最新：人工智能在肝癌领域应用研究进展（全文）.docxVIP

最新：人工智能在肝癌领域应用研究进展(全文) 摘要 近年来人工智能(AI)技术发展迅速，其子领域深度学习已广泛应用于医 学图像处理和临床肿瘤学分析。很多研究结果已经表明将人工智能与医学 相结合能够为医生带来较好的辅助作用，可以很好地帮助医生更快更准确 地诊断疾病。医学影像方面,AI能够分类出CT、MRI影像片中不同器官， 并通过影像片判断肝脏肿瘤的良恶性、预测肝癌微血管侵犯(MVI);数 字病理方面，AI可以判断肝细胞癌的分化等级、诊断并分类MVI以及预 测病人的术后生存率等。肝癌治疗方面，AI可以协助医生制定手术策略、 为医生提供最适合病人的治疗方案，帮助医生做出治疗决策。 原发性肝癌( hepatocellular carcinoma ,HCC )是一种常见的恶性肿瘤， 其发病率在全球恶性肿瘤中居第六位，病死率居第三位[ 1 ]。由于肝癌的 发病极为隐匿，发现时已基本为中晚期，致使临床医生在进行快速准确的 诊断时存在极大的困难。 人工智能(artifical intelligence,AI)是目前应用较为广泛的计 算机技术。在医学上,AI最为主要的使用是在医学影像与肿瘤领域中[ 2 ]. 利用AI进行医学图像的处理可迅速筛选出不同病变部位的影像图片，辅 助医生对疾病进行快速和准确的诊断，帮助影像学专家分析肉眼难以辨别 的影像细节和特征纹理[ 3 ]。 医学中，AI的应用主要包括影像组学[ 4]和深度学习[ 5]两大 类。影像组学是医学数据与AI结合所产生的一种机器学习技术，通过数 据表征算法从医学放射图像中提取并处理大量特征后进行分析建模，以辅 助疾病诊断和预测治疗反应[ 6 ]。随着深度学习技术的迅速发展，影像组 学近年来的优势不再明显，深度学习中卷积神经网络(convolutional neural network,CNN)技术和医学图像有着更高的契合度，可以更高 效的从医学图像中提取特征。因此，很多领域深度学习模型的精确度都会 高于影像组学。目前，在处理医学X线片、电子计算机断层扫描、磁共振 成像、超声、数字病理等医学图像中，CNN模型判别良恶性疾病的能力 甚至超过了资深的影像学专家和病理专家[ 7 ]。不仅如此，深度学习模型 在疾病病理的分析方面也有着不错的表现，能够对HCC进行分期分级， 对肝癌微血管侵犯(microvascular invasion,MVI)进行术前术后的预 测判断。针对肝癌的治疗和预后，利用深度学习技术也可以为病人提供合 适的治疗方案，预测术后生存率等。现就AI在肝癌领域的诊断和治疗应 用前景及进展予以综述。 1 AI辅助影像学诊断 现阶段，基于AI的技术原理，在医学中较好应用的领域是影像学和病理 学，其中医学影像的二维属性与数字化趋势是AI应用的最佳领域。肝癌 的发病极为隐匿，而放射科医生通常需要花费大量的时间从CT或MRI扫 描后获得的数千张影像中选出最相关的层面才能较为准确的进行诊断[ 8], 且在这过程中可能存在误诊情况，影响病人的长期生存预后。因此，肝癌 的早期检测和诊断尤为重要，可以帮助医生选择靶区和需要向病人提供的 辐射剂量。 AI通过类似统计学的方式将每例病人的影像数据与诊断结果进 行联系，识别出阳性病人影像数据中不同于阴性病人的特征，这些特征通 常很难被医生肉眼所捕捉，并进行多轮次的训练来完善模型参数。因此， 完成训练后的AI模型具有一定的判别良恶性疾病的能力。在各类肿瘤疾 病的诊断竞赛中，AI的表现堪称完美。目前已被广泛应用于乳腺、胃和肠 道[9]等癌症的诊断，同时对于癌症病人的预后预测也有比较高的价值 [ 10 ]。 CT图像自动分类过程中特征选择是其关键步骤。由于高分辨率 和快速CT扫描仪的广泛应用，大量的图像数据可以直接用于深层神经网 络，而无需从CT图像中明确提取特征。CNN可以通过多个卷积层及不同 的卷积核从图像中准确提取复杂的特征并对图像进行分类。根据分类后的 肝癌CT图像进行诊断有助于肿瘤学家选择合适的治疗类型。肝癌从肝脏 扩散到肺部，然后扩散到骨骼，但扩散到其他捕获器官的可能性很小，结 合这一点，有报道利用CNN将CT扫面出的大量影像片分成不同器官类 别，并选择出最相关的肝脏影像片数据，帮助医生实现对肝癌病人的快速 诊断和完成治疗决策[ 7 ]。 动态增强MRI为肝脏肿瘤的鉴别诊断提供了最全面的信息,但是 医生的主观经验会对MRI的诊断结果产生影响结合上深度学习技术可以 提供一种新的诊断策略。Zhen等[11]利用基于CNN的模型，根据增 强MR图像、未增强MR图像和临床数据对肝脏肿瘤进行分类，与三位资 深放射医师的判别达到了一致的效果。模型通过深度神经网络挖掘非增强 图像和临床数据中的诊断信息，能够提高将恶性肿瘤分为HCC、转移性肿 瘤和