影像组学与深度学习在评价直肠癌淋巴结状态中的应用

杨冬均,穆兰,邹雨平

摘要：直肠癌手术前有无淋巴结转移是决定其疗效及预后的重要因素，而目前的影像学指标很难对其进行精确的定性，因此迫切需要寻找新的检测手段。影像组学和深度学习技术是近年来新兴的医疗成像技术，其能够实现对淋巴结及其良恶性进行识别，以及对淋巴结转移进行早期预测，为临床提供更准确的诊断和治疗方案。但是，由于各个研究的工作过程不一样，导致了不同研究的结果差别很大。只有对具体操作流程进行明确、统一和标准化，并开展大规模、前瞻性的外部验证，才能实现人工智能辅助诊断模型的转化和推广。本文中，以影像组学与深度学习为主线，回顾了其在评估直肠癌淋巴结状态中的应用。

关键词：影像组学；深度学习；直肠癌淋巴结状态

引言：

近几年，随着科技的进步，医学影像已不再只是一张可以被观察到的图片，而是一张由大量资料构成的庞大图片。影像组学与深度学习因其可以从多个角度对图像进行深度挖掘而成为当前医疗成像研究的热点。二者在直肠癌诊断和治疗中均具有重要的作用，例如：提高分期精度，评价新辅助治疗效果，预测预后等。在此，我们将以影像组学与深度学习技术为主线，回顾其应用于直肠癌淋巴结状况的评估。

一、影像组学

2016年， Huang等通过对增强 CT图像的分析，结合临床数据，建立了一种能够预测大肠癌淋巴结转移的列线图。有别于以往的主观评价，基于影像组学的新技术能够从量化的角度获得更多的、肉眼无法辨别的、更加客观的数据，从而为改善直肠癌的手术预后提供新的思路。

(一)图像采集

影像组学之影像采集，主要有两个方面：一是成像模式的选取，二是扫描顺序的选取。多模态图像能从多个角度反映病变特征，已有研究试图将其应用于直肠癌淋巴结转移的预测。但由于 MRI对直肠癌的诊断具有无可取代的优越性，被国际、国内多个国家和地区的多项标准所推崇，故 MRI的影像组学研究也主要以其为基础。

(二)ROI的选择与分割

从原发灶中提取的影像组学特征能较好地反映出肿瘤的生物学特征，同时由于原发灶较淋巴结更大，更容易被辨认出来，所以目前大部分的研究将原发灶视为 ROI，从而为直肠癌淋巴结转移的预测提供了影像学依据。将淋巴结作 ROI可以更直观地反应其自身特征，但是否能够与“金标准”相匹配，确保训练样本的可靠性，将会对模型的精度产生较大影响[1]。另外，一些研究者试图通过对直肠系膜的特征进行分析来判断是否发生淋巴结转移。从不同感兴趣区域中抽取的特征能够从多个角度对淋巴结转归进行评价，并可针对具体的研究对象进行选取。

(三)特征的提取和筛选

影像组学特征一般可划分为形态特征、一阶特征、二阶和高阶纹理特征、基于滤波和变换的特征4大类。每一种特征都能体现出不同的影像信息，在对直肠癌淋巴结转移的成像组学研究中，大部分都是先抽取多种类型的特征，然后再对这些特征进行筛选。

为防止过拟合，一般都要从所抽取的海量特征中挑选出一些有意义、可重现性好的特征来进行建模。按其评估准则，可将其划分为过滤、封装、嵌入等三种方法。其中，嵌入法（例如，最小绝对压缩和选择算子）将特征筛选和模型训练有机地融合在一起，具有比包装方法更低，但比过滤方法更好的优点，特别适合高通量组学数据。

(四)模型的建立、检验

按照 TRIPOD的说明，对于模型的确认，所使用的资料源可以为：（1）一个训练集的资料，该资料已被 Bootstrap重新取样或交叉确认；(2)把原始数据分成一个训练集合，一个检验集合，也可以是一个随机的集合；(3)对来自于不同的训练集中的数据的独立的外部校验。人们普遍认为，由独立的外部检验得出的模型具有较高的可靠性。ROC曲线和曲线下面积（areau. nderthecurve, AUC）被经常用来判定分类模型的优劣，灵敏度、特异度、一致性指数、临床决策曲线分析等方法也可以用来评估模型的预测能力和临床应用价值。

最后，在此基础上，利用成像组学方法，实现对靶向事件的预测，为临床医生提供更为精准的判断，从而制定更为合理的干预措施，提高病人的预后。

二、深度学习

近年来，基于深度学习的图像处理方法在医疗成像，特别是针对癌症的影像处理，被广泛应用于临床。它的工作过程总体上与影像组学相似，区别是：第一，深度学习算法不需要对特征进行人工选择，而是通过算法自身来确定哪些特征对建模最有帮助[2]。其次，针对医疗影像中检测、分割、分类等不同的问题，研究人员应针对不同的问题，选取合适的网络框架，以确保模型的总体效果。

(一)检测及分割工作

检测的任务是在给定的图像中找出目标所在的位置，而分割的任务是将图像中的像素分成不同的部分，这两个任务的组合可以在海量的图像中实现对淋巴结的自动识别，从而提升临床工作的效率。Zhao等以MaskR-CNN算法为基础，构建的深度学习模型能够精确、快速地对直肠癌肠周和侧方淋巴结进行自动检测和分割，在多中心的外部验证集，其分割结果的 DSC为0.81，每例患者平均耗时只有1.3 s。

(二)分类

通过对不同类型的影像进行分类，并对其进行分类，从而帮助判定淋巴结良恶性。Li 等采用开放源代码（Inception-v3）模型，以影像和病理中相应的淋巴结状态为训练样本，实现了对不同类型淋巴结的快速、准确的检测。也有研究采用的深度学习算法，通过对已有的模型进行调整，并将其转化为新的模型，从而无需从头学习，减少了对数据的依赖[3]。

深度学习是一个新兴的人工智能学科，虽然它的应用还不多，但是已经有了一些发展。此外，针对检测与分割的U-Net, AlexNet,VGG16/VGG19, Google Net,VGG16/VGG19,U-Net，以及 Google Net，都具有很好的应用前景。

三、结束语

淋巴结的精确定位是直肠癌精确诊疗的先决条件，但目前尚无有效的影像技术手段。近年来，人工智能技术在临床医疗中得到了越来越多的应用，通过对影像数据的高维度特征的分析，实现对肿瘤的量化和客观评价，为实现肿瘤的精准、个性化评价提供了新的思路。本项目拟采用人工智能技术实现对直肠癌淋巴结的自动识别与划分、淋巴结的良恶性识别以及淋巴结转移的预测，从而实现对直肠癌淋巴结状况的有效评估，提高其手术诊断的精度，并为临床的诊疗提供依据。

参考文献：

[1]高婧,毛宁,谢海柱.基于医学图像的影像组学和深度学习在乳腺癌淋巴结转移预测中的研究进展[J].中华放射学杂志,2022,56(5):4.

[2]许梅海,申炜.MRI定量分析及影像组学在直肠癌淋巴结转移评估中的研究进展[J].肿瘤影像学,2021,30(3):5.

[3]顾洪卫,郑信兵,陆鸣建.DWI联合DCE-MRI方法在评估直肠癌区域性淋巴结转移中的作用研究[J].医学理论与实践2021年34卷20期,3503-3505,3531页,2021.