个验证队列中的AUC分别为0.808、0.755和0.752，均高于临床模型[7]。 此外，国内学者基于T2WI图像提取和筛选与病理完全缓解状态相关的影像组学特征，建立机器学习诊断模型，可较好地预测新辅助治疗后直肠癌的病理完全反应状态[8]。

不足和展望

AI在医学影像的应用浪潮始于2018年的RSNA，如今AI在腹部影像领域的应用飞速发展，与前几年相比已取得显著进步,但距离AI真正应用于临床，目前的研究仍存在许多不足，我们应深刻认识并加以改进。

未来AI在腹部影像的研究，需要更加严谨的实验设计、更加标准化的影像数据处理流程、更加缜密的计算机算法、更加重视样本量估算,同时更多的研究结果应得到多中心验证；且在外部验证集中，同样需要比较AI模型和医生阅片的准确性，并应搜集前瞻性数据验证模型结果。目前AI的影像临床程序使用仍然较繁琐，有待于更便捷于现实操作的AI一体化流程。最重要的是，海量数据的管理和使用应遵守伦理和法规，保证医学数据的安全性。这样才能整体提高AI辅助影像研究的质量、结果的准确性，促进相关成果早日进入临床诊疗指南、真正服务于临床工作，使广大患者受益。