李文華 李天然 劉海麗
摘要:肝癌是常見消化系統(tǒng)惡性腫瘤,我國肝癌發(fā)病率和死亡率都處于較高水平,嚴(yán)重危害著人民的生命健康。目前尚缺乏可靠的檢測(cè)方法與診斷設(shè)備快速評(píng)估肝癌患者的腫瘤異質(zhì)性和侵襲性。隨著計(jì)算機(jī)人工智能技術(shù)和圖像處理技術(shù)的迅速發(fā)展,出現(xiàn)了影像組學(xué)這一嶄新的研究領(lǐng)域,實(shí)現(xiàn)了對(duì)疾病進(jìn)展的整體性分析,有望為無創(chuàng)評(píng)估腫瘤患者的生物學(xué)行為提供可能。影像組學(xué)將醫(yī)學(xué)影像診斷和大數(shù)據(jù)技術(shù)相融合,通過提取肉眼無法識(shí)別的圖像特征,客觀量化病灶的像素灰度值變化及分布潛在規(guī)律,為肝臟腫瘤的診斷、治療、預(yù)后和評(píng)估提供依據(jù),為患者的個(gè)體化、綜合性、精準(zhǔn)性治療提供強(qiáng)大的輔助。本文擬探討影像組學(xué)對(duì)肝癌的診斷與預(yù)測(cè)價(jià)值。
關(guān)鍵詞:肝癌;影像組學(xué);診斷;人工智能
中圖分類號(hào):R735.7文獻(xiàn)標(biāo)識(shí)碼:BDOI:10?郾3969/j.issn.1001-0270.2021.06.10
Abstract: Liver cancer is a common malignant tumor of the digestive system. The incidence and mortality of liver cancer in our country are at a high level, which seriously endangers human life and health.At present, there is still a lack of reliable detection methods and diagnostic equipment to quickly assess the tumor heterogeneity and invasiveness of liver cancer patients. With the rapid development of computer artificial intelligence technology and image processing technology, a new research field of radiomics has emerged, which realizes a holistic analysis of disease progression, and is expected to provide the possibility for non-invasive assessment of the biological behavior of tumor patients. Radiomics integrates medical imaging diagnosis and big data technology. By extracting image features that cannot be recognized by the naked eye, it can objectively quantify the changes in pixel gray value and the underlying distribution of the lesions, and provide a basis for the diagnosis, treatment, prognosis and evaluation of liver tumors. It provides powerful assistance for the individualized, comprehensive and precise treatment of patients. This article intends to explore the diagnostic and predictive value of radiomics for liver cancer.
Key Words: Liver Cancer; radiomics; diagnosis; artificial intelligence
肝癌是常見癌癥之一,在我國肝癌的發(fā)病率與死亡率依然處于較高水平[1]。研究發(fā)現(xiàn),我國60%以上的肝細(xì)胞癌(Hepatocellular carcinoma,HCC)是由HBV感染引起的,HBV感染依然是世界范圍內(nèi)導(dǎo)致肝癌的主要病因,其占比超過40%[2]。隨著肝癌發(fā)病率的不斷提高,有效解決方法就是提高肝癌的診斷準(zhǔn)確率、縮減診斷時(shí)間及減少誤診。當(dāng)前臨床常用的檢測(cè)手段是影像學(xué)檢測(cè)與細(xì)針穿刺活檢,但穿刺活檢或切除后的腫瘤組織檢測(cè)結(jié)果只能顯示患者腫瘤局部信息,無法全面準(zhǔn)確地反映整個(gè)腫瘤的情況,且臨床活檢對(duì)于腫瘤細(xì)胞具有一定的刺激性,對(duì)患者產(chǎn)生一定的影響。因此無創(chuàng)、敏感、高效的檢測(cè)方法會(huì)為臨床診療帶來益處[3]。近年來,影像組學(xué)發(fā)展迅速,不僅能夠無創(chuàng)、全面地反映腫瘤的異質(zhì)性,而且可以通過提取圖像的紋理特征[4],在很大程度上減少診斷結(jié)果對(duì)醫(yī)師個(gè)人經(jīng)驗(yàn)的依賴性?,F(xiàn)階段,影像組學(xué)在肝臟腫瘤診療中表現(xiàn)出巨大潛力。
1 影像組學(xué)概述
2012年,荷蘭學(xué)者Lambin(2012)[5]等正式提出影像組學(xué)(Radiomics)的概念,即高通量地從影像圖像中提取海量的影像特征。通過采取大量自動(dòng)化數(shù)據(jù)特征提取算法,發(fā)掘具有高度代表性的定量組學(xué)特征,有效解決因腫瘤異質(zhì)性而導(dǎo)致的難以定量評(píng)估的問題,進(jìn)而提高疾病診療及預(yù)后預(yù)測(cè)的準(zhǔn)確性。
影像組學(xué)主要研究方法包括:①圖像采集。影像組學(xué)的圖像主要來源于計(jì)算機(jī)體層成像(ComputedTomography,CT)及磁共振成像(Magnetic Resonance Imaging,MRI)。在常規(guī)檢查中,檢測(cè)圖像與患者體位、圖像分辨率、掃描層厚度及圖像的重建算法有關(guān),任何情況出現(xiàn)改變都會(huì)直接影響圖像質(zhì)量[6]。因此,如何保障圖像的穩(wěn)定與質(zhì)量是常規(guī)檢測(cè)中極難控制的[7]。隨著人工智能技術(shù)的不斷進(jìn)步,影像組學(xué)使用更加精細(xì)和標(biāo)準(zhǔn)的圖像分析方法,提高臨床影像診斷結(jié)果的穩(wěn)定性。②圖像分割。放射科醫(yī)師可以根據(jù)圖像勾勒出病灶的輪廓,并將此病灶作為感興趣區(qū)域(Region of Interest,ROI)。這種勾畫病灶的方法也可被半自動(dòng)甚至全自動(dòng)的分割方法所代替。圖像的分割算法常分為以下三類:基于聚類技術(shù)算法、基于閾值分割算法、基于可變形模型算法[8]。對(duì)于影像組學(xué),任何一個(gè)圖像分割算法均不是絕對(duì)適用于所有圖像分割。因此,多種分割方法和以選集學(xué)習(xí)算法為基礎(chǔ)組合會(huì)增加分割的有效性和準(zhǔn)確性[9]。③特征提取。一旦確定腫瘤的感興趣區(qū),計(jì)算機(jī)就可以從圖像中提取腫瘤的特征參數(shù),這些特征參數(shù)為兩類,即“可視”和“非可視”:前者用于描述腫瘤的病變,如形狀、位置、血管分布等,非可視特征是提取定量特征來描述病變的異質(zhì)性,如Haralick紋理、Laws紋理、小波特征等[10]。醫(yī)學(xué)成像中使用的紋理特征參數(shù)主要分為三類:從圖像強(qiáng)度直方圖獲取的特征、從灰度共生矩陣所獲取的特征、從鄰域灰度差矩陣或灰度級(jí)區(qū)域矩陣所獲取的特征[11]。④數(shù)據(jù)降維。通過以上步驟提取的影像組學(xué)特征數(shù)據(jù)通常為高維數(shù)據(jù),為了提高影像組學(xué)特征數(shù)據(jù)的使用效率,計(jì)算機(jī)會(huì)對(duì)高維數(shù)據(jù)進(jìn)行降維處理。其方法包括主成分分析方法(PCA)、Fisher法(LDA)、局部性嵌入法(LLE)和拉普拉斯特征映射(LE)等[12]。⑤建立分析模型。影像組學(xué)的最后一步,是將合格的高質(zhì)量數(shù)據(jù)集輸入分類器進(jìn)行分析。分類器模型是由所有掃描層的圖像特征構(gòu)造而成,因此用來預(yù)測(cè)有較高的準(zhǔn)確性。近年來,諸如胸部X射線數(shù)據(jù)集、淋巴結(jié)檢測(cè)和分割數(shù)據(jù)集等已經(jīng)建立并在逐步改善[13]。計(jì)算機(jī)視覺技術(shù)是最突出的機(jī)器學(xué)習(xí)技術(shù)之一,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)是計(jì)算機(jī)視覺技術(shù)中最重要的深度學(xué)習(xí)模型。創(chuàng)建可將CNN特征提取至分類器的理想窗口,以此來確定窗口是否包括病灶以及病灶的嚴(yán)重程度[14]。
2 影像組學(xué)在肝癌診療中的應(yīng)用
如今,影像組學(xué)在肝癌的諸多方面均有應(yīng)用,已日益成為現(xiàn)代醫(yī)學(xué)領(lǐng)域研究的熱點(diǎn)。
2.1 影像組學(xué)在肝癌診斷中的應(yīng)用
計(jì)算機(jī)圖像數(shù)據(jù)的采集與分析可以從患者的影像學(xué)資料中獲取更多的診斷信息,有助于提高診斷準(zhǔn)確率和精準(zhǔn)度。目前,通過影像組學(xué)特征,如肝癌大小、數(shù)量等和其他臨床因素共同組建肝癌診斷預(yù)測(cè)模型,已在臨床診斷中得到了廣泛的應(yīng)用。Wang等(2020)[15]通過影像組學(xué)建立臨床復(fù)合模型,包括釓塞酸增強(qiáng)的MRI放射學(xué)特征、血清甲胎蛋白(Alphafetoprotein,AFP)水平、不規(guī)則腫瘤邊緣和動(dòng)脈邊緣強(qiáng)化模式,用于術(shù)前鑒別CK-19陽性的肝癌,該聯(lián)合模型對(duì)CK-19分級(jí)HCC具有良好的診斷效果,對(duì)于鑒別CK-19陽性的HCC,融合放射組學(xué)特征在訓(xùn)練隊(duì)列中的AUC為0.951,在驗(yàn)證隊(duì)列中的AUC為0.822,優(yōu)于在動(dòng)脈期單獨(dú)提取的影像組學(xué)特征。由于肝細(xì)胞肝癌與腫塊型膽管細(xì)胞癌(Intrahepatic Mass-Forming Cholangiocarcinom,IMCC)的治療和預(yù)后差異很大,因此準(zhǔn)確區(qū)分HCC與IMCC是非常必要的。Zou等(2019)[16]利用彌散加權(quán)成像(Diffusion Weighted Imaging,DWI)的表觀彌散系數(shù)(Apparent Diffusion Coefficient,ADC)直方圖參數(shù)對(duì)HCC和IMCC進(jìn)行鑒別,當(dāng)動(dòng)態(tài)增強(qiáng)MRI與ADC結(jié)合對(duì)腫瘤進(jìn)行鑒別時(shí),敏感性和特異性分別為82.1%和91.9%。與單獨(dú)的動(dòng)態(tài)增強(qiáng)MRI相比,動(dòng)態(tài)增強(qiáng)MRI和ADC合并預(yù)測(cè)的特異性顯著提高,結(jié)果表明融合了動(dòng)態(tài)增強(qiáng)MRI與第75百分位ADC(75% ADC)區(qū)分HCC與IMCC的預(yù)測(cè)模型得到了最優(yōu)的預(yù)測(cè)性能。Bell等(2020)[17]通過聯(lián)合使用放射組學(xué)、放射基因組學(xué)和影像組學(xué)技術(shù)診斷肝細(xì)胞癌,研究結(jié)果顯示影像組學(xué)可以提高診斷的準(zhǔn)確性。
2.2 影像組學(xué)在肝癌病理分級(jí)及分型中的應(yīng)用
影像組學(xué)可以通過提取圖像特征對(duì)肝癌進(jìn)行病理分級(jí)與分型。肝癌的病理分級(jí)[18]是影響腫瘤轉(zhuǎn)移復(fù)發(fā)和患者生存率的重要因素。Wu等(2019)[19]通過提取MRI圖像的影像組學(xué)特征,成功將高級(jí)別及低級(jí)別肝癌進(jìn)行分類。肝癌分級(jí)預(yù)測(cè)的臨床因素模型、影像組學(xué)特征模型及兩者組合的模型在測(cè)試集中的AUC值分別為0.600、0.724和0.800;同時(shí)發(fā)現(xiàn)AFP水平和影像組學(xué)特征都是原發(fā)性肝癌分級(jí)的獨(dú)立預(yù)測(cè)因素,研究表明多種預(yù)測(cè)因子的聯(lián)合分析已被視為輔助腫瘤分級(jí)的有力方法。Kiyuna等(2013)[20]通過應(yīng)用放射組學(xué)分析方法對(duì)患者肝細(xì)胞癌進(jìn)行分型,在分類過程中加入新的特征后,對(duì)肝癌中的分類率提高了約1%~3%。低級(jí)別癌癥的檢出率明顯提高。Wu等(2019)[21]通過對(duì)比影像組學(xué)與放射科醫(yī)生診斷結(jié)果,顯示影像組學(xué)分析結(jié)果的準(zhǔn)確性與放射科醫(yī)生診斷結(jié)果一致。張加輝等(2018)[22]根據(jù)支持向量機(jī)(Support Vector Machine,SVM)的影像組學(xué)方法對(duì)原發(fā)性肝癌進(jìn)行分型研究,挑選出了11個(gè)肝癌影像特征參數(shù)。通過對(duì)訓(xùn)練集的分析,構(gòu)建了肝癌分型的預(yù)測(cè)模型,結(jié)果經(jīng)測(cè)試集驗(yàn)證,該模型預(yù)測(cè)肝細(xì)胞肝癌、腫塊型膽管細(xì)胞癌及混合型肝癌的準(zhǔn)確率達(dá)到75.5%,其中對(duì)混合型肝癌的預(yù)測(cè)準(zhǔn)確性最高。然而該研究樣本量偏少,分類器的預(yù)測(cè)準(zhǔn)確性可能會(huì)存在一定的不穩(wěn)定性。在未來的研究中應(yīng)加大病例的數(shù)量,來進(jìn)一步改善分類器預(yù)測(cè)不同分型原發(fā)性肝癌的準(zhǔn)確性。
2.3 影像組學(xué)在肝癌生存預(yù)后預(yù)測(cè)中的應(yīng)用
Xu等(2019)[23]通過建立分析模型對(duì)HCC患者的微血管侵犯(Microvascular Invasion,MVI)和臨床生存預(yù)后進(jìn)行預(yù)測(cè)。該研究結(jié)合臨床因素和放射學(xué)特征的計(jì)算方法,在預(yù)測(cè)MVI和臨床治療效果方面表現(xiàn)突出。研究通過對(duì)患者的MVI相關(guān)放射評(píng)分(R評(píng)分)和7 260個(gè)放射特征建立模型。將R評(píng)分、臨床檢測(cè)因素和影像學(xué)評(píng)分納入預(yù)測(cè)模型,經(jīng)過多因素logistic回歸分析,發(fā)現(xiàn)腫瘤大小和腫瘤內(nèi)異質(zhì)性相關(guān)的圖像特征是MVI的主要預(yù)測(cè)參數(shù)。研究顯示該技術(shù)可以識(shí)別88%以上的MVI陽性病例,特異性分析結(jié)果為76.8%~79.2%,說明該模型可以有效地預(yù)測(cè)患者無進(jìn)展生存期(PFS)和總生存期(OS),有效預(yù)測(cè)患者的特異性復(fù)發(fā)和死亡率。通過對(duì)CT腫瘤放射特征聯(lián)合定量R評(píng)分進(jìn)行分析,可以對(duì)MVI進(jìn)行準(zhǔn)確預(yù)測(cè),為檢測(cè)特異性復(fù)發(fā)提供依據(jù),將在臨床治療中發(fā)揮重要作用。Kim等(2018)[24]通過建立放射組學(xué)評(píng)分模型,發(fā)現(xiàn)該模型可以預(yù)測(cè)HCC經(jīng)動(dòng)脈化療栓塞(Transcatheter arterial chemoembolization,TACE)患者的生存率。研究分析88例HCC患者的臨床資料,通過應(yīng)用高維定量特征分析技術(shù)提取116個(gè)CT放射組學(xué)特征,采用多因素Cox回歸、Kaplan-Meier和對(duì)數(shù)秩檢驗(yàn)預(yù)測(cè)總生存率。結(jié)果顯示,放射組學(xué)方法結(jié)合常規(guī)臨床變量可有效預(yù)測(cè)肝細(xì)胞癌TACE患者的生存率。此研究通過聯(lián)合臨床評(píng)分進(jìn)行分析研究,比單一臨床檢測(cè)分析效果更好,該研究模型可以增加臨床預(yù)測(cè)與診斷的準(zhǔn)確性。但在選擇患者類型過程中,排除了浸潤性HCC或門靜脈腫瘤病理,實(shí)際臨床檢測(cè)過程中可能對(duì)復(fù)雜病理的分析結(jié)果產(chǎn)生誤差,因此該方法還需要進(jìn)一步的修正和改進(jìn)。Ivanics等(2021)[25]通過收集肝移植患者手術(shù)前的CT圖像,將影像組學(xué)與最大肝細(xì)胞癌體積建立預(yù)測(cè)模型對(duì)患者手術(shù)后復(fù)發(fā)進(jìn)行預(yù)測(cè),研究結(jié)果顯示影像組學(xué)可以有效預(yù)測(cè)患者手術(shù)后復(fù)發(fā)。
2.4 結(jié)合人工智能的影像組學(xué)在肝癌中的應(yīng)用
人工智能(Artificial Intelligence,AI)概念于20世紀(jì)50年代被提出,主要目的是為了減輕人類工作負(fù)擔(dān),使機(jī)器替代人類工作。但由于當(dāng)時(shí)科技水平等多方面均較落后,這一理念未被實(shí)施。直到20世紀(jì)80年代,計(jì)算機(jī)技術(shù)的發(fā)展,機(jī)器學(xué)習(xí)(Machine learning,ML)概念的出現(xiàn),使計(jì)算機(jī)具有了學(xué)習(xí)能力,具備了基礎(chǔ)的人工神經(jīng)網(wǎng)絡(luò)。人工智能的方法與影像組學(xué)相結(jié)合,即“智能影像組學(xué)”的時(shí)代已經(jīng)到來。目前,AI技術(shù)在醫(yī)學(xué)領(lǐng)域的重要性正在迅速提升,AI聯(lián)合CT、MRI等影像技術(shù)已廣泛應(yīng)用于肝癌診斷和治療[26-28],尤其在肝癌的診斷[29]、分期[30]及預(yù)測(cè)[31]評(píng)估和鑒別[32]中起到重要作用。Ji等(2019)[33]研究發(fā)現(xiàn)計(jì)算機(jī)數(shù)據(jù)收集學(xué)習(xí)系統(tǒng)可以對(duì)CT圖像進(jìn)行分析,有效預(yù)測(cè)肝細(xì)胞癌術(shù)后復(fù)發(fā)。傳統(tǒng)的影像診斷主要依靠放射科醫(yī)師,這需要醫(yī)師有非常豐富的臨床經(jīng)驗(yàn)與鑒別能力,而AI卻可以提升放射科醫(yī)師的工作效率,提高診斷的準(zhǔn)確性,有助于肝癌診斷質(zhì)量的提高。每年肝癌腫瘤的診斷數(shù)量龐大,AI的使用將提高醫(yī)院的診斷效率與準(zhǔn)確率,降低漏診率。Aonpong等(2019)[34]通過利用計(jì)算機(jī)建立影像組學(xué)模型預(yù)測(cè)HCC早期復(fù)發(fā),研究結(jié)果顯示計(jì)算機(jī)模型可以準(zhǔn)確預(yù)測(cè)患者的肝癌復(fù)發(fā)。AI通過計(jì)算機(jī)編程識(shí)別圖像中人眼無法辨別和(或)難以用生物學(xué)統(tǒng)計(jì)學(xué)方法提取的多種信息,對(duì)患者預(yù)后進(jìn)行有更高精確度的預(yù)測(cè)[35-36]與腫瘤分級(jí)。Chen等(2019)[37]通過機(jī)器學(xué)習(xí)常規(guī)MRI成像來對(duì)腫瘤進(jìn)行分級(jí)。AI還可以聯(lián)合統(tǒng)計(jì)方法,利用生物學(xué)統(tǒng)計(jì)學(xué)方法提取與患者肝癌復(fù)發(fā)有關(guān)的多種信息[38],得到更加精確的診斷結(jié)果。放射組學(xué)利用AI對(duì)肝臟疾病的研究將有助于肝臟疾病的早期診斷和治療,提高肝臟疾病的生存率和治愈率。Nishida和Kudo(2020)[39]認(rèn)為AI從不同類型的圖像中提取大量信息,形成各種可量化特征,通過AI算法選擇相關(guān)特征建立模型,可以準(zhǔn)確預(yù)測(cè)患者的治療效果和預(yù)后。
2.5 肝癌的影像基因組學(xué)研究
隨著基因組學(xué)的進(jìn)步,影像組學(xué)與基因組學(xué)結(jié)合形成了影像基因組學(xué)。影像基因組學(xué)即建立侵襲性基因表達(dá)特征與非侵襲性影像特征之間的聯(lián)系。腫瘤影像基因組學(xué)不僅可以了解腫瘤的宏觀表型,還可以深入分析腫瘤組織的細(xì)胞和分子特征。因此,許多專家以影像基因組學(xué)為基礎(chǔ),在腫瘤篩查診斷、預(yù)后評(píng)估、新的治療靶點(diǎn)和腫瘤生物學(xué)機(jī)制認(rèn)識(shí)等方面取得了顯著的成果。Houseni等(2021)[40]應(yīng)用FDG-PET/CT對(duì)HCC腫瘤內(nèi)部結(jié)構(gòu)特征進(jìn)行研究,通過二維和三維放射組學(xué)和代謝特征的比較,來確定影像組學(xué)與腫瘤結(jié)構(gòu)的關(guān)系。肝癌的影像基因組學(xué)可以針對(duì)每位患者的需求制定個(gè)性治療方案以及精確預(yù)測(cè)預(yù)后的新方法。肝癌的影像基因組學(xué)將是治療原發(fā)性肝臟癌癥的關(guān)鍵檢測(cè)技術(shù)。Saini等(2018)[41]通過研究基因組學(xué)、放射組學(xué)和放射基因組學(xué)對(duì)癌癥分子和影像學(xué)進(jìn)行分析,對(duì)包括原發(fā)性肝癌在內(nèi)的多種惡性腫瘤進(jìn)行定性研究,確定惡性腫瘤的基因組中分子改變的特征與影像學(xué)的關(guān)系。該研究從醫(yī)學(xué)圖像中提取了大量的定性基因的相關(guān)數(shù)據(jù),并對(duì)定性基因進(jìn)行疾病預(yù)測(cè)和統(tǒng)計(jì)模型建立,通過影像學(xué)數(shù)據(jù)和基因組分析確定患者的治療方法。目前,基于MRI的影像基因組學(xué)已成為肝癌精準(zhǔn)分類的一種新興手段。Hectors等(2020)[42]通過分析肝癌患者M(jìn)RI圖像信息,表明MRI放射組學(xué)特征與HCC的免疫表型和基因組學(xué)特征有關(guān),研究通過影像基因組學(xué)特征來檢測(cè)肝癌患者免疫細(xì)胞微環(huán)境,確定MRI影像組學(xué)特征與免疫治療靶點(diǎn)CTLA-4和PD-1的基因關(guān)系,為新型免疫療法提供新的治療診斷方法。在影像基因組學(xué)中,提取定性、定量圖像特征并與其基因組學(xué)相結(jié)合,然后運(yùn)用機(jī)器深度學(xué)習(xí)算法等技術(shù)分析影像特征,可為臨床治療與診斷提供新的途徑與方法。
3 總結(jié)與展望
影像組學(xué)和人工智能是隨著科技進(jìn)步發(fā)展起來的新興技術(shù),具有成熟的理論和實(shí)踐基礎(chǔ),影像組學(xué)與AI結(jié)合是拓展影像學(xué)發(fā)展的必然選擇。開展對(duì)肝臟腫瘤的影像組學(xué)研究是深度挖掘肝癌影像資料信息的重要方法,是開展肝癌精準(zhǔn)治療的基礎(chǔ)性研究工作?,F(xiàn)階段,基于深度學(xué)習(xí)的影像組學(xué)研究在肝癌的應(yīng)用方面幾乎延伸到了各個(gè)領(lǐng)域,從肝癌的診斷到分級(jí)、分型,從輔助肝癌的治療到肝癌患者預(yù)后的預(yù)測(cè),同時(shí)影像組學(xué)與基因組學(xué)的聯(lián)合應(yīng)用,也為臨床診斷與治療提供新的診療依據(jù),符合精準(zhǔn)醫(yī)學(xué)與個(gè)性化治療的理念。目前對(duì)圖像特征參數(shù)的計(jì)算尚缺乏標(biāo)準(zhǔn)化的方法,使得各項(xiàng)研究結(jié)果沒有良好的可比性。未來應(yīng)將研究流程規(guī)范化,進(jìn)行多中心、大樣本研究,應(yīng)用高質(zhì)量的前瞻性試驗(yàn)以及可重復(fù)性研究以推動(dòng)影像組學(xué)在肝癌中的研究發(fā)展。機(jī)器輔助醫(yī)療服務(wù)將是未來肝臟醫(yī)療的最佳解決方案。在AI技術(shù)飛速發(fā)展的背景下,醫(yī)生必須與時(shí)俱進(jìn),嚴(yán)格應(yīng)用技術(shù),才能成為技術(shù)驅(qū)動(dòng)力并更好地為患者服務(wù)。
參考文獻(xiàn):
[ 1 ] 賀君劍,魏長慧,李眾,等. 中國居民2004-2016年肝癌死亡趨勢(shì)分析[J]. 鄭州大學(xué)學(xué)報(bào)(醫(yī)學(xué)版),2020,55(1):119-122.
[ 2 ] 科學(xué)網(wǎng). 復(fù)旦大學(xué)揭示全球不同地區(qū)肝癌發(fā)病模式[J]. 腫瘤防治研究,2019,46(5):497.
[ 3 ] Sarah S,Winster S G. Neural Networks in Classifying Medical Imaging:Liver Cancer[J]. Journal of Computational and Theoretical Nanoscience,2020,17(5):2091-2096.
[ 4 ] Cai W L,Hong G B. Quantitative image analysis for evaluation of tumor response in clinical oncology[J]. Chronic Dis Transl Med,2018,4(1):18-28.
[ 5 ] Lambin P,Rios-Velazquez E,Leijenaar R,et al. Radiomics:extracting more information from medical images using advanced feature analysis[J]. Oral Oncology,2012,48(4):441-446.
[ 6 ] Kumar V,Gu Y,Basu S,et al. Radiomics:the process and the challenges[J]. MagneticResonance Imaging,2012,30(9):1234-1248.
[ 7 ] Mackin D,F(xiàn)ave X,Zhang L,et al. Measuring computed tomography scanner variability of radiomics features[J]. Investigative Radiology,2015,50(11):757-765.
[ 8 ] Ma Z,Tavares JM,Jorge RN,et al. A review of algorithms for medical image segmentation and their applications to the female pelvic cavity[J]. Computer Methods in Biomechanics and Biomedical Engineering,2010,13(2):235-246.
[ 9 ] Cardenas C E,Yang J,Anderson B M,et al. Advances in Auto-Segmentation[J]. Semin Radiat Oncol,2019,29(3):185-197.
[10] O'Sullivan F,Roy S,O'Sullivan J,et al. Incorporation of tumor shape into an assessment of spatial heterogeneity for human sarcomas imaged with FDG-PET[J]. Biostatistics,2005,6(2):293-301.
[11] Chalkidou A,O'Doherty M J,Marsden P K. False discovery rates in pet and CT studies with texture features:a systematic review[J]. PLoS One,2015,10(5):0124165.
[12] Yan S,Dong X,Zhang B,et al. Graph Embedding:A General Framework for Dimensionality Reduction[C]. Computer Vision and Pattern Recognition,2005.
[13] Seff ?A,Lu L,Barbu ?A,et al. Leveraging Mid-Level Semantic Boundary Cues for Automated Lymph Node Detection[C]. Miccai Springer International Publishing,2015.
[14] Voulodimos A,Doulamis N,Doulamis A,et al. Deep learning for computer vision:a brief review[J]. ComputIntell and Neurosci,2018:7068349.
[15] Wang W,Gu D ,Wei J ,et al. A radiomics-based biomarker for cytokeratin 19 status of hepatocellular carcinoma with gadoxetic acid–enhanced MRI[J]. European Radiology,2020,30(1):3004-3006.
[16] Zou X,Luo Y,Li Z,et al. Volumetric Apparent Diffusion Coefficient Histogram Analysis in Differentiating Intrahepatic Mass-Forming Cholangiocarcinoma From Hepatocellular Carcinoma[J]. J MagnReson Imaging,2019 ,49(4):975-983.
[17] Bell M,Turkbey E B,Escorcia F E. Radiomics,Radiogenomics,and Next-Generation Molecular Imaging to Augment Diagnosis of Hepatocellular Carcinoma[J]. The Cancer Journal,2020,26(1):108-115.
[18] Sasaki A,Kai S,Iwashita Y,et al. Microsatellite distribution and indication for locoregional therapy in small hepatocellular carcinoma[J]. Cancer,2005,103(2):299–306.
[19] Wu M,Tan H,Gao F,et al. Predicting the grade of hepatocellular carcinoma based on non -contrast -enhanced MRI radiomics signature[J]. Eur Radiol,2019,29:2802-2811.
[20] Kiyuna T,Saito A,Marugame A,et al. Automatic classification of hepatocellular carcinoma images based on nuclear and structural features[J]. Medical Imaging,2013,8676(5):387-393.
[21] Wu J,Liu A,Cui J,et al. Radiomics-based classification of hepatocellular carcinoma and hepatic haemangioma on precontrast magnetic resonance images[J]. BMC Medical Imaging,2019,19(1):23.
[22] 張加輝,陳峰,薛星,等. 基于支持向量機(jī)的MRI影像組學(xué)方法鑒別不同病理分型原發(fā)性肝癌的價(jià)值[J]. 中華放射學(xué)雜志,2018,52(5):333-337.
[23] Xu X,Zhang H L,Liu Q P,et al. Radiomic Analysis of Contrast-Enhanced CT Predicts Microvascular Invasion and Outcome in Hepatocellular Carcinoma[J]. Journal of ?Hepatology,2019,70(6):1133-1144.
[24] Kim J,Choi S J,Lee S H,et al. Predicting Survival Using Pretreatment CT for Patients With Hepatocellular Carcinoma Treated With Transarterial Chemoembolization:Comparison of Models Using Radiomics[J]. American Journal of Roentgenology,2018,211(5):1026-1034.
[25] Ivanics T,Salinas-Miranda E,Abreu P,et al. A Pre-TACE Radiomics Model to Predict HCC Progression and Recurrence in Liver Transplantation. A Pilot Study on a Novel Biomarker[J]. Transplantation,2021,1:1-32.
[26] Ji G W,Zhu F P,Xu Q,et al. Machine-learning analysis of contrast-enhanced CT radiomics predicts recurrence of hepatocellular carcinoma after resection:A multi-institutional study[J]. E Bio Medicine,2019,50:156-165.
[27] Liu D,Liu F,Xie X,et al. Accurate prediction of responses to transarterial chemoembolization for patients with hepatocellular carcinoma by using artificial intelligence in contrast-enhanced ultrasound[J]. Eur Radiol,2020,30(4):2365-2376.
[28] Liu F,Liu D,Wang K,et al. Deep Learning Radiomics Based on Contrast-Enhanced Ultrasound Might Optimize Curative Treatments for Very-Early or Early-Stage Hepatocellular Carcinoma Patients[J]. Liver Cancer,2020,9(4):397-413.
[29] Mokrane F Z,Lu L,Vavasseur A,et al. Radiomics machine-learning signature for diagnosis of hepatocellular carcinoma in cirrhotic patients with indeterminate liver nodules[J]. Eur Radiol,2020 ,30(1):558-570.
[30] Dercle L,Ma J,Xie C,et al. Using a single abdominal computed tomography image to differentiate five contrast-enhancement phases:A machine-learning algorithm for radiomics-based precision medicine[J]. Eur J Radiol,2020,125:108850.
[31] Guo D,Gu D,Wang H,et al. Radiomics analysis enables recurrence prediction for hepatocellular carcinoma after liver transplantation[J]. Eur J Radiol,2019 ,117:33-40.
[32] Jiang Y Q,Cao S E,Cao S,et al. Preoperative identification of microvascular invasion in hepatocellular carcinoma by XGBoost and deep learning[J]. J Cancer Res Clin Oncol,2021,147(3):821-833.
[33] Ji G W,Zhu F P,Xu Q,et al. Machine-learning analysis of contrast-enhanced CT radiomics predicts recurrence of hepatocellular carcinoma after resection:A multi-institutional study[J].E Bio Medicine,2019,50:156-165.
[34] Aonpong P,Chen Q,Iwamoto Y,et al. Comparison of Machine Learning-Based Radiomics Models for Early Recurrence Prediction of Hepatocellular Carcinoma [J]. Journal of Image and Graphics,2019,7(4):117-125.
[35] Fontaine P,Riet F G,Castelli J,et al. Comparison of feature selection in radiomics for the prediction of overall survival after radiotherapy for hepatocellular carcinoma[J]. Annu Int Conf IEEE Eng Med Biol Soc,2020,2020:1667-1670.
[36] Xu G,Yang H Y,Xu H F. Prediction of microvascular invasion in hepatocellular carcinoma with preoperative imaging radiomic analysis:Is it ready for prime time?[J]. Hepatobiliary Pancreat Dis Int,2019,18(3):289-290.
[37] Chen C,Guo X,Wang J,et al. The Diagnostic Value of Radiomics-Based Machine Learning in Predicting the Grade of Meningiomas Using Conventional Magnetic Resonance Imaging:A Preliminary Study[J]. Frontiers in Oncology,2019,9:1337-1338.
[38] Wang W,Chen Q,Iwamoto Y,et al. DeepLearning-Based Radiomics Models for Early Recurrence Prediction of Hepatocellular Carcinoma with Multi-phase CT Images and Clinical Data[J]. Annu Int Conf IEEE Eng Med Biol Soc,2019,2019:4881-4884.
[39] Nishida N,Kudo M. Artificial Intelligence in Medical Imaging and Its Application in Sonography for the Management of Liver Tumor[J]. Front Oncol,2020,10:594580.
[40] Houseni M,Mahmoud M S,Saad S S,et al. Advanced intra-tumoural structural characterisation of hepatocellular carcinoma utilising FDG-PET/CT:a comparative study of radiomics and metabolic features in 3D and 2D[J]. Polish Journal of Radiology,2021(86):63-72.
[41] Saini A,Breen I,Pershad Y,et al .Radiogenomics and Radiomics in Liver Cancers[J]. Diagnostics (Basel),2018,9(1):4.
[42] Hectors S J,Lewis S,Besa C,et al. MRI radiomics features predict immuno-oncological characteristics of hepatocellular carcinoma[J]. European Radiology,2020,30(7):3759-3769.