新闻发布

注册

 

发新话题 回复该主题

深度学习和影像组学在头颈部恶性肿瘤影像学 [复制链接]

1#
哪的白癜风医院权威 http://pf.39.net/bdfyy/bjzkbdfyy/150815/4679454.html

文章来源:中华放射学杂志,54(10):-

作者:邹颖夏爽

摘要

影像组学模型建立在手工提取特征的基础上,而深度学习可以自动学习这些特征,两者结合的应用前景更加广阔,是目前影像学发展的热点和焦点。目前已有较多学者利用影像组学和深度学习对头颈部恶性肿瘤的影像学研究进行了深入讨论。笔者就深度学习和影像组学在头颈部恶性肿瘤分期、鉴别诊断、转移淋巴结的评估、肿瘤的基因型预测及预后的辅助判断等方面展开综述。

随着科学技术飞速发展,放射学处于一项重大技术变革——人工智能的边缘,其已在疾病检测、解剖分割及影像图像质量评估等诸多方面取得了较好的应用成果[1]。深度学习是目前人工智能发展的热点和焦点,影像组学可以提取图像的内在特征,两者联合拥有更加广阔的应用前景。笔者针对深度学习、影像组学以及基于深度学习的影像组学(deeplearning-basedradiomics,DLR)在头颈部恶性肿瘤影像诊断方面的研究现状进行综述,旨在讨论未来人工智能在影像诊断方面的发展方向。

一、深度学习和影像组学的概念

所谓深度学习是指通过组合低层特征形成更加抽象的高层特征或类别,进而从大量的输入数据中学习有效特征,并把这些特征用于分类、回归和信息检索的一种技术。其模型种类众多,目前在医学影像学领域,卷积神经网络(convolutionneuralnetwork,CNN)的应用最为广泛。

影像组学是指从CT、MRI、PET-CT等图像中高通量地提取大量信息,包括一阶统计特征、空间几何特征、纹理特征和小波特征,从而将感兴趣区(regionofinterest,ROI)的影像数据转化为具有高分辨率的空间特征数据,进而实现病变特征的提取与模型建立。其中,logistic回归模型因其简单易行,是目前最受欢迎且常用的监督分类器,其他常用的分类器还包括决策树、神经网络、支持向量机、贝叶斯分类器和随机森林等。

影像组学模型建立在手工提取特征的基础上,而深度学习可以自动学习这些特征[2]。为了克服影像组学的不足,一个更可靠、更先进的混合模型应运而生,它同时利用了影像组学和深度学习的策略,称之为DLR。与现有的影像组学方法不同,在DLR中,高通量的图像特征直接从深度神经网络中提取,不涉及额外的特征提取操作,因此不会由于特征计算而给分析带来额外误差,特征的有效性只与分割的质量有关。目前DLR模型已成功应用于头颈部恶性肿瘤的基因型预测[3,4]、术前分期[5,6]、淋巴结转移预测[7]、预后评估[8]等诸多方面。

二、深度学习和影像组学在头颈部恶性肿瘤影像学中的研究焦点

目前,影像学在评价头颈部恶性肿瘤方面主要涉及以下3个焦点:(1)如何在术前根据肿瘤的分期、鉴别诊断准确指导临床治疗方案的制定,并针对疾病和局部淋巴结的复发和转移进行术前预判;(2)随着基因分子学在影响肿瘤行为和临床结果方面的作用日益受到重视,是否可以从影像学表现中准确提取基因型特征,从而在无创前提下,预知更多的信息以指导临床治疗;(3)如何准确评估不同方法的疗效,从而对患者的预后进行辅助判断。基于此,深度学习和影像组学针对以上诸多方面,是否可以为临床提供解决方案,以及目前的研究进展是本文的综述重点。

三、深度学习和影像组学在头颈部恶性肿瘤影像学中的研究进展

1.头颈部恶性肿瘤分期:肿瘤的分型、分级和分期是评价肿瘤生物学行为的重要指标,对指导个体化治疗方案的制定和疗效监测有着重要作用。对于早期(Ⅰ~Ⅱ期)的头颈部恶性肿瘤,一般建议采用手术或放疗的单一治疗方式;而对于晚期(Ⅲ~Ⅳ期)患者,一般需要联合模式治疗[9]。虽然不同分期肿瘤间的影像特征存在差异,但距离准确的个体化诊断还很遥远[10]。

目前,已有研究结果显示,基于T2WI和T1WI增强扫描图像联合的影像组学特征在区分早晚期头颈部鳞状细胞癌方面具有较好的分类性能[10]。对于鼻咽癌患者,基于MRI的影像组学模型证明了其与患者的T分期及总体分期高度一致[11,12]。基于PET图像的纹理特征可以在一定程度上对口咽癌和下咽癌的肿瘤分期进行预测[13]。以上研究表明通过提取ROI的统计方差、直方图特征或纹理特征所构建的影像组学模型,可以预测肿瘤分期,其准确度、灵敏度、特异度可分别达0.、0.、0.[10]。考虑到大多数肿瘤的异质性,笔者认为如果能在影像组学特征的基础上使用更多的临床参数,如实验室检查指标、临床预后参数等,将会做到更好的肿瘤分期,其结果最终可以与组织病理学的结果相媲美。

基于MRI建立的DLR模型,其量化能力优于手动提取特征的模型,无论是在观察能力或为患者提供预后信息等方面,DLR模型都具有指导和促进临床决策的潜力。已有研究利用常规MRI数据,开发了一种性能良好的DLR模型,用于脑膜瘤分级的无创性个性化预测,受试者操作特征(receiveroperatingcharacteristic,ROC)曲线下面积达0.[5]。相信未来结合多参数、多模式MRI的DLR可以为头颈部恶性肿瘤的分期做出更加准确的预测和评估。

2.头颈部恶性肿瘤的鉴别诊断:很多头颈部肿瘤在临床和影像学表现上难以区分,需要活检来提供组织诊断。而不同肿瘤的病理分期、手术方案、治疗决策及预后不尽相同,因此术前准确的鉴别诊断至关重要。由于活检是一个有已知风险的侵入性手段,寻找替代的非侵入性诊断方法备受

分享 转发
TOP
发新话题 回复该主题