作者:陈维,潘德润,
人工智能(artificial intelligence,AI)主要包括高级算法、模式识别、数据挖掘、感知能力、自然语言识别及智能机器人等领域。近年来,AI 在医学领域取得了明显进展,在改善疗效、优化个性化患者管理和提升研究能力方面显示出良好的前景。同时,对于医疗工作者而言,AI 可以极大地提高临床工作效率,缓解医疗资源的短缺问题。现阶段AI 在
1. AI 在骨肿瘤影像学中的应用
1. 1 骨肿瘤区域的识别与分割
MRI 是诊断骨肿瘤的关键技术,但人工评估MRI 图像是一项费时费力的工作,主观性强且诊断难度大。为更好地实现AI 模型的辅助价值、提升诊断医师的工作效能、减轻临床工作负担,有部分学者建立了分割特定病灶的AI 模型。Wu 等以80,000 多张骨肉瘤MRI 图像为数据集,设计了一种深度学习(deep learning,DL)模型,用于骨肉瘤的MRI图像精细分割,其最终建立的多层次残差融合网络可以显著提高骨肉瘤图像分割的精确性和有效性。Qu 等开发了一种基于DL 的自动分割方法并评估其临床应用价值,使用105 个MRI 的骨盆骨肿瘤病灶来提取手术前的三维信息。结果表明这种方法的分割精确度与影像科医师基本相同,但平均分析时间显著减少(从1820. 3 s 到19. 2 s)。
骨扫描被广泛应用于各种实体肿瘤的骨转移研究。但由于骨扫描影像具有空间分辨率相对较低的特点,给核医学科医师的人工分析带来了巨大的挑战,为进一步提高工作效率,有学者已开发出针对这类图像的自动诊断系统。Li等提出了一个基于骨扫描图像的
Han 等建立了2 个二维卷神经网络(2D-CNN)模型,分别基于全身和整合全身与局部病灶的串联结构,用于在
1. 2 骨肿瘤的良恶性分类
一些研究基于X 线平片、CT 或MRI 构建了DL 模型对全身骨肿瘤病灶进行良恶性分类。这些模型普遍以大量影像数据作为基础,同时结合影像组学等手段以提高模型泛用性。但这些研究仅涉及其中一种影像类型,尚缺乏对多模态影像分类模型的研究与尝试。He 等开发了一个卷神经网络(CNN)模型,利用来自1356 例患者的2899 张X 线平片的多机构数据集,自动将原发性骨肿瘤分类为良性、中间型或恶性肿瘤。该模型具有良好的性能,恶性与非恶性(良性或中间型) 的曲线下面积(AUC)值高达0. 92,三分类(良性、中间型与恶性)的准确率为72%,表现接近专业放射科医师。
同样,Liu 等开发了基于X 线平片的DL 模型,将982 个骨肿瘤病灶分为良性、中间型和恶性。该模型提高了初级放射科医师的诊断效能,与高级放射科医师的AUC 值相近。Do 等建立了一个CNN 模型将膝关节X 线平片区分为正常、良性或恶性骨肿瘤,分类准确率达99%。此外,Eweje 等建立了一个结合MRI 和临床特征的DL 算法,以区分骨肿瘤良恶性。本模型显示出76%的准确率,与放射科医师相比,敏感度和特异度均有所提高,但本算法主要局限性是在使用DL 方法进行分析之前需要先进行手动病变分割。
1. 3 骨肿瘤的鉴别诊断
在术前诊断中,作为发病率最高的恶性骨肿瘤,骨肉瘤与其他病种的鉴别是相关研究的热点。Yin 等以CT 影像组学特征为基础,提出了包括传统机器学习(machine learning,ML)模型、CNN、3D-CNN 及双重nnU-Net 模型等4种不同的模型以完成骨肉瘤与尤文肉瘤的鉴别诊断。研究表明,双重nnU-Net 模型在所有模型中效能最优(准确率为83%),并且该模型对骨肉瘤与尤文肉瘤的区分能力较影像科医师(准确率为79%)有一定提高。
另一项研究则同时将X 线平片及转录组测序数据一同纳入ML 算法进行建模,以区分骨肉瘤与良性骨肿瘤,取得了88%的准确率。
Yamazawa 等建立了一个LR 模型,该模型包含了T1 WI-CE 序列的MRI 影像组学特征,用于区分脊索瘤和软骨肉瘤,平均AUC 为0. 93,测试集的准确率为90%。Li 等设计了一个用于区分颅底脊索瘤和软骨肉瘤的术前多参数MRI 影像组学模型,训练集和验证集的AUC 分别为0. 97 和0. 87。
软骨肉瘤与内生性软骨瘤在影像特征上有不少相似之处,现阶段用MRI 鉴别软骨肉瘤和内生性软骨瘤仍具有挑战性。Pan 等根据临床风险因素以及3 个影像组学特征组合(T1 WI、T2 WI-FS 和T1 WI + T2 WI-FS)设计了3 种用于区分软骨肉瘤和内生性软骨瘤的AI 模型,验证集中的AUC 值分别为0. 94、0. 94 和0. 95,显示出较好的分类性能。
在Cilengir 等的研究中,由MRI 影像组学特征建立ML 模型用于区分内生性软骨瘤和软骨肉瘤,其中性能最好的逻辑回归(LR)模型AUC 和准确率分别为0. 84 和80%。上述研究表明临床风险因素在鉴别软骨肉瘤和内生性软骨瘤的过程中起到较好的决策作用,同时可提升AI 分类模型的性能。上述模型均以2 个不同病种的骨肿瘤为基础进行鉴别诊断,均表现出较好的分类性能。但目前尚未发现有研究同时对3 个或以上的病种进行鉴别诊断以进一步提升实用性,同时近年来相关研究仅涉及X 线、CT 或MRI 等常规影像学手段,针对功能MRI 及骨扫描等方式的研究目前仍有明显空缺。
1. 4 骨肿瘤预后评估
目前,在骨肿瘤预后评估方面,研究主要涉及术后肿瘤复发及转移方面,取得了较好的预测效能,而在生存率等其他方面的研究则较少。原发骨肿瘤切除术后治疗的一个主要难点是存在局部复发的可能性,基于术前医学图像预测预后具有重要意义。Wang 等开发并验证了一种支持向量机(SVM)模型,通过术前CT 图像预测脊柱骨巨细胞瘤患者的早期复发,发现其预测准确率为89%,表明ML 模型可以对患者预后进行准确评估以协助制定治疗方案。
Yin 等的研究提出了一个影像组学模型,将多参数MRI 特征(T1 WI + T2 WI + T1 WI-CE)与临床特征结合,用于预测骨盆软骨肉瘤患者的早期复发,在验证集中,AUC 为0. 89,准确率为86%。He 等则基于术前MRI 开发了一种CNN 模型对骨巨细胞瘤刮除术后局部复发进行预测,模型的准确率和敏感度分别为79% 和88%,两者均明显高于影像科医师。Sheen 等使用18 F-FDG-PET的图像数据,在83 例接受手术和化疗的患者中,建立并验证了预测后续转移的影像组学模型,最终模型主要考虑了一个与肿瘤局部异质性相关的影像组学特征,并获得了80% 的准确率。
在骨肉瘤患者的预后方面,Chen 等建立了包含MRI 影像组学特征的ML 模型,该模型在外部验证集中的准确率达到了81%,对骨肉瘤患者的早期复发(≤1 年)具有良好的诊断能力。另外,Du 等采用基于AI 的CT/ MRI 成像融合方法,并建立了用于术前评估肿瘤边缘的3D 模型。该融合模型应用于骨盆骨肉瘤患者时能更详细地显示解剖信息,并发现了许多以前被忽视的静脉血栓,栓子的发现意味着患者预后极差,由此可见图像融合模型可为判断骨肉瘤预后提供更丰富的信息。
骨肉瘤患者中大约15% 的人群会发生肺转移,这类患者的5 年生存率低于20%。Sheen 等基于影像组学特征建立了预测骨肉瘤转移风险的LR 模型,模型的AUC、敏感度和特异度分别达到0. 80、66% 和88%。Pereira 等以81 例经病理证实的骨肉瘤患者为基础,开发了一个基于CT 影像组学特征的随机森林(RF)模型,用于预测患者是否会发生肺部转移,获得了73%的准确率,为预后评估提供了一种无创的辅助工具。
1. 5 骨肿瘤化疗效果预测
诊疗过程中,并非每个骨肉瘤患者都能从化疗中受益,特别是某些对新辅助化疗缺乏良好反应的患者。在临床实践中,影像学检查常被用作预测术前新辅助化疗反应的工具。肿瘤化疗反应的预测通常是根据肿瘤体积、
目前,AI 在评估骨肉瘤的新辅助化疗反应方面显示出很好的前景。Huang 等新建了一个影像组学ML 模型,从T1 WI、T2 WI 等序列的MRI图像出发,以肿瘤坏死率为指标评估骨肉瘤患者化疗效应。此研究提示了相较于单个MRI 序列,同时运用多种MRI 序列的影像组学特征进行建模能明显提高模型预测患者化疗效果的准确性,也能为患者新辅助化疗过程提供有价值的辅助手段。除了单纯影像组学特征之外,近年来有不少研究也将临床特征纳入到预测模型的构建中,取得了更好的预测效能,同时也使模型具有更高的实用性,更加符合临床诊疗模式。
Zhang 等也构建了多种ML 模型对新辅助化疗效果进行评估,研究者在102 例化疗前拍摄的骨肉瘤CT 图像中提取影像组学特征,并通过LASSO 方法筛选出7 个关键特征,共建立了KNN、SVM、LR 3 种不同的ML 模型,最终均获得了较好的预测性能,3 种模型的ACC 值分别为0. 89、0. 84 与0. 84,AUC 值分别为0. 86、0. 92 及0. 93。之后,研究者将年龄、肿瘤大小、病理特征及外科分型等临床信息与影像组学特征相结合建立联合模型,其效能较上述ML 模型更优,准确率和AUC 值分别达到91%与0. 95,证明在对化疗方案进行评估和调整时,临床特征起到了一定的辅助作用。
Zhong等以144 例骨肉瘤患者的MRI 图像为基础,建立了一种临床-影像组学联合模型以预测患者的新辅助化疗反应效果,结果显示相较于单纯的MRI 影像组学模型或临床特征模型,联合模型的预测效果更优,AUC 和准确率分别达到0. 79和79%。但在其他骨肿瘤病种的化疗评估方面,相关预测模型偏少。同时,大部分模型对化疗效果的评估仅涉及单个病种,这在一定程度上限制了这些临床模型的广泛应用。
2. 现阶段相关研究存在的不足
尽管AI 在骨肿瘤影像上已经取得了较大进展,但与其他骨关节热门领域如骨龄检测、
在未来,模型应注重提高在多中心数据基础上的泛化性和准确性,为复杂的临床环境提供更多的辅助和决策功能。此外,模型应在影像学资料的基础之上,适当融入实验室检查及患者症状、体征等其他临床信息,以进一步提高准确性和泛用性,更好地服务于临床。
来源:陈维,潘德润,陈卫国.人工智能在骨肿瘤影像学中的应用研究进展[J].临床放射学杂志,2025,44(05):953-956.DOI:10.13437/j.cnki.jcr.2025.05.033.