AI造福癌症患者：当人工智能用于肺癌人群筛查

人工智能（AI）是约翰·麦卡锡（John McCarthy）于 1956 年创造的术语，旨在描述使用计算机和技术来模拟与人类相当的智能行为和批判性思维的方法[1]。不同医学领域，人工智能AI已透露出分析和解释复杂临床医学数据的能力和在诊断、管理和治疗结果预测方面的潜力[2]。

肺癌 (LC) 是全球恶性肿瘤相关死亡的主要原因，每年诊断出 180 万人。每年有 160 万人死于该疾病，五年或更长的净生存率为13.8%。对肺癌流行病学和相关危险因素的研究发现戒烟可降低戒烟后 10 年后发生 LC 的风险，并且是 LC 一级预防的干预措施。大部分孤立的肺结节可能是可治愈的早期肺癌，尽管它们大多是良性的。此外，75％的肺癌仅在晚期才被发现，这使得选择最佳治疗方案变得困难。

肺癌仍然是发展中国家癌症相关死亡的首要原因，肺癌疾病的高死亡率和发病率需要改进和修改肺癌筛查技术。不可能对所有个体进行肺癌筛查，但至少高危人群应该进行筛查。CT 筛查可以通过常规检测高危人群中的毫米级潜在恶性肺结节来提高治愈率，2010 年，对 NLST国家肺部筛查试验数据的评估显示，与其他高危成人相比，连续三年接受低剂量计算机断层扫描 (LDCT) 年度肺癌筛查检查的高危成人组的肺癌死亡率显着降低了 20%。 目前，美国和中国是唯一在各地提供肺癌筛查的国家，欧盟委员会建议对过去 15 年内戒烟、年龄在 50 至 75 岁、有 30 包年吸烟史的当前吸烟者和戒烟者进行肺癌筛查。低剂量CT扫描是唯一被证明可以有效降低高危患者肺癌筛查死亡率的策略。

🔼图1. AI分析肺部病变自动分割示例。病变位于左上叶。AI自动分析允许计算不同的病变参数，例如体积（mm 3）、平均直径（mm）、最大直径（mm）、短轴直径（mm）和密度（亨斯菲尔德单位）。此外，还进行了 3D 重建。  

肺癌的诊断通常依赖于肺结节的识别，肺结节是早期发现的重要放射学指标。然而，肺癌结节的治疗可能很复杂。肺癌治疗通常需要放射治疗，并随后导致放射引起的肺部病变。这些损伤是肺实质研究的限制因素。在此背景下，计算机辅助诊断 (CAD) 系统对于放射科医生来说发挥着关键作用。CAD 系统减少观察错误和假阴性率并提供影像解读的第二意见以最终诊断。通过利用先进的算法和自动分析，CAD 系统有助于从结节中提取更多信息，增强诊断过程并支持更准确的决策。如今，人工智能通过 CAD 系统在肺癌筛查中进行病灶检测和分割的实用性已得到广泛认可，并且多种 CAD 系统工具已经过验证并已上市（图1）。

🔼图2. 左上叶肺部病变的自动分析示例。在识别的病变中实现围绕肺结节的圆圈标记，以便对其进行分析。  

机器学习通过彻底改变各种任务的准确性和效率，彻底改变了放射学。专门负责解读和诊断 X 射线、CT 扫描、MRI 扫描和超声图像等医学图像的放射科医生从机器学习算法融入其实践中获益匪浅。

机器学习在放射学中的显着应用之一是图像分类和分割。通过利用卷积神经网络等技术，放射科医生可以自动对解剖结构进行分类并识别医学图像中的异常情况。事实证明，这项技术在检测肿瘤、识别肺结节和准确分割器官方面具有非常高的价值。

此外，机器学习算法有助于质量控制和图像增强：通过减少噪声、增强细节和标准化图像采集协议，这些算法提高了医学图像的质量。这确保了一致的解释并增强了整体诊断过程。需要强调的是，虽然机器学习算法在放射学领域显示出巨大的潜力，但它们的目的是补充放射科医生而不是取代他们。放射科医生的专业知识和临床判断对于准确的诊断和有效的患者护理仍然不可或缺。

 🔼图3. CAD 分析显示在图的下半部分。描述了结节类型、尺寸、体积、平均 HU、推测、形状、侧面和部位。实现了与 LUNG-RADS 分类的关联分析。

深度学习系统在肺部研究中的应用在病变检测和筛查、风险分层、结节分割、放射基因组分析、预后预测、治疗计划（病变体积、形态、关系）和反应方面似乎是准确的，并且开始在肿瘤成像中发挥关键作用（图2）。开源图像数据集的可用性使得有效的 CAD 工具的开发和验证成为可能（图3）

🔼图4. 6月12日，国际顶级学术期刊《自然-生物医学工程》（英文名：Nature Biomedical Engineering）发表地由香港大学、四川大学华西医学院、深睿医疗和澳门科技大学合作完成的研究文章示意图  

不仅是癌症筛选，AI在医学影像诊断其他疾病领域也进展迅速。如图4所示，6月12日国际顶级学术期刊《自然-生物医学工程》发表地一项研究[4]聚焦于医学人工智能，提出了一种针对临床疾病诊断的多模态表征学习模型IRENE。这是一种基于人工智能的统一医疗诊断模型，旨在通过共同学习医学图像、非结构化和结构化临床信息的整体表示来做出决策。IRENE可能是第一个使用单一、统一的AI模型同时对多模态临床信息进行整体表征学习的医疗诊断方法。文章报道了IRENE 在两项任务上的有效性：（1）肺部疾病识别和（2）COVID-19 患者的不良临床结果预测。在第一项任务中，IRENE 的性能分别比之前的纯图像和非统一诊断对应物高出约 12% 和 9%。在第二项任务中，使用 IRENE 来预测 COVID-19 患者的不良临床事件，即入住重症监护室 (ICU)、机械通气 (MV) 治疗和死亡。与第一个任务不同，第二个任务更多地依赖于文本临床信息。在这种情况下，IRENE 的性能明显优于非统一模型方法 7% 以上。特别值得注意的是 IRENE 在死亡预测方面取得了近 10% 的改善，这表明它有可能协助医生立即采取措施拯救 COVID-19 患者。与人类专家在肺部疾病识别方面的比，IRENE在所有八种疾病的诊断中明显超过了初级医生（经验<7年），并且表现与高级医生（经验＞7年）相当或更好。

因此人工智能有潜力真正彻底改变肺癌的早期检测。其可能的应用领域很广泛，包括图像重建、个性化筛查程序、自动结节检测、分割和表征。多模态的整合以及经过测试和验证的有效模型的创建可以允许对肺结节以及患者的结果或生存进行准确的表征和评估。为了实现这一目标，放射科医生和临床医生之间的协作、合作和整合是必要的。

Ref：   [1]. Amisha M.P., Pathania M., Rathaur V.K. Overview of artificial intelligence in medicine. J. Family Med. Prim. Care. 2019;8:2328–2331. doi: 10.4103/jfmpc.jfmpc_440_19.   [2]. Cellina M., Cè M., Khenkina N., Sinichich P., Cervelli M., Poggi V., Boemi S., Ierardi A.M., Carrafiello G. Artificial Intelligence in the Era of Precision Oncological Imaging. Technol. Cancer Res. Treat. 2022;21:15330338221141793. doi: 10.1177/15330338221141793.   [3]. Cellina M, Cacioppa LM, Cè M, Chiarpenello V, Costa M, Vincenzo Z, Pais D, Bausano MV, Rossini N, Bruno A, Floridi C. Artificial Intelligence in Lung Cancer Screening: The Future Is Now. Cancers (Basel). 2023 Aug 30;15(17):4344. doi: 10.3390/cancers15174344. PMID: 37686619; PMCID: PMC10486721.    [4]. Zhou, HY., Yu, Y., Wang, C. et al. A transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics. Nat. Biomed. Eng 7, 743–755 (2023). https://doi.org/10.1038/s41551-023-01045-x   

打赏