作者：楚泽斌，李筱贺，内蒙古医科大学研究生学院；安月盘，刘巍，内蒙古自治区妇幼保健院妇科
目前，影像学技术在子宫内膜癌的诊断和评估中起至关重要的作用。然而，传统的
在子宫内膜癌的影像学诊断中，人工智能技术的应用也受到了越来越多的关注。人工智能算法能够自动地对大量的磁共振影像进行分析和识别，大大减轻了医生的工作负担，并提高了诊断效率。相较传统的手动分析方法，人工智能可以在较短的时间内完成大规模的影像分析任务，从而有助于解决由于医生经验不足等带来的诊断不准确的问题，进一步为医生提供更好的影像诊断工具和决策支持。
1.子宫内膜癌治疗现状
近年来，在临床妇科疾病检查中，子宫内膜病变的发病率相对较高，且该病的特点是症状多变，不易引起患者重视，以至于病程长、出血量多。如果不及时诊断和干预，将导致
即使轻症患者的症状得到控制，也可能导致不孕症，并导致生活质量下降、经济开销增加。目前子宫内膜癌的治疗方式主要包括手术切除、化疗、放疗和内分泌治疗等。具体治疗方案的选择取决于患者的年龄、病情、病理类型和分期等因素。临床诊断过程是指导患者临床治疗的基础，误诊和漏诊状况均会影响疾病治疗过程，可能会延误患者最佳治疗时机，影响预后。在子宫内膜癌诊断中，诊断结果直接影响患者的病情判定准确性，从而影响患者治疗方案的制订。由此可见，治疗前对患者进行准确的病情诊断显得尤为重要。
2. MRI 在子宫内膜癌术前评估中的应用及其价值
MRI 既可以做常规序列成像，又能做功能成像，对软组织分辨率较高，可区分子宫黏膜层、黏膜下层、肌层及浆膜层。MRI 在术前评估子宫内膜癌患者子宫肌层浸润深度、盆腔和主动脉旁淋巴结转移方面具有较高的临床价值。在临床上，MRI 不能作为评估子宫内膜癌患者宫颈受累的唯一评估方法，需要结合其他检查进行评估。在一定程度上，术前分期决定了患者手术范围的选择。
在判断癌症侵袭程度时，肌层浸润深度是非常重要的参考指标，因为它关系到盆、腹膜淋巴结是否有转移，并将影响患者的5 年生存率。根据文献报道，在肌肉层未浸润或只有浅层肌肉层被癌症浸润的情况下，很少有淋巴结被肿瘤细胞侵犯，占比不到3%，此类患者的5 年生存率可高达95%；一旦子宫内膜癌浸润到深肌层，此类患者的淋巴结转移率将达40%以上，5 年生存率将显著低于无肌层浸润或仅浅肌层有癌浸润的患者，仅75%。由此可得知，MRI 可以为临床分期治疗提供相应指导，但是MRI 检查在灵敏度、准确度等方面存在一定失误率和误诊率，需要结合其他辅助检查进行联合评估。
3.人工智能在磁共振影像中应用的基本原理
近年来，随着计算机技术的发展，人工智能逐渐成为研究热点，医学影像数据的分析和处理，在许多临床学科中具有很高的应用价值。人工智能技术可以从高通量图像大数据中挖掘目标信息，并构建模型以获取相关模型，为临床决策提供支持。作为人工智能的重要临床应用方向，图像组学已经成为新一代非侵入性诊断技术的重要组成部分。
影像诊疗智能化包含2 个重要方面。一方面是图像识别，用于影像的感知环节，通过识别以获取关于患者在生理方面或病理方面特征的准确信息，从而对组织或器官进行定位、分割等工作，同时标注可疑位置，从而提高医生对相关影像的判读效率，同时排除相关干扰因素；另一方面是深度学习，应用于预测及分类，利用大量的医学影像数据和诊断结果，从而进行特定的多层神经网络训练，以实现定量、定性分析和预判病情，从而降低在临床诊断过程中出现的漏诊误诊率。
利用这些相关技术，可以提高临床医学影像的识别精准度和效率，为临床诊断和治疗提供更准确和可靠的支持。
3.1 图像识别应用原理
模式识别通常采用分阶段的处理方式，将这些处理阶段有序组合成类似于管结构的底层结构，运用通用机器学习方法在整个图像数据上进行操作。视觉图像识别技术是由视频技术、图像技术和机器人视觉等技术构成，不仅可以提取二维图像，还可以提取三维图像，然后将它们传输到图像处理系统中进行处理。
接下来，根据像素分布、亮度偏差、颜色排列等因素，图像处理系统会对图像进行二值化、去噪、版面分析及分割识别等操作，以将图像转化为数字信号，然后，自动检测模式识别算法会被用来分析和识别这些数字信号。利用图像处理，Yu 等构建了一种新型卷积神经网络模型，可以从水平和垂直2 个方向获取肿瘤外观信息，实现肿瘤影像分割。该模型在3 500张CT图像数据集上，Dice系数达到了0.913，证明了其在肿瘤分割方面的高准确性。同时，该模型的稳定性也得到了验证，因为在心脏和乳腺肿块的分割实验中，Crossbar-Net模型表现出了良好的分割能力。
3.2 深度学习的应用原理
深度学习作为一种数据驱动的自动特征学习算法，能够直接从训练数据中提取特征，减少特征提取的工作量和人工干预的影响。同时，神经网络的深层结构可以表征特征之间的交互关系和层次结构，揭示高维特征之间的联系；深度和参数优化是影响特征提取效果的重要因素，而大规模训练数据可以帮助网络初始化和微调参数。
Masood 等使用了一种新型的深度学习模型和转移信息计算机辅助决策支持系统，研究人员并对不同数据集在不同扫描条件下进行了性能评估。相较于现有的卷积神经网络，该系统采用了分类器DFC Net，使其相对于整体具有更高的准确率，达到了84.58%，而卷积神经网络的准确率为77.6%。这表明该系统具有极大潜力，可以辅助医生诊断肺癌结节，提高诊断的准确性和效率。
4. 多模态MRI 在子宫内膜癌中的研究进展
多模态MRI 是一种医学影像技术，可以结合不同的MRI 序列和对比剂，从不同方面观察和评估组织和器官的特征。在子宫内膜癌的研究中，多模态MRI在诊断、分期和评估疗效等方面取得了一些进展。
4.1 诊断
多模态MRI 在子宫内膜癌的诊断中显示了良好性能。结合T2 加权图像、动态增强MRI 和弥散加权成像等不同的MRI 序列，可以提供详细的图像解剖学信息，包括肿瘤的位置、大小、形态等。
4.2 分期
通过观察子宫内膜癌的浸润深度、侵犯范围和淋巴结转移情况等，可以帮助医生准确判断肿瘤的分期，从而指导临床治疗策略的选择。
4.3 评估疗效
通过比较治疗前后的MRI 图像，可以评估治疗的效果和肿瘤的缩小情况。此外，MRI 还可以通过观察局部解剖学的变化，如子宫内膜和宫颈的形态和结构，来评估手术后的子宫内膜癌复发和转移情况。在子宫内膜癌领域，也有许多基于多模态MRI和成像组学的研究。一些研究探讨了MRI 在子宫内膜癌术前和术后随访中的应用，主要侧重于术前评估子宫内膜癌分期、分级、肌层浸润深度、附件受累和淋巴结转移。
现有研究表明，与常规动态增强MRI 相关的子宫内膜癌值和定量参数在评估子宫内膜癌分级中具有很高的价值。最近的一项研究建立了一个基于术前MRI 图像组学数据的预测模型，该模型可以无创准确预测子宫内膜癌的基因表达特征。这一结果表明，成像组学参数能够准确反映组织内的微观信息。因此，后续研究除了关注多模态MRI 定量和半定量参数在子宫内膜癌诊断和鉴别诊断中的价值外，还应进一步探索成像组学标签与基因、代谢等标签的结合，建立预测模型，以提高子宫内膜癌的早期准确诊断水平，更好地指导临床手术和术后辅助治疗，提高患者生活质量。
5.人工智能磁共振影像识别在子宫内膜癌中的优势和挑战
人工智能在子宫内膜癌磁共振影像识别中具有许多优势，这使其在临床实践中得到广泛应用。首先，人工智能可以通过大量的磁共振影像数据进行训练，从而提高识别子宫内膜癌的准确性和稳定性。
Chen等利用子宫内膜癌患者的530 张MRI 图像进行了一项研究，开发了深度学习模型。该模型旨在预测肌侵犯的深度。结果表明，深度学习模型的准确率为84.4%，超过了普通放射科医生的准确率（80.0%）。其次，人工智能可以自动提取子宫内膜癌磁共振影像中的特征和模式，从而可以识别出医生难以察觉的细微差别。
此外，人工智能在处理大量医学影像数据时具有高效性和速度优势，可以在较短的时间内完成关于子宫内膜癌复杂的图像分析任务。最后，人工智能在磁共振影像识别中可以实现自动化的过程，减少了人工操作的错误和主观性，提高了诊断的一致性和可重复性。人工智能在MRI 影像识别中的应用已经在医学领域取得了显著的进展，但在子宫内膜癌识别方面仍面临一些挑战。以下是人工智能磁共振影像识别在子宫内膜癌中面对的一些挑战。
5.1 样本数量有限
人工智能模型的训练通常需要大量的样本数据，但子宫内膜癌是一种罕见的癌症，其发病率为0.015%～0.020%，据统计，2020 年全球子宫内膜癌新发病例约为42 万例，2020 年我国子宫内膜癌新发病例约有8万例。
5.2 数据多样性
子宫内膜癌在不同患者中的表现可能存在较大的多样性，包括肿瘤的形状、位置和大小等。因此，肿瘤区域特征的提取尤为关键。
5.3 隐私安全
医学影像数据包含患者的个人隐私信息，如姓名、生日、病历号等。机器学习是需要使用大规模医疗数据，这些数据在使用前后是否会造成数据泄露，对个人隐私产生影响是未知数。因此，解决这些挑战需要跨学科的合作和综合考虑多方面的因素。合理利用人工智能在子宫内膜癌磁共振影像识别中的优势，并解决其面临的挑战，将有望为临床医生提供有力的辅助工具，从而提高子宫内膜癌的早期诊断和治疗效果。
6.小结和展望
子宫内膜癌是一种常见的妇科恶性肿瘤，近年来患者的年龄呈现年轻化的趋势。随着科学技术的发展，患病人群的年龄结构化的改变，越来越需要更加精确的诊断方式明确诊断，以实现诊疗个体化，提高患者生存率。将人工智能应用影像学，是近年研究的热点，建立人工智能辅助诊断系统能有效提升影像科医生诊断的准确率，减少误诊、漏诊情况，从而为临床治疗提供更加精确的指导，以达到治疗的精细化。
同时人工智能模型的建立依赖大量经过标注的医学数据，而医学数据资源不足是人工智能技术在疾病诊断应用中的最主要障碍。为此，需要加强医疗机构之间的数据整合，建立一个完整的集合数据库，以解决数据不足问题。随着技术的发展，科技人员同时需要不断优化学习算法、研发模块新算法，进一步提高人工智能模型的诊断精度。
在当前影像学发展的趋势中，将不同的影像模态进行融合是一项重要任务。随着人工智能时代的到来，我们可以将神经网络、模糊逻辑等理论应用于影像融合技术中，根据不同需求对图像进行自动分割和融合，进而实现“虚拟现实”技术，这也成了影像融合研究的一个新方向。
来源：楚泽斌,安月盘,李筱贺等.人工智能识别子宫内膜癌磁共振影像的研究现状[J].中国医药导报,2023,20(29):39-42.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
