机器学习在胶质瘤影像学中的应用

近几年，机器学习（machine learning）在医学界受到较大的关注。机器学习在放射学领域具有广泛的应用前景。美国纽约大学Langone医学中心放射科的Eyal Lotan等回顾机器学习在脑肿瘤成像中的应用情况，尤其是机器学习对神经胶质瘤分类和MRI成像的诊断作用。

——摘自文章章节

【Ref: Lotan E,et al. AJR Am J Roentgenol. 2019 Jan;212(1):26-37. doi: 10.2214/AJR.18.20218. Epub 2018 Oct 17.】

研究背景

近几年，机器学习（machine learning）在医学界受到较大的关注。机器学习在放射学领域具有广泛的应用前景。美国纽约大学Langone医学中心放射科的Eyal Lotan等回顾机器学习在脑肿瘤成像中的应用情况，尤其是机器学习对神经胶质瘤分类和MRI成像的诊断作用，结果发表在2019年1月的《AJR Am J Roentgenol》上。

机器学习是指，可以在超出人类感知的大型复杂数据内捕获潜在规律的学习模型，使用这类模型可以进行数据驱动的预测和判断。由于计算机科学和影像学的高度发展，机器学习在医学图像分析领域，对推动脑肿瘤影像学诊断更深入开展具有重大的意义。目前通过机器学习技术及其子领域技术，机器深度学习脑肿瘤报告的文献数量迅速增长（图1）。在未来，机器学习重要的应用前景是对神经胶质瘤分类和通过MRI放射学精准诊断。稳定和可重复的肿瘤分类是放射学诊断和分析的先决条件。

图1. 从2011年起，机器学习和深度学习脑肿瘤的文章呈递增趋势。

研究方法

该回顾性研究资料来自于癌症基因组图谱（The Cancer Genome Atlas，TCGA）的多中心胶质瘤数据库，从癌症图像档案馆（The Cancer Imaging Archive）获得；包含135例胶质母细胞瘤（glioblastoma，GBM）和108例低级别胶质瘤（low-grade-glioma，LGG）患者的术前MRI图像。目前临床上的标准诊疗路径依赖于双向单平面正交测量法，大型临床试验的研究工作依赖于相对粗糙的几何学测量；因此不能达到对胶质瘤的简单、快速和准确定量分析以及指导临床治疗的目标。测量肿瘤和肿瘤周围水肿的3D容量，有助于分析肿瘤随时间推移的变化，可提高治疗效果。手动3D分类法繁琐、耗时和主观，尚未得到广泛使用。随着计算机计算能力的进一步提高和算法的改进，实施半自动和自动化胶质瘤分类方法则指日可待（图2）。

图2. 1例59岁男性IDH野生型胶母细胞瘤患者的MRI成像。

研究结果

在过去十年中，脑肿瘤影像学领域对肿瘤精准识别和分类的工作已转向机器学习。从机器学习的角度来看，脑肿瘤分类是体素级分类，其定义是某体素是否属于正常脑组织、神经胶质瘤或脑水肿。分类方法大致分为基于经典机器学习的手工方法和分类器方法两大类，例如支持向量机（support vector machine，SVM）和随机森林法，以及使用回旋神经网络（convolutional neural network，CNN）的深度学习。最近几年，后者已经逐渐成为主流，超越传统的机器学习方法。

深度学习越来越多地用于肿瘤图像分割以及应用CNN直接从训练数据中自我学习掌握肿瘤越来越复杂的特征性层次结构。CNN已经超越SVM和Dice系数的灵敏度和特异性。自2014年以来，使用基于CNN的模型脑肿瘤分类法的论文比例和数量持续增加（图3）。深度学习存在的缺点是设备结构复杂、成本昂贵以及需要大量数据进行训练。

图3. 不同的分类模型每年发布文章数量。

最新的研究，尝试提高深度学习评估脑肿瘤放射学模型的更深入和更高层的预测性能；如应用深度学习放射学模型预测脑肿瘤患者生存时间和分子学分类（图4）。3D CNN的深度学习模型对患者生存的判断准确率达到90%。深度学习对IDH1突变判断准确率达85%。

图4. 应用基于CNN的MRI成像诊断260例WHO Ⅱ-Ⅳ级胶质瘤。

结论

综上所述，机器学习在胶质瘤MRI成像中的应用正取得长足进展，并具有临床应用的潜力，将从根本上推动影像学对脑肿瘤的诊断和治疗的决策地位。

组稿

徐涛 副教授

海军军医大学

附属长征医院

编译

马辰凯

墨尔本大学

审校

王知秋 教授

复旦大学附属华山医院

终审

陈衔城 教授

《神外资讯》主编

复旦大学附属华山医院