作者：杨琅环，范广涛，李正飞，徐洋，云南中医药大学第一附属医院 云南省中医医院放射科

脑肿瘤是一种复杂的病理状态，常导致神经损伤和功能障碍，每年新增病例约200 000 例。近年来，人工智能(artificial intelligence，AI)已广泛应用于生物医学领域，包括脑肿瘤的识别、诊断和治疗。然而，AI 与医疗实践的整合仍存在显著差距。医学领域的多样性和动态性产生了大量的临床数据，这些数据包括成像结果、患者电子病历和实验室报告。由于临床医师无法手动处理和提取患者数据以评估特定的相关信息，庞大的医疗数据量阻碍了精准和个性化的治疗。

数字化和技术的最新进展有潜力克服这一障碍，其中深度学习(deep learning，DL)作为一种AI 工具，能够显著减少处理和访问医疗数据的困难。1956 年达特茅斯会议标志着AI 的诞生，旨在利用机器模拟人类的记忆和学习能力。AI 算法的进步使得检索和利用大量临床数据进行训练成为可能。

DL 是机器学习的一个分支，能够从大量原始临床数据中自动提取多层次的信息，而无需人工直接处理结构化数据。随着医学影像学诊断技术的快速发展，疾病能更快速地被诊断与治疗。目前大多数医学图像的分析工作仍由放射科医师完成，但由于病理学差异、医师的疲劳程度以及个体间的差异，计算机辅助医学图像分析变得越来越必要。DL 领域增强了识别、分类和量化医学影像模式的能力，能够帮助满足与平衡差异问题。

高性能中央处理器和图形处理器的发展、大数据的可用性，以及AI 学习算法的进化，促成了DL 技术的成功。技术上，DL 可被视为传统AI算法的进化形式，构建了多层次的神经网络，深度神经网络能够发现分层特征表示，从而从低级特征中推导出高级特征。DL 的独特优势在于能够从数据中自动学习分级特征表示，只需经过少量预处理的数据集，即可通过自我学习方式发现信息表示。本综述旨在探讨AI 和DL 如何革新脑肿瘤的诊断与治疗。

1.脑肿瘤分割与检查中的应用

脑肿瘤的诊断涉及识别和定性大脑内的异常生长或肿块，需要利用各种医学影像学、病理学和临床方法来确定肿瘤的性质、位置和特征，根据其起源、位置、组织学特征、恶性程度和患者年龄而有所不同，对其进行分类对于诊断、预后和治疗计划至关重要。

脑肿瘤亚型众多，每种亚型都有其独特的细胞起源和组织学特征。在儿童中，最常见的脑肿瘤类型为小儿型低级别和高级别胶质瘤以及髓母细胞瘤;而在成年人中，胶质母细胞瘤、弥漫性胶质瘤和脑膜瘤则更为常见。

鉴于此，研究的焦点集中在成人的胶质母细胞瘤和其他弥漫性胶质瘤，以及儿童的小儿型低级别和高级别胶质瘤及髓母细胞瘤，准确识别肿瘤亚型有助于临床医师制定诊断方法、预测疾病行为并确定个体化治疗方案。与不同肿瘤类型相关的独特遗传和组织学特征提供了关于侵袭性和治疗反应的信息，从而指导影像学方法、标志物评估和治疗方案的选择。

脑肿瘤通常在CT 扫描时识别，通过MRI 进一步定性，最终通过组织病理学检查确诊。当前的诊断方法面临诸多挑战，例如由于肿瘤隐匿而导致的早期发现困难、影像学限制、区分肿瘤类型难度大，且伴随风险的侵入性检查，以及脑肿瘤的异质性等。目前的诊断方法受到耗时过程、可及性有限以及专家之间解读差异的制约，突显了采用先进的基于AI 方法的必要性。

近年来，DL 方法在快速、准确诊断和分割脑肿瘤的自动化系统开发中变得愈加流行。DL 实现了预训练的卷积神经网络(convolutional neural network，CNN)模型，专用于脑肿瘤的分类，应用于GoogleNet、VGGNet、AlexNet 和ResNet-34 等。例如，脑瘤分类模型通过增强CNN 实现了高级三维建模，提出采用自适应动态正弦余弦适应度灰狼优化算法(ADSCFGWO)、CNN 超参数优化和分割模块。

另一项贡献是基于Inception-ResNet V2的模型，该模型通过输出二进制结果(0 表示正常，1 表示肿瘤)提高了脑肿瘤的诊断和术前规划效率。这种进步推动了混合技术的发展，预训练的AlexNet、GoogLeNet、ShuffleNet和ResNet 网络被用于从肿瘤区域和周围组织中提取特征。尽管深层特征在识别过程中至关重要，但可能丢失一些低级特征，因此浅层网络用于学习这些数据。深层与浅层特征的融合弥补了数据的缺失，使用融合特征集训练支持向量机和k-最近邻分类器。

另一项研究提出了一种用于检查胶质母细胞瘤和其他脑肿瘤的遗传算法(GA)-CNN 混合方法，该方法利用遗传算法自动选择合适的CNN 结构，在90. 9%和94. 2%的病例中正确识别胶质瘤、脑膜瘤和垂体瘤。DL 在医学中的另一重要应用是图像分割，一项研究报道了一种融合二维(2D)和三维(3D)MRI 图像的技术，该技术利用DenseNet 进行分类和独特的3D CNN 架构进行多模态图像分割。测试集上的结果显示，DenseNet 的准确率为92%，个性化3D CNN 模型的准确率为85%。

孙浩等进行了一项研究，使用深度CNN 和广泛的数据增强对多级肿瘤进行分类，使用深度学习提取肿瘤区域，并进行广泛的数据增强以避免数据缺乏和训练通用模，然后对预处理的数据使用增强进行微调，用于对多级肿瘤进行分类。增强前后胶质瘤的分类准确率分别为93%和96%，而垂体瘤的准确率分别为89%和93%。基于比较研究，可以说数据增强提高了分类准确率。

王雪松等提出的一种新的融合模块CSM，以并行的方式融合了Swin Transformer 的通道注意力信息和CNN 的空间注意力信息，使整个网络更多关注于脑肿瘤图像中有用的通道信息和空间信息，并抑制非目标区域的无关信息。这些进步不仅提高了诊断的准确性和效率，还为个性化治疗方案的设计提供了新的可能。

2.脑肿瘤领域使用DL 的优势

DL 在复杂的脑肿瘤病例中显示出较高的诊断准确性和效率的潜力。例如，在难以鉴别多形性胶质母细胞瘤和原发性中枢神经系统淋巴瘤的情况下，DL 表现出显著性优势。McAvoy 等使用CNN 框架中的EfficientNetB4 架构，分析了320 例疑似多形性胶质母细胞瘤或原发性中枢神经系统淋巴瘤患者的对比增强MRI T1 加权图像，从而提高了诊断的准确性。

在脑转移瘤的早期诊断中，立体定向放射治疗需要对转移瘤的数量和位置有详细了解，在这一情况下，计算机辅助的自动检测显得尤为重要。放射基因组学通过结合成像和基因型分析，能够检测与少突胶质细胞瘤和多形性胶质母细胞瘤中表皮生长因子受体(EGFR) 突变相关的特征。

AI 通过对MRI T1 加权后对比序列进行2D 和3D 纹理分析，可以表征肿瘤的表型特征，从而区分出脑肿瘤是否为肺癌、黑色素瘤或乳腺癌的转移灶，并确定手术治疗计划。Rehman 等开发了一种使用3D CNN 和特征选择架构的脑肿瘤分类方法。3D CNN 模型用于肿瘤分割，然后传递给预先训练好的VGG19 CNN 模型进行深度特征提取，该模型能够提供98. 32%的准确率。

DL 已经开发了成像信号，通过术前MRI 扫描提供弥漫性低级别胶质瘤中1p/19q 共缺失的准确预测，提供了具有重要诊断潜力的非侵入性替代方法。免疫组织化学、甲基化分析、染色体微阵列、scRNA-seq 的整合和NGS 的研究，基于组织学分析可以进一步提高脑肿瘤的诊断效能。然而，计算机辅助设计需要在适当的环境中使用，因为灵敏度阈值过低可能导致过度诊断，而过高则可能漏掉小的病变。

这些进展表明，DL 和AI 的集成能够提高成像质量和准确性，并减少患者的风险，从而使神经外科手术的可行性提高。放射组学有助于以非侵入性方式从影像中提取和分析大量数据，获取肿瘤组织学和生物标志物的定量特征，预测分子特征和预后，从而提供更个性化的治疗。

3.DL 在指导手术与放疗中的应用

DL 和AI 在实时决策中的潜力也体现在术中诊断方面。AI 将脑部MRI 扫描的DL 算法与机器人手术结合，传统外科手术存在的局限性，如损伤范围的不精确性，AI 能够通过提供精确划定病变大小和位置的算法来减少这些限制，并实时指导外科医师，使手术创伤更小，并发症更少。Zeineldin等发现，多模态AI 驱动系统在神经外科医师的系统可用性量表中获得了75 分(满分100 分)，并在手术中获得积极反馈。当手术期间需要实时评估组织样本时，传统方法可能耗时较长。

相比之下，Nohman 等开发了一种结合受激拉曼组织学(SRH)、无标记光学成像和深度CNN 的新方法，利用组织的不同生化特性生成苏木精伊红样图像，并与基于AI 的图像分类器相结合，诊断脑膜瘤与高级别神经胶质瘤的AUC 预测值达到了93% (95% CI:0. 88~0. 98)。这一研究可以快速获得术中组织诊断，从而根据组织学和细胞密度指导手术决策。通过优化的CNN 模型、创新的混合方法和实时决策支持，DL 正在推动医学成像技术的革新。

神经导航是神经外科中AI 应用的另一例证，它通过计算机图像处理生成无框架立体定向导航系统，有助于预测手术中病变和解剖结构的位置。这种技术减少了对术中成像数据的依赖，提供了更精确的导航数据，并考虑了术中结构移位，有可能降低手术期间的患者风险，并促进微创手术的发展。

随着基于人工智能的自动图像分类的进一步完善，可以更精细地将基因、组织、病理、影像数据集成到手术工作流程中。AI方法在预测治疗反应方面表现出色，利用对比增强MRI T1和FLASH 扫描的影像组学特征预测转移性脑肿瘤的伽玛刀放射外科反应，以及基于治疗前ADC 图预测放疗反应的预测模型。

将影像组学与临床属性相结合的综合模型能够高效评估来自初发乳腺癌和肺癌的脑转移患者的放疗反应，在多中心患者群体中得到了验证。对于胶质母细胞瘤，围肿瘤水肿的空间异质性分析有助于识别肿瘤水肿中的高风险区域，进而改进治疗规划，尽管识别胶质母细胞瘤患者中抗替莫唑胺的关键标志物MGMT 存在挑战，但基于AI 的影像组学方法作为MGMT 状态和抗替莫唑胺反应的预测指标提供了有价值的洞察，为明智的治疗决策提供支持。

4.DL 在脑瘤领域的挑战和局限

AI 在医疗领域备受关注的一个关键原因是其能够处理大量数据，但它同样面临许多挑战，所有医学研究中的一个共同挑战是保护患者隐私和遵循伦理政策，这对收集数据的限制较为苛刻，尤其是需要大量数据来训练其算法的DL模型。另一个影响因素是数据质量，AI 决策的能力取决于训练过程中的数据质量，医疗数据不仅复杂多样，且因为各个地区的差异，量化标准难以统一。

DL 模型通过深度CNN 的多层处理来实现，包括用于卷积、池化和分类的不同层，而人工分割数据则是标准分割基准。DL 模型使用CNN来评估转移性硬膜外压迫，使得MRI 图像的自动诊断和分类成为可能。例如，比尔斯基使用轴向MRI T2 加权图像为初始手术减压或放疗提供即时结果和决策，其灵敏度和特异性与肌骨放射科医师、神经放射科医师和放射肿瘤学医师相当。

尽管存在大量的假阳性，DL 在检测脑转移瘤时仍能达到大约80%的灵敏度。Deep Medic 是一个3D CNN 模型架构，处理来自不同中心的T1、T2、对比增强T1和液体衰减反转恢复的MRI 数据。该DL 模型在恶性黑色素瘤脑转移中的有效性也得到了评估，灵敏度达88%，假阳性和分割结果小于1。Q-learning 与手术路径规划算法结合使用，可用于确定进入颅骨的最佳切入点以及进行微创手术和肿瘤切除的最优路径。AI 的道德准则，如透明性、公正性、公平性、无害性、责任和自主性，应得到遵循。然而，关于AI在外科手术中应用的相关伦理问题的文献仍然有限。

在某些信息充足的领域，使用德尔菲法对意见进行收集，但目前缺乏数据采集基础设施和数据所有权的明确指南。此外，并非所有数据都是数字化的，多个系统之间的数据共享也存在障碍。目前，对于AI 发展所需的数据交换，还没有形成普遍共识，特别是在跨国数据交换方面可能存在限制。总的来说，与AI 和神经介入相关的伦理挑战仍然很多，包括算法偏差，这源自算法决策过程。

另一个重要的伦理考量是技术获取的不平等，因为应用这些技术所需的设备和系统成本高昂。此外，法律责任、数据隐私和许可等诸多伦理问题尚未达成共识。一项关于ChatGPT 在神经外科实践和教育中应用的系统综述发现，62%的研究认为伦理因素是主要限制。此外，15%的研究强调问题格式限制、验证挑战、算法偏差和潜在偏见也是值得关注的问题。

5.AI 未来方向和潜在影响

在医疗领域，AI 的潜力是显著的，但其融入过程中的一个主要障碍是人们担心AI 会完全取代医疗从业者。这种担忧可以理解，但重要的是要认识到AI 不太可能完全取代人类医师。尽管AI 在某些诊断任务中可以达到接近熟练医师的准确性，但研究表明，结合临床医生的专业知识和AI 的分析能力可以实现最佳结果。特别是在神经外科领域，通常AI 的应用受到欢迎，并且随着其更好更快地被集成，发展预计将呈指数级增长。AI 已经开始融入临床实践，例如与脑机接口结合，以帮助恢复瘫痪患者的运动和感觉功能，AI 能够通过患者脑电图所反映出来的皮层神经元活动加以理解，并与执行预期运动的机械臂连接，这种技术被称为“神经旁路”，是AI 在临床中应用的一个示范。

AI 在医学上的重要性不仅限于技术应用，它还将成为推动医学进步和个性化管理的重要工具。AI 可以帮助临床医师根据个体患者的特征和肿瘤行为制定更为个性化的治疗计划。通过分析大量患者的数据，如病史、遗传信息和个人偏好，AI 能够制定更有效且更符合患者需求的治疗方案。

在多模态和多尺度方法中，通过整合基因组学、病理组学和放射组学数据，能够更全面地了解脑肿瘤。通过下一代基因组学测序等技术，可以帮助揭示脑肿瘤的遗传特征，并提供有关其基因组变化的信息，分子分型和生物标志物的确定在个性化精准医疗中至关重要，对早期检测、预后以及治疗反应的预测产生了影响。

这种综合方法与临床数据结合后，不仅增进了我们对脑肿瘤的理解，也为制定针对特定基因改变的个性化治疗方案奠定了基础。此外，工程师与临床医师之间的协作对AI 在医学中的应用至关重要。这种合作将开启一个医学新时代，提升手术的效率和准确性，同时降低手术风险。虽然AI 有其局限性，但通过仔细的数据监控、管理编码错误和持续的算法开发，这些局限性是可以克服的。在工程师的支持和监督下，AI 可以被有效整合到临床实践中，使神经外科医师更愿意使用AI 来设计更加合理精准的个性化治疗方案。

来源：杨琅环，范广涛，李正飞，等.基于深度学习磁共振成像的脑肿瘤诊断与治疗的研究进展[J].临床肿瘤学杂志，2025，30(01):91-95.