人工智能技術(shù)在腦腫瘤影像診斷和評估中的應(yīng)用

蚌埠醫(yī)學(xué)院第一附屬醫(yī)院 腫瘤放療科，安徽 蚌埠 233004

引言

從1956年人工智能（Artificial Intelligence，AI）這個概念被首次提出到現(xiàn)在已有60余年了，AI的發(fā)展幾經(jīng)沉浮，終于在21世紀(jì)呈現(xiàn)出爆發(fā)的趨勢，這不單單是因為計算能力的提升和大數(shù)據(jù)的積累，更是算法發(fā)生了重大的變革。AI正在一步步的走向成熟，它就在我們身邊，觸手可及：AlphaGo以4：1的比分戰(zhàn)勝人類職業(yè)棋手九段李世石，“騰訊覓影”的早期疾病篩查，百度和谷歌的無人駕駛等。隨著AI技術(shù)的不斷落地，醫(yī)學(xué)影像、醫(yī)學(xué)病理、藥物研發(fā)、健康管理、疾病預(yù)測等場景中都可以看到AI的身影，尤其在目前中國AI醫(yī)療應(yīng)用領(lǐng)域中，醫(yī)學(xué)影像是最熱門、最成熟的領(lǐng)域[1]。本文就AI技術(shù)在腦腫瘤影像診斷和評估中的應(yīng)用現(xiàn)狀進行綜述。

1 AI及腦腫瘤介紹

AI是計算機科學(xué)的一個分支，它試圖通過使用計算機軟件和算法來模擬機器中的類人智能，從而讓機器能夠解決人腦所能解決的問題[2]。機器學(xué)習(xí)是AI的子領(lǐng)域，而深度學(xué)習(xí)又是機器學(xué)習(xí)中的一個領(lǐng)域。機器學(xué)習(xí)使用計算機軟件和算法通過提供的原始數(shù)據(jù)庫來建模并檢測學(xué)習(xí)過程中的模型和相關(guān)性，機器學(xué)習(xí)的算法有支持向量機（Support Vector Machines，SVM）、人工神經(jīng)網(wǎng)絡(luò)和最新擴展的深度學(xué)習(xí)[3]。深度學(xué)習(xí)是機器學(xué)習(xí)的最新形式，它是人工神經(jīng)網(wǎng)絡(luò)的一個變體，由更多的隱藏層或多層處理網(wǎng)絡(luò)組成[2]。深度學(xué)習(xí)既能進行監(jiān)督學(xué)習(xí)，也能進行無監(jiān)督學(xué)習(xí)，其可直接從大規(guī)模數(shù)據(jù)集中自動學(xué)習(xí)醫(yī)學(xué)圖像的有用特征。在目前的醫(yī)學(xué)圖像分析中最成功、最流行的深度學(xué)習(xí)框架是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）、深度神經(jīng)網(wǎng)絡(luò)以及相關(guān)變體[3]。

腦腫瘤是細(xì)胞異常增殖所產(chǎn)生的，可產(chǎn)生頭痛、顱內(nèi)高壓及局灶性癥狀。目前，使用磁共振成像（Magnetic Resonance Imaging，MRI）、計算機斷層掃描以及其他成像方式進行腦部掃描是快速和安全的腦腫瘤檢測方法，尤其MRI能夠顯示腦結(jié)構(gòu)變化，對腦腫瘤的診斷確認(rèn)率極高，對腦實質(zhì)和腦脊液的顯示度極好，被認(rèn)為是診斷腦腫瘤標(biāo)準(zhǔn)技術(shù)[4]。然而，醫(yī)生的臨床經(jīng)驗和知識水平的高低會導(dǎo)致閱讀結(jié)果的優(yōu)劣差異，進而影響患者的早期診斷和治療計劃等。近年來，越來越多的研究者利用AI技術(shù)開發(fā)了一系列有關(guān)腦腫瘤的算法，有望提高早期腦腫瘤診斷的準(zhǔn)確性以及為患者提供個性化治療決策。

2 AI在腦腫瘤中的應(yīng)用

2.1 腦腫瘤的診斷

腦腫瘤的診斷包括腫瘤檢測和分割的過程。由于腫瘤形狀和類型的多樣性，臨床上人工診斷腦腫瘤是耗時的且可能因患者間解剖結(jié)構(gòu)變化產(chǎn)生不一致的結(jié)果。因此，迫切需要計算機輔助方法更好的進行腫瘤的診斷，進而提高早期腦腫瘤診斷的準(zhǔn)確性和一致性。

腦腫瘤的檢測任務(wù)主要是識別圖像中的腫瘤目標(biāo)，并且確定它們的具體物理位置。Laukamp等[5]基于深度學(xué)習(xí)的方法使用常規(guī)MRI對腦膜瘤進行全自動檢測和分割，在56例腦膜瘤數(shù)據(jù)中，深度學(xué)習(xí)模型可以檢出55例，此外，將自動分割與手動分割結(jié)果進行比較，兩者強相關(guān)，平均Dice相似系數(shù)為0.81±0.10。同樣，Charron等[6]建立基于深度卷積神經(jīng)網(wǎng)絡(luò)的MRI腦轉(zhuǎn)移瘤的自動檢測與分割模型，該模型的平均Dice相似系數(shù)為0.77。此外，Abd-Ellah等[7]基于19例患者的MRI資料使用卷積神經(jīng)網(wǎng)絡(luò)提取數(shù)據(jù)特征，并使用糾錯輸出碼支持向量機進行分類，最終在MRI上實現(xiàn)自動診斷腦腫瘤并且達到99.55%的準(zhǔn)確率，Dice系數(shù)為0.87。但該研究樣本僅有19例，較小的樣本量容易引起誤差，而深度學(xué)習(xí)訓(xùn)練需要大量的高質(zhì)量醫(yī)學(xué)數(shù)據(jù)，還需進一步擴大樣本多樣性和樣本量來完善該研究。

腦腫瘤分割是識別圖像中腫瘤目標(biāo)區(qū)域的內(nèi)部體素以及外部輪廓，從而完成腫瘤的定位和分離圖像內(nèi)正常與腫瘤組織。Naceur等[8]使用深度神經(jīng)網(wǎng)絡(luò)對MRI進行全自動腦腫瘤分割，該模型可用于高、低級別膠質(zhì)母細(xì)胞瘤的分割，平均Dice值為0.88，分割每例數(shù)據(jù)平均時間為20.87 s。Wang等[9]提出了一種算法進行腦腫瘤自動分割，該方法對水腫、非增強腫瘤、增強腫瘤的Dice相似系數(shù)分別為0.6652、0.5880、0.6682，經(jīng)過級聯(lián)訓(xùn)練后，Dice相似系數(shù)分別提高到0.7043、0.5889和0.7206。Deng等[10]基于完全卷積神經(jīng)網(wǎng)絡(luò)建立腦腫瘤分割模型，該方法的平均Dice相似系數(shù)為90.98%，該方法也具有很高的即時性，可以在1 s內(nèi)對腦腫瘤圖像進行分割。此外，Lorenzo等[11]、Thillaikkarasi等[12]、Sajid 等[13]、Sun 等[14]、Havaei等[15]、Kamnitsas等[16]、Pereira等[17]、AlBadawy等[18]分別基于深度學(xué)習(xí)技術(shù)建立腦腫瘤分割模型，各模型均表現(xiàn)出良好的性能（表1）?；贏I技術(shù)的分割模型均得到較高的分割精度，AI輔助診斷提高了早期腦腫瘤診斷的準(zhǔn)確性和一致性，同時顯著提高了醫(yī)生工作效率。

2.2 腦腫瘤的分級

當(dāng)前的機器學(xué)習(xí)技術(shù)通過從磁共振成像得出的定量參數(shù)，為研究者提供了開發(fā)無創(chuàng)、準(zhǔn)確和自動化的腦腫瘤分級工具。各種機器學(xué)習(xí)方法，包括支持向量機分類器，已被用于腦腫瘤的分級中，這些研究主要依賴于從現(xiàn)有患者數(shù)據(jù)中提取腦腫瘤的特征來構(gòu)建原始模型。

Skogen等[19]使用MRI紋理分析評估腫瘤的異質(zhì)性，從而確定膠質(zhì)瘤分級的準(zhǔn)確性。結(jié)果顯示該模型在精細(xì)紋理尺度上對低級別膠質(zhì)瘤和高級別膠質(zhì)瘤的鑒別效果最好，靈敏度和特異性分別為93%和81%（AUC=0.910，P＜0.001）。同樣，Zhang等[20]使用多參數(shù)MRI直方圖和紋理特征建立基于機器學(xué)習(xí)的膠質(zhì)瘤分級系統(tǒng)。該研究在多參數(shù)MRI的基礎(chǔ)上，綜合比較不同機器學(xué)習(xí)方法在鑒別低級別膠質(zhì)瘤和高級別膠質(zhì)瘤以及WHO II級、III級和IV級膠質(zhì)瘤中的應(yīng)用。研究發(fā)現(xiàn)支持向量機的性能優(yōu)于其他分類器，低級別膠質(zhì)瘤、高級別膠質(zhì)瘤或II、III、IV級膠質(zhì)瘤的分類準(zhǔn)確性為0.945或0.961。此外，Pan等[21]使用多相MRI進行腦腫瘤分級，并將卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型的分級結(jié)果進行比較。結(jié)果表明，與基線神經(jīng)網(wǎng)絡(luò)相比，基于靈敏度和特異性的三層結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的分級性能最大提高了18%，并且卷積神經(jīng)網(wǎng)絡(luò)顯示出一些自學(xué)特性。Zacharaki等[22]使用支持向量機-遞歸特征消除方法在MRI上進行腦腫瘤類型和等級分類。研究通過對102例腦腫瘤數(shù)據(jù)進行留一交叉驗證得出支持向量機分類準(zhǔn)確率、靈敏度和特異性分別為87%、89%和79%，區(qū)分高級和低級膠質(zhì)瘤的準(zhǔn)確率、靈敏度和特異性分別為87%、83%和96%。

此外，腦腫瘤的分類是將檢測的病灶區(qū)域自動分類為良性或者惡性，并對病灶的輕重程度進行量化分級。Banzato等[23]基于深度卷積神經(jīng)網(wǎng)絡(luò)建立區(qū)分犬腦膜瘤和神經(jīng)膠質(zhì)瘤的模型。研究顯示該圖像分類器在造影后T1圖像上準(zhǔn)確率為94%，在造影前T1圖像上準(zhǔn)確率為91%，在T2圖像上為90%。Mohsen等[24]使用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對腦腫瘤進行分類，該分類器可以將數(shù)據(jù)集分為正常組織、膠質(zhì)母細(xì)胞瘤、肉瘤和轉(zhuǎn)移性支氣管肺癌4類，所有的性能指標(biāo)都表現(xiàn)良好。

表1 AI在腦腫瘤診斷中的應(yīng)用—納入文獻數(shù)據(jù)特征

2.3 預(yù)后預(yù)測

醫(yī)學(xué)中預(yù)測模型的開發(fā)是以大量的個體患者數(shù)據(jù)為建?；A(chǔ)。當(dāng)建模的數(shù)據(jù)太復(fù)雜而傳統(tǒng)的統(tǒng)計技術(shù)無法快速有效地處理時，機器學(xué)習(xí)技術(shù)，特別是深度學(xué)習(xí)技術(shù)是合適之選。而且大多數(shù)生存回歸模型，例如，Cox比例風(fēng)險模型不具備分析影像特征與事件發(fā)生風(fēng)險之間的非線性關(guān)系的能力，近年來神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用于圖像分析，因為它們具有提取復(fù)雜特征的功能，從而通過數(shù)據(jù)挖掘進行數(shù)據(jù)處理，自動學(xué)習(xí)數(shù)據(jù)特征，構(gòu)建強大的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

Chang等[25]利用治療前和治療后的多模式MRI特征預(yù)測貝伐單抗治療的復(fù)發(fā)性膠質(zhì)母細(xì)胞瘤患者的生存期，結(jié)果顯示使用常規(guī)的放射學(xué)評估標(biāo)準(zhǔn)，預(yù)測總生存期的危險比為3.38（P＜0.001）；治療前和治療后MRI特征預(yù)測總生存期的危險比分別為5.10（P＜0.001）和3.64（P＜0.05）。同樣，Grossmann等[26]也研究MRI是否具有將貝伐單抗治療的復(fù)發(fā)性膠質(zhì)母細(xì)胞瘤患者進行風(fēng)險分層的潛力。結(jié)果顯示該模型能夠?qū)⒒颊呖傮w生存期和無進展生存期顯著分層，一般來說，與增強T2加權(quán)成像相比，增強T1加權(quán)成像后的特征具有更高的預(yù)測能力。Emblem等[27]建立支持向量機和術(shù)前神經(jīng)膠質(zhì)瘤患者生存期關(guān)聯(lián)模型，該研究利用基于MRI的腦血容量分布數(shù)據(jù)建立預(yù)測模型，并對該模型的預(yù)測效果進行前瞻性評估。結(jié)果顯示，與專家醫(yī)生的總體定性評估相比，該模型的ROC曲線下面積為0.794～0.851；危險比為5.4～21.2，支持向量機模型的診斷準(zhǔn)確率更高，并且該模型對患者，觀察者和機構(gòu)差異不敏感。Nie等[28]基于卷積神經(jīng)網(wǎng)絡(luò)建立預(yù)測腦腫瘤患者生存時間的多模式圖像模型，研究結(jié)果表明該模型的預(yù)測準(zhǔn)確率為89.9%。Macyszyn等[29]基于機器學(xué)習(xí)技術(shù)建立預(yù)測膠質(zhì)母細(xì)胞瘤患者總體生存率和分子亞型的成像模型。結(jié)果顯示生存曲線預(yù)測長期和短期生存者的危險比為10.64，總體而言，前瞻性隊列的三向（長/中/短生存期）準(zhǔn)確率接近80%，并將患者分為4個分子亞型的膠質(zhì)母細(xì)胞瘤，準(zhǔn)確率為76%。此外，Young等[30]使用無監(jiān)督的深度學(xué)習(xí)模型揭示了與預(yù)后相關(guān)的膠質(zhì)母細(xì)胞瘤亞型，該模型不僅可發(fā)現(xiàn)具有不同生存期的多形膠質(zhì)母細(xì)胞瘤簇，還可發(fā)現(xiàn)差異表達的基因和突變（NF1，IDH1，EGFR）。

2.4 治療反應(yīng)

復(fù)發(fā)性腦腫瘤和放射性壞死在MRI上有著極其相似的表現(xiàn)，都表現(xiàn)為原強化灶增大或新增強化灶，因此常常容易誤診，然而兩者的治療方式截然不同，因此，區(qū)分腫瘤復(fù)發(fā)和放射性壞死具有重要的臨床意義。

Tiwari等[31]在多參數(shù) MRI（T1WI，T2WI，F(xiàn)LAIR）上通過提取紋理特征來區(qū)分復(fù)發(fā)性腦腫瘤和放射性壞死，結(jié)果顯示在訓(xùn)練集中，F(xiàn)LAIR的AUC最高為0.79，在驗證集的15項研究中，支持向量機分類器正確識別了15項研究中的12項，而1號醫(yī)生正確診斷了15項研究中的7項，2號醫(yī)生正確診斷了15項研究中的8項。Larroza等[32]基于MRI紋理特征建立區(qū)分腦轉(zhuǎn)移和放射性壞死的支持向量機分類模型，研究者從115個病灶中總共提取到179個紋理特征。結(jié)果顯示利用紋理特征和支持向量機分類器對腦轉(zhuǎn)移灶和放射性壞死灶進行區(qū)分，可獲得較高的準(zhǔn)確度（AUC＞0.9）。Kim等[33]聯(lián)合應(yīng)用磁化率加權(quán)磁共振成像（Susceptibility Weighted Magnetic Resonance Imaging，SWMRI） 和 動態(tài)磁化率對比灌注成像（Dynamic Susceptibility Contrast Perfusion Weighted Imaging，DSC-PWI）以提高高級別膠質(zhì)瘤患者復(fù)發(fā)和放射性壞死鑒別診斷的準(zhǔn)確性。與單獨的DSC-PWI相比，SWMRI和DSC-PWI的聯(lián)合應(yīng)用使ROC的最佳臨界值獲得71.9%的敏感性，100%的特異性和82.3%的準(zhǔn)確性，兩者結(jié)合應(yīng)用有可能成為總體生存期的預(yù)后指標(biāo)，并降低高級別膠質(zhì)瘤的復(fù)發(fā)和放射性壞死鑒別診斷的假陽性率。

2.5 生物學(xué)特性

磁共振成像不僅能非侵入性地顯示腦結(jié)構(gòu)變化，還能初步在分子水平反映腫瘤微觀生物學(xué)改變，有助于提高臨床診斷腦腫瘤、提供個性化治療決策以及預(yù)測腫瘤預(yù)后，有助于治療后隨訪和預(yù)測患者的生存期。

異檸檬酸脫氫酶（Isocitrate Dehydrogenase，IDH）突變是惡性膠質(zhì)瘤最原始的基因突變。IDH1和IDH2基因突變只出現(xiàn)在惡性膠質(zhì)瘤中，IDH1和IDH2基因發(fā)生突變患者生存期明顯長于未發(fā)生突變者。Chang等[34]使用卷積神經(jīng)網(wǎng)絡(luò)從MRI中預(yù)測膠質(zhì)瘤患者的IDH狀態(tài)。該模型在訓(xùn)練，驗證和測試集中IDH預(yù)測準(zhǔn)確率分別為82.8%（AUC=0.90）、83.0%（AUC=0.93）和 85.7%（AUC = 0.94），將診斷時的年齡納入模型后，訓(xùn)練，驗證和測試的準(zhǔn)確率分別提高到87.3%（AUC = 0.93），87.6%（AUC=0.95）和89.1%（AUC=0.95）。Li等[35]基于深度學(xué)習(xí)的放射組學(xué)（Deep Learning-based Radiomics，DLR）建立預(yù)測異檸檬酸脫氫酶1（IDH1）突變狀態(tài)的模型。對于相同的數(shù)據(jù)集，常規(guī)放射組學(xué)方法估計IDH1的AUC為86%，而DLR的AUC為92%。使用基于多模態(tài)磁共振成像的DLR，估計IDH1的AUC進一步提高到95%。此外，Liang等[36]通過深度學(xué)習(xí)方法利用多模態(tài)磁共振成像數(shù)據(jù)預(yù)測膠質(zhì)瘤中IDH基因型，在驗證數(shù)據(jù)集上，該模型達到了84.6%的準(zhǔn)確率（AUC=85.7%），為了評估其通用性，研究者應(yīng)用轉(zhuǎn)移學(xué)習(xí)技術(shù)來預(yù)測世界衛(wèi)生組織的等級狀態(tài)，準(zhǔn)確率也達到了91.4%（AUC=94.8%）。Yu等[37]基于定量放射組學(xué)方法無創(chuàng)預(yù)測II級膠質(zhì)瘤IDH1突變狀態(tài)，在留一交叉驗證中，該方法預(yù)測IDH1狀態(tài)的準(zhǔn)確性為0.80，靈敏度為0.83，特異性為0.74，AUC為0.86。Zhang等[38]通過多模式MRI特征預(yù)測高級別膠質(zhì)瘤中IDH基因型，該模型在訓(xùn)練集中的準(zhǔn)確率為86%（AUC=0.8830），在驗證集中為89%（AUC=0.9231）。

O6-甲基鳥嘌呤-DNA甲基轉(zhuǎn)移酶（O6-Methylguanine-DNA Methyl-Transferase，MGMT）是人類細(xì)胞內(nèi)普遍存在的一種DNA修復(fù)蛋白，MGMT啟動子甲基化狀態(tài)的膠質(zhì)瘤患者對化療、放療敏感，生存期較長。Han等[39]利用卷積遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測膠質(zhì)母細(xì)胞瘤患者的MGMT甲基化狀態(tài)，該架構(gòu)在驗證數(shù)據(jù)上的準(zhǔn)確率為67%，在測試數(shù)據(jù)上的準(zhǔn)確率為62%。Kor fiatis等[40]利用深度卷積神經(jīng)網(wǎng)絡(luò)預(yù)測MGMT甲基化狀態(tài)，研究者發(fā)現(xiàn)ResNet50（50層）的性能是最好的，測試集的準(zhǔn)確率為94.90%，ResNet50性能在統(tǒng)計學(xué)上顯著優(yōu)于ResNet34（80.72%）和ResNet18（76.75%）結(jié)構(gòu)（P＜0.001）。Kor fiatis等[41]將 MRI紋理特征作為預(yù)測膠質(zhì)母細(xì)胞瘤MGMT甲基化狀態(tài)的生物標(biāo)記，結(jié)果顯示基于支持向量機的分類器ROC曲線為0.85（95%CI：0.78～0.91）。

1號染色體短臂和19號染色體長臂（1p和19q）聯(lián)合性缺失是少突膠質(zhì)細(xì)胞瘤的診斷性分子標(biāo)記物。1p和19q聯(lián)合缺失的少突膠質(zhì)細(xì)胞瘤生長緩慢，對化療敏感，患者的生存期延長。Akkus等[42]使用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)從MRI中預(yù)測低級別膠質(zhì)瘤染色體臂1p/19q的缺失，該模型的敏感性、特異性和準(zhǔn)確性分別為93.3%、82.22%和87.7%。Zhou等[43]通過MRI特征預(yù)測低級別膠質(zhì)瘤的存活率和分子標(biāo)志物，結(jié)果顯示，所有成像特征評分均具有顯著一致性（k=0.703～1.000），使用logistic回歸發(fā)現(xiàn)紋理特征在預(yù)測IDH1突變，1p/19q狀態(tài)，組織學(xué)等級和腫瘤進展方面具有更高的預(yù)測潛力，AUC 分別為0.86±0.01，0.96±0.01，0.86±0.01和0.80±0.01。Chang等[44]使用深度學(xué)習(xí)進行膠質(zhì)瘤的遺傳突變分類，該卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過訓(xùn)練，可以對IDH1突變狀態(tài)，1p/19q聯(lián)合缺失和MGMT啟動子甲基化狀態(tài)進行分類，其分類準(zhǔn)確率分別為94%，92%和83%，并且每個遺傳類別還與獨特的影像學(xué)特征相關(guān)，例如腫瘤邊緣定義，水腫程度，壞死程度和紋理特征等。

3 思考與展望

綜上所述，AI技術(shù)在腦腫瘤的診斷、腫瘤分級、預(yù)后預(yù)測、治療反應(yīng)和生物學(xué)特性等方面均取得一定的進展，證明了AI技術(shù)在未來的腦腫瘤診療中具有廣闊的應(yīng)用前景。AI技術(shù)和第五代移動通信技術(shù)、大數(shù)據(jù)等前沿技術(shù)的充分整合和運用，智能機器可能會比很多人預(yù)測的更遠(yuǎn)，將快速、準(zhǔn)確和低成本的處理大規(guī)模數(shù)據(jù)，實現(xiàn)人類無法看到或做到的事情。然而，AI技術(shù)仍然存在艱巨的障礙和陷阱。當(dāng)前的AI炒作熱潮已經(jīng)遠(yuǎn)遠(yuǎn)超出了AI的“真”科學(xué)進展現(xiàn)狀，尤其涉及模型的臨床驗證和可重復(fù)性時。最近有學(xué)者對醫(yī)學(xué)影像AI算法的可重復(fù)性問題進行了調(diào)查分析，研究發(fā)現(xiàn)2018年發(fā)表的516篇原始論文，僅6%（31個研究）進行了外部驗證，但外部驗證又缺乏嚴(yán)格的設(shè)計，缺少多中心、前瞻性的驗證數(shù)據(jù)[45]。不同于一位醫(yī)生的錯誤只會傷害到一位病人，AI算法有可能帶來巨大的醫(yī)源性風(fēng)險。因此在將AI算法用于醫(yī)療實踐時，需要進行系統(tǒng)性的嚴(yán)格的外部驗證以及前瞻性的審查。

當(dāng)前，機器學(xué)習(xí)算法的訓(xùn)練和驗證需要大量高質(zhì)量的醫(yī)學(xué)數(shù)據(jù)，然而由于監(jiān)管瓶頸限制了機構(gòu)間患者數(shù)據(jù)的共享，這些數(shù)據(jù)很大程度上難以聚合，猶如“數(shù)據(jù)孤島”。面對數(shù)據(jù)共享障礙，一種新的框架被提出——聯(lián)邦學(xué)習(xí)。聯(lián)邦學(xué)習(xí)是一種加密的分布式機器學(xué)習(xí)框架，在滿足各方機構(gòu)用戶數(shù)據(jù)隔離、隱私保護、政府法規(guī)的要求下允許多方企業(yè)參與，并利用各方數(shù)據(jù)集來訓(xùn)練和驗證模型，從而成功的打通“數(shù)據(jù)孤島”，實現(xiàn)“共同富裕”[46-47]。例如，麻省理工學(xué)院、哈佛大學(xué)和清華大學(xué)的研究人員基于聯(lián)邦學(xué)習(xí)提出了一種新的電子病歷訓(xùn)練方法[48]。研究者從美國的208家醫(yī)院獲取臨床數(shù)據(jù)，通過該技術(shù)保證原始數(shù)據(jù)保留原地不動，僅利用加密后的數(shù)據(jù)訓(xùn)練預(yù)測模型，不僅保護了數(shù)據(jù)隱私，而且該算法的準(zhǔn)確性接近傳統(tǒng)集中學(xué)習(xí)方法。研究人員表示聯(lián)邦學(xué)習(xí)技術(shù)可以擴展到醫(yī)學(xué)圖像識別、跨多個醫(yī)療機構(gòu)的醫(yī)療決策等應(yīng)用之中。盡管聯(lián)邦學(xué)習(xí)表現(xiàn)出非凡的能力，但并不意味著一勞永逸，我們需要不斷改進和開發(fā)新的數(shù)據(jù)共享平臺，進一步提高模型準(zhǔn)確性和通用性，推進AI技術(shù)在醫(yī)療領(lǐng)域特別是腦腫瘤的診斷和評估中的廣泛應(yīng)用。