【原】【综述】人工智能在颅内病变立体定向放射外科治疗中的应用:检测、分割和结果预测

ICON伽玛刀 2023-01-30 发布于上海

展开全文

《Journal of Neurooncology》杂志 2023年1月 13日在线发表台北荣民总医院的Yen-Yu Lin , Wan-Yuo Guo , Chia-Feng Lu , 等撰写的综述《人工智能在颅内病变立体定向放射外科治疗中的应用:检测、分割和结果预测Application of artificial intelligence to stereotactic radiosurgery for intracranial lesions: detection, segmentation, and outcome prediction》（doi: 10.1007/s11060-022-04234-x.）。

背景:

人工智能(AI)的快速发展促使其在医疗保健系统中的广泛应用。近年来，立体定向放射外科作为人工智能模型开发的一个很好的候选者，取得了令人鼓舞的结果。本文旨在阐述人工智能在放射外科中的应用现状。

方法:

回顾2010-2022年在PubMed发表的文献，讨论AI在立体定向放射外科中的应用。

结果:

人工智能算法，特别是机器学习/深度学习模型，已应用于立体定向放射外科的不同方面。肿瘤自发检测和病灶自动勾画或分割（Spontaneous tumor detection and automated lesion delineation or segmentation）是其中两个很有前景的应用，可以进一步扩展到纵向治疗随访。利用机器学习算法和基于放射影像学的分析进行结果预测是另一个成熟的应用。

结论:

立体定向放射外科在人工智能的发展中起着主导作用。本文综述了目前的研究成果、局限性和进一步的研究。

引言

计算能力和数据管理的进步促进了医疗保健系统中人工智能(AI)的快速发展。人工智能在神经外科的应用包括但不限于神经肿瘤诊断、术前计划、神经导航、手术机器人、放射外科等。用于诊断、分割和/或结果预测的图像自动分析是较为成熟的临床应用之一。立体定向放射外科(SRS)依赖于高敏感性的肿瘤检测和精确的病灶勾画治疗计划。这一过程是AI模型开发的一个很好的候选者，因为大量人工分割的图像可以作为模型训练的基本真相。

机器学习(ML)是人工智能的一个分支，其特点是能够在没有人类显式编程的情况下改进算法。深度学习(DL)是ML的一个子集，其中一个多层人工神经网络处理大数据，提取特征，和/或预测结果。最近关于使用ML和DL算法处理SRS图像的研究已经显示出相当大的自动化检测和/或分割前景。放射影像组学分析(即定量图像特征的挖掘[the mining of quantitative image features])可以与机器学习模型结合使用，以确定肿瘤的状态并预测结果。本文综述了人工智能应用于放射外科的最新进展，以及人工智能应用于放射外科所面临的挑战和进一步研究的可能途径。

检测

SRS在脑转移瘤(BM)的治疗中发挥着越来越重要的作用，因为其良好的肿瘤控制率(相当于全脑放疗)和优越的认知功能结局，即使在多发性或大面积转移性病灶的患影响。这促使许多研究团队开发用于计算机辅助检测的AI模型。

该领域的早期研究使用的是基于模板匹配算法的传统机器学习（ML）方法。2018年，脑转移瘤（BM）自动化检测的兴趣激增，重点是DL（深度学习）。最近的研究主要集中在卷积神经网络(CNN)模型，包括U-Net、DeepMedic、GoogLeNet或单次多盒检测器(SSD)。在2020年基于DL模型的研究荟萃分析中，Cho等人报告，可检测BM的合并比例为90.1% (95% CI 84-95%)，人均假阳性率为10%。Lu等进行了一项随机多读者研究，以评估临床SRS工作中基于人工智能的工具。他们的模型结合了DeepMedic和3D U-Net架构，用于病灶勾画，结果显示增加了临床医生间的协议（inter-clinician agreement），将敏感性从82.6提高到91.3%，并将平均轮廓勾画时间缩短了30.8%。研究人员预计，我们很快就会看到旨在减轻肿瘤检测和描述负荷的实际人工智能应用。我们报告了一个由台湾AI实验室和台北荣民总医院创建的AI模型(DeepMets®)，用于日常临床实践中的脑转移瘤检测。

应用人工智能进行肿瘤检测的主要挑战在于病变检出率和假阳性率之间的权衡。许多研究提出了同时使用多个MRI序列进行模型构建，这已被证明优于使用单一MRI模态的算法。遗憾的是，使用一组不同的MRI序列训练的模型通常仅限于使用这些图像序列的网络。在选择最合适的MRI模式、处理缺失序列和管理来自不同设施的图像设置的多样性方面，仍需要进行大量的工作。研究人员开发了两阶段AI模型，包括异常候选检测算法和分类器，以减少假阳性检测。在单一框架中结合不同的ML和/或DL方法已被证明可将假阳性率降低到临床可接受的水平，而不影响检测小病变的能力。从技术角度来看，肿瘤检测模型的性能也可以通过图像预处理、数据增强/重采样、数据验证方案、超参数调优或网络架构优化来提高。

分割和勾画

精确的病变分割可用于靶向脑转移瘤和更复杂的结构，包括动脉静脉畸形(AVMs)和前庭神经鞘瘤。Peng等开发了一种全自动算法，通过模糊C均值聚类执行无监督分类，以区分T2加权图像中的病灶、脑组织和脑脊髓液，用于SRS治疗计划。他们的分割模型还能够精确量化介入的脑实质，以预测放射外科治疗后放射性改变的风险。Simon等使用带有2D U-net结构的CNN标记动脉、静脉、脑实质、CSF和栓塞血管。他们的系统可以在多个MR图像序列(如T1+C, T2和TOF)中区分各种血管结构，并适用于全脑容积。在这项工作中，开发了一个用于治疗计划和治疗反应评估的血管图自动生成系统。图1是由台北退伍军人总医院与台北医科大学共同开发的用于AVM日常临床分割的AI模型，称为自动分割应用程序(ASAP)。

图1台北荣民总医院联合台北医科大学创建的ASAP (Auto Segmentation App) AI模型，用于区分SRS治疗图像中的病灶、脑组织和脑脊液，以计划AVM治疗。

Shapey等开发了一种基于2.5 D U-net结构的CNN自动勾画前庭神经鞘瘤的算法。他们的系统实现了与人类注解者（a human annotator）相当的性能。Lee等随后的研究通过采用多参数MR图像和双通路U-Net模型提高了具有实性和囊性部分的非均质肿瘤的描绘精度。该研究小组的进一步工作包括将该模型应用于SRS治疗后前庭神经鞘瘤的纵向随访分析。他们的结果证明了该模型在描述肿瘤进展、消退或假性进展状态方面的价值。表1回顾了AI在SRS病变检测、分割和勾画中的应用。但是请注意，所提出的分割算法受到一些限制。监督训练模型中使用的“基本事实”指定来自神经外科医生进行的人工描述，因此容易受到主观解释的影响，这可能会引入偏见，从而阻碍模型应用于外部数据集时的性能。所提出的AI模型对其他颅内病变的适用性还有待验证。进一步的工作还需要使用具有多种图像的更大数据集，以便在未来最大限度地提高框架的通用性。一些研究建议增加算法的复杂性，并利用巨大的参数范围;但是，考虑计算资源也很重要。模型性能必须与当前的医疗保健基础设施相平衡。

表1人工智能在SRS治疗的病变检测、分割和勾画中应用的文献综述。

纵向随访

人工智能在纵向随访分析中的应用实际上是病变勾画的延伸。在过去的30年里，一些研究所的研究人员主要基于对多参数MR图像(例如T1W, T1W+C和T2W)的细致分析，使用SRS来描述靶病变的解剖细节。然而，要获得有关SRS治疗效果的准确评估，需要一个可靠的系统，通过该系统可以自动描述和测量随访MR图像中的脑部病变体积。任何人工智能方案的效果都可以根据其在各种治疗干预后的纵向随访评估的适用性进行评估。在一份早期报告中，Lee等使用了一系列来自381例前庭神经鞘瘤患者的1290张MR图像(T1W + C和T2W参数)，用自动预处理管道（automated pre-processing pipeline）建立了端到端深度学习方案的模型。在该研究中，人工智能模型生成的预测与专家放射科医生的临床评估之间的差异被认为是临床可接受的，即在除第一个时间点以外的所有时间点之间的差异小于1%(+1.74%)。本研究提出的深度学习AI方案适用于治疗干预后的纵向随访评估。2022年，耶鲁大学的一个研究小组提出了一种实时PACS集成纵向脑转移瘤随访工具。他们还进行了一项队列研究，涉及对80例患者的494个病变进行纵向随访，平均随访时间为第一次SRS治疗后374天。他们的PACS集成病变岁系统能够有效监测和高度客观的报告。图2为前庭神经鞘瘤的纵向随访模型，由台北荣民总医院与阳明朝东大学[Yang Ming Chao Tung University]共同创建。

图2台北荣民总医院联合阳明朝东大学建立的前庭神经鞘瘤纵向随访模型。勾画的结果与临床医生测量结果高度一致。

预后预测

SRS治疗后颅内病变的影像学特征可以提取出来进行系统分析。放射影像组学分析包括将带有病变病理生理相关信息的数字加密图像转换为可挖掘的数据。影像学特征可以作为替代生物标志物，用于制定SRS治疗后的方案。北京天坛医院的一个研究团队应用基于影像学的人工智能模型来预测SRS治疗AVM的结果。他们评估了各种AI模型，包括支持向量机、K近邻和神经网络在分析未破裂AVM组和部分栓塞AVM组时的性能[support vector machine, K-nearest neighbor, and neuro network, in analyzing groups of unruptured AVM and partially embolized AVM]。该研究中的影像组学模型优于结果评估中常规使用的评分系统。Yang等和Langenhuizen等将影像组学应用于放射外科治疗前MRI，预测SRS治疗后前庭神经细胞瘤的长期预后和假性进展。一个基于支持向量机的模型取得了令人满意的预测性能，AUC为>0.9。一些研究试图预测SRS治疗脑转移瘤后的局部肿瘤控制。迄今为止，结合影像学和临床特征进行模型构建时，预测效果最好。这种方法也被证明有效地预测基于SRS治疗脑转移瘤后放射性坏死的肿瘤进展。请注意，这些结果可能会对治疗计划产生深远的影响，这一直是一个难题。图3展示了一个基于影像学特征预测脑海绵状血管瘤预后的最新模型。台北荣民总医院和阳明朝东大学的研究人员也尝试合并EEG和MR影像特征来预测癫痫发作和出血的发生率。

图3回顾性收集212例海绵状血管畸形患者行伽玛刀(GKS)治疗前的MRI数据。两个感兴趣的区域(ROI)，包括GKS的靶体积(TV)和周围的含铁血黄素(SH)，用于提取影像组学特征。B 159例选择用于预测GKS治疗后无出血生存(HFS)的MR影像学特征。C使用基于放射影像学的随机生存森林模型(灰色曲线)预测HFS。彩色HFS曲线表示三个具有不同HFSs的代表性患者。D通过GKS治疗后各时间点ROC曲线下面积(AUC)表示所提出的HFS预测模型的性能。

使用机器学习模型进行影像辅助预后预测已显示出相当大的前景。我们认为这些方法也可以用于评估病变的纵向变化。表2总结了近期关于SRS治疗结局预测辐射基础预测模型的文献。但请注意，特征选择可能对模型性能有深远的影响，应谨慎执行以避免偏差。以往研究的常见局限性包括样本量小和缺乏外部验证。尽管有这些令人兴奋的结果，科学家们仍然担心这些算法的黑箱性质。研究人员应努力提高模型的可解释性，并确定驱动预测的生物机制，以支持临床医生和患者的决策过程。

表2用于SRS结局预测的辐射基础预测模型文献综述。