首頁(yè) 資訊人工智能賦能肺癌早期精準(zhǔn)診療：基于CT圖像的AI技術(shù)在肺癌診治中的應(yīng)用？如何輔助病理類型分類、指導(dǎo)治療決策？

人工智能賦能肺癌早期精準(zhǔn)診療：基于CT圖像的AI技術(shù)在肺癌診治中的應(yīng)用？如何輔助病理類型分類、指導(dǎo)治療決策？

來源：泰然健康網(wǎng) 時(shí)間：2025年07月10日 03:33

肺癌是全世界死亡率最高的癌癥，早期診斷和個(gè)性化治療對(duì)于提高其5年生存率至關(guān)重要。胸部計(jì)算機(jī)斷層掃描（computed tomography，CT）是肺癌篩查的重要工具，病理圖像是肺癌診斷的黃金標(biāo)準(zhǔn)。然而，這些圖像的評(píng)估需要耗費(fèi)大量的人力，可能出現(xiàn)漏診、誤診。人工智能（artificial intelligence，AI）的快速發(fā)展為醫(yī)療模式帶來全新機(jī)遇，展示出在肺癌診斷和治療中的應(yīng)用潛力。

近日，四川大學(xué)華西醫(yī)院呼吸與危重癥醫(yī)學(xué)科王成弟教授團(tuán)隊(duì)在Chinese Medical Journal Pulmonary and Critical Care Medicine中發(fā)表了題為“Novel tools for early diagnosis and precision treatment based on artificial intelligence”的綜述文章。本文總結(jié)了人工智能技術(shù)在肺癌診療領(lǐng)域的應(yīng)用現(xiàn)狀，基于CT圖像實(shí)現(xiàn)肺結(jié)節(jié)病灶檢測(cè)、良惡性分類和基因分子無(wú)創(chuàng)預(yù)測(cè)，基于病理圖像進(jìn)行肺癌組織學(xué)分型、分子分型和預(yù)后評(píng)估，并總結(jié)了AI技術(shù)在臨床應(yīng)用面臨的諸多挑戰(zhàn)，推動(dòng)人工智能技術(shù)的臨床轉(zhuǎn)化和實(shí)踐落地。

一、研究背景

低劑量計(jì)算機(jī)斷層掃描（low-dose computed tomography，LDCT）是肺癌篩查、診斷和監(jiān)測(cè)的有力工具，靈敏度高，但特異性有限。然而，不同級(jí)別醫(yī)師對(duì)影像的解釋存在較大的異質(zhì)性，難以確定病變的性質(zhì)。目前，病理學(xué)確診仍然是腫瘤診斷的金標(biāo)準(zhǔn)。病理切片的判讀是一項(xiàng)耗時(shí)且費(fèi)力的工作，依賴于病理醫(yī)師的經(jīng)驗(yàn)。臨床亟需自動(dòng)化且高效準(zhǔn)確的智能工具，以實(shí)現(xiàn)肺癌的精確診療。

人工智能（artificial intelligence，AI）技術(shù)通過整合臨床表現(xiàn)、患者病史、影像學(xué)、數(shù)字病理和基因組學(xué)的數(shù)據(jù)，來預(yù)測(cè)患者護(hù)理的路徑，輔助治療決策。首個(gè)肺癌相關(guān)的計(jì)算機(jī)輔助診斷（computer-aided diagnosis，CAD）系統(tǒng)將X射線轉(zhuǎn)換為計(jì)算機(jī)可分析的定量特征，對(duì)肺癌病灶進(jìn)行了檢測(cè)，為計(jì)算機(jī)輔助肺癌診斷開辟了道路。從那時(shí)起，AI在輔助肺癌檢測(cè)、診斷和預(yù)測(cè)方面開展了大量理論和實(shí)踐研究工作。

二、基于CT圖像的AI技術(shù)在肺癌診斷中的應(yīng)用

圖1 基于CT圖像的AI模型應(yīng)用于肺癌診療的臨床過程

1、肺結(jié)節(jié)病灶檢測(cè)

病灶的檢測(cè)是一項(xiàng)耗時(shí)繁瑣的工作，人工智能算法在肺結(jié)節(jié)檢測(cè)方面的有效性已經(jīng)得到充分驗(yàn)證。2017年，Lung Nodule Analysis 16（LUNA16）挑戰(zhàn)賽從世界各地征集了結(jié)節(jié)檢測(cè)和分類算法。為了公平比較各種結(jié)節(jié)檢測(cè)和分類算法，該挑戰(zhàn)賽使用了最大的公開可用的Lung Image Database Consortium–Image Database Resource Initiative（LIDC-IDRI）數(shù)據(jù)集。性能領(lǐng)先的CAD系統(tǒng)名為Combined LUNA16，其采用CNN網(wǎng)絡(luò)，靈敏度達(dá)到了96.9%。該系統(tǒng)通過識(shí)別原始LIDC–IDRI注釋中遺漏的結(jié)節(jié)，更新了LIDC–IDRI的參考標(biāo)準(zhǔn)。

2、良惡性分類預(yù)測(cè)

LDCT和AI的強(qiáng)大結(jié)合顯著提高了肺結(jié)節(jié)檢測(cè)的效率。為了減少不必要的侵入性程序，確定結(jié)節(jié)的惡性程度至關(guān)重要，盡管目前已有一些非侵入性分層模型，如肺部影像報(bào)告與數(shù)據(jù)系統(tǒng)（Lung-RADS）、PanCan模型和Mayo Clinic模型，這些模型依賴于手動(dòng)提取結(jié)節(jié)的影像學(xué)定性特征，如是否存在毛刺、結(jié)節(jié)位置和直徑大小。

Google AI團(tuán)隊(duì)率先開創(chuàng)了基于CT圖像的端到端深度學(xué)習(xí)模型，用于預(yù)測(cè)國(guó)家肺部篩查試驗(yàn)（NLST）隊(duì)列中肺結(jié)節(jié)的惡性概率，曲線下面積（AUC）達(dá)到94.4%，相較于臨床專家，靈敏度提高了5.2%，特異度提高了11.6%。肺癌預(yù)測(cè)-卷積神經(jīng)網(wǎng)絡(luò)（LCP-CNN）利用NLST數(shù)據(jù)集中性質(zhì)難以明確的肺結(jié)節(jié)（IPNs）CT圖像進(jìn)行建模，在內(nèi)部驗(yàn)證隊(duì)列上取得了優(yōu)越的性能（AUC:92.1%），相對(duì)于已在臨床驗(yàn)證的風(fēng)險(xiǎn)模型（Brock和Mayo），其風(fēng)險(xiǎn)分層性能更佳。它在外部驗(yàn)證5-15毫米肺結(jié)節(jié)數(shù)據(jù)集中預(yù)測(cè)惡性肺結(jié)節(jié)的性能優(yōu)于Brock模型（AUC：89.6% vs. 86.8%）。歐洲研究人員開發(fā)了用于LDCT檢測(cè)的肺結(jié)節(jié)惡性風(fēng)險(xiǎn)評(píng)估的深度學(xué)習(xí)算法，該算法在不同的篩查人群之間具有普適性，并且算法性能與臨床醫(yī)生相當(dāng)?；谝苿?dòng)CT的肺癌篩查AI輔助診斷系統(tǒng)成功應(yīng)用于中國(guó)西部資源有限地區(qū)的社區(qū)隊(duì)列。該系統(tǒng)實(shí)現(xiàn)了肺結(jié)節(jié)的自動(dòng)定位、風(fēng)險(xiǎn)分層和全程智慧管理。

3、亞型分類預(yù)測(cè)

對(duì)于已被診斷為惡性的結(jié)節(jié)，需要進(jìn)行進(jìn)一步精細(xì)的診斷分類，以明確病理亞型和階段，以便進(jìn)行適當(dāng)?shù)闹委?。各種組織學(xué)亞型如肺腺癌（LUAD）和肺鱗狀細(xì)胞癌（LUSC）展現(xiàn)出不同的生長(zhǎng)和治療模式。有研究發(fā)現(xiàn)，多個(gè)影像特征與腫瘤病理分類（LUAD和LUSC）相關(guān)。特征降維后，構(gòu)建的貝葉斯分類器在區(qū)分病理類型性能方面表現(xiàn)最佳。然而，基于PET/CT圖像的臨床特征和放射學(xué)特征，邏輯回歸模型在區(qū)分LUAD和LUSC方面勝過其他機(jī)器學(xué)習(xí)分類器。此外，一個(gè)臨床-生物-放射學(xué)模型在驗(yàn)證集中區(qū)分LUAD和LUSC的AUC為90.1%。根據(jù)最新的WHO分類，LUAD被分為原位腺癌（AIS）、微浸潤(rùn)腺癌（MIA）和浸潤(rùn)性腺癌（IAC）。深度學(xué)習(xí)使得能夠在沒有侵入性手術(shù)和活檢的情況下分類LUAD亞型成為可能。

三、基于CT圖像的AI技術(shù)在肺癌治療中的應(yīng)用

1、基因分子無(wú)創(chuàng)預(yù)測(cè)

隨著靶向治療和免疫治療的發(fā)展，肺癌的治療已經(jīng)進(jìn)入了精準(zhǔn)醫(yī)學(xué)的時(shí)代。明確基因突變和分子表達(dá)狀態(tài)是確定治療選擇的關(guān)鍵步驟。然而，目前用于基因檢測(cè)的聚合酶鏈反應(yīng)（PCR）和下一代測(cè)序（NGS），以及用于分子檢測(cè)的免疫組織化學(xué)（IHC），需要獲取組織，這一過程是有創(chuàng)的，且價(jià)格相對(duì)昂貴。然而，放射基因組學(xué)的引入有助于分析微觀分子與宏觀影像特征之間的聯(lián)系，以非侵入性方式預(yù)測(cè)分子狀態(tài)。

2、治療效果評(píng)估

肺癌的標(biāo)準(zhǔn)治療包括手術(shù)、化療、放療、靶向治療和免疫療法。人工智能技術(shù)被廣泛應(yīng)用于篩選治療受益人群并預(yù)測(cè)臨床結(jié)果。外科患者的預(yù)后差異很大，而人工智能提供了一種新穎的預(yù)后評(píng)估方式?；谛g(shù)前PET/CT特征和臨床特征的Cox模型可以有效預(yù)測(cè)接受手術(shù)治療的非小細(xì)胞肺癌患者的無(wú)病生存期（DFS）。

3、生存預(yù)后預(yù)測(cè)

肺癌患者的預(yù)后受到多種復(fù)雜因素的影響，而影像特征已成為一種非侵入性的生物標(biāo)志物。影像組學(xué)可以提取肺癌患者的CT圖像中的定量影像特征來預(yù)測(cè)預(yù)后。此外，深度學(xué)習(xí)網(wǎng)絡(luò)可以從接受放療治療的患者的CT圖像中提取預(yù)后特征，以實(shí)現(xiàn)對(duì)術(shù)后患者的預(yù)后預(yù)測(cè)。這些模型將患者分為低風(fēng)險(xiǎn)組和高風(fēng)險(xiǎn)組，以指導(dǎo)下一步治療。模型生成的激活映射熱圖可以顯示出CT圖像中腫瘤內(nèi)外區(qū)域?qū)︻A(yù)后特征的貢獻(xiàn)，表明了影像特征在患者預(yù)后風(fēng)險(xiǎn)分層中的重要性。

四、人工智能在組織病理學(xué)圖像中的應(yīng)用

圖2 基于組織學(xué)圖像的AI模型在肺癌分類和預(yù)后中的應(yīng)用

1、輔助病理類型分類

LUAD和LUSC在起源上存在差異，具有明顯的病理特征和治療方式。病理學(xué)家通常需要通過視覺判斷進(jìn)行分類，而人工智能模型已經(jīng)成為有力的輔助工具。基于Inception-V3的深度卷積神經(jīng)網(wǎng)絡(luò)被用于將WSI分類為L(zhǎng)UAD、LUSC和正常組織，其AUC為97%，其性能接近病理醫(yī)生的水平。同時(shí)，另一個(gè)深度神經(jīng)網(wǎng)絡(luò)被創(chuàng)新性地用于預(yù)測(cè)腺癌中常見基因的突變狀態(tài)，最終成功預(yù)測(cè)其中6個(gè)基因的表達(dá)情況（AUC:73.3%–85.6%）。

2、指導(dǎo)治療決策

AI方法被用于識(shí)別患者預(yù)后相關(guān)的病理圖像特征，并指導(dǎo)治療決策。通過機(jī)器學(xué)習(xí)方法，研究者從2186例LUAD和LUSC患者的WSI中自動(dòng)提取了9879個(gè)定量圖像特征，用于預(yù)測(cè)非小細(xì)胞肺癌的預(yù)后。該方法在測(cè)試集中在區(qū)分低風(fēng)險(xiǎn)、高風(fēng)險(xiǎn)組方面表現(xiàn)出色（P<0.05）。最近，基于弱監(jiān)督學(xué)習(xí)的CNN模型從蘇木精-伊紅染色（H&E）圖片中提取的圖像特征在單變量和多因素分析中展示出與肺癌的預(yù)后顯著相關(guān)。

五、挑戰(zhàn)和機(jī)遇

盡管目前用于醫(yī)療圖像預(yù)測(cè)任務(wù)的人工智能蓬勃發(fā)展，但仍面臨一些挑戰(zhàn)。然而，這些挑戰(zhàn)也是在科學(xué)研究和臨床應(yīng)用之間架起橋梁的機(jī)會(huì)。最大的挑戰(zhàn)在于收集和注釋用于模型訓(xùn)練、驗(yàn)證和測(cè)試的標(biāo)準(zhǔn)化數(shù)據(jù)。例如，不同的機(jī)構(gòu)、不同的CT掃描儀和不同的重建方法會(huì)影響CT圖像的質(zhì)量。因此，需要統(tǒng)一的采集系數(shù)來減少圖像獲取的異質(zhì)性。先進(jìn)的分布式AI算法，如群體學(xué)習(xí)和聯(lián)邦學(xué)習(xí)，通過共享訓(xùn)練參數(shù)和權(quán)重實(shí)現(xiàn)了與在合并數(shù)據(jù)集上訓(xùn)練的模型相媲美的性能，有望支持開展多中心研究。

六、結(jié)論

總的來說，人工智能在肺癌精準(zhǔn)診斷和治療領(lǐng)域的應(yīng)用潛力巨大?；诜派鋵W(xué)圖像的影像組學(xué)和深度學(xué)習(xí)模型是肺癌篩查、無(wú)創(chuàng)診斷和個(gè)性化治療的有效工具。同時(shí)，基于數(shù)字病理圖像的人工智能技術(shù)能夠?qū)崿F(xiàn)肺癌亞型診斷和治療決策，提高醫(yī)生的工作效率。AI技術(shù)有望持續(xù)賦能疾病精準(zhǔn)診療和患者個(gè)體化管理，推動(dòng)癌癥診治進(jìn)入精準(zhǔn)醫(yī)學(xué)時(shí)代。

How to cite: Jun Shao, Jiaming Feng, Jingwei Li, Shufan Liang, Weimin Li, Chengdi Wang. Novel tools for early diagnosis and precision treatment based on artificial intelligence. Chin Med J Pulm Crit Care Med. 2023;3:148-160. doi: 10.1016/j.pccm.2023.05.001.

通信作者

王成弟教授

四川大學(xué)華西醫(yī)院呼吸與危重癥醫(yī)學(xué)科；研究員、博士生導(dǎo)師。專業(yè)特長(zhǎng)：呼吸系統(tǒng)常見病及疑難危重癥疾??；研究方向：肺癌、肺部感染性疾病的基礎(chǔ)與臨床；主持國(guó)家級(jí)青年人才項(xiàng)目和多項(xiàng)國(guó)家自然科學(xué)基金項(xiàng)目；獲得國(guó)家科技進(jìn)步獎(jiǎng)二等獎(jiǎng)、四川省科技進(jìn)步獎(jiǎng)一等獎(jiǎng)。

第一作者