人工智能在鼻咽癌治疗中的应用

大家好，欢迎来到IT知识分享网。

陈始明 放疗前沿 2023-07-26 07:01 发表于四川

近年来，随着人工智能(artificial intelligence,AI)特别是深度学习(deep learning,DL)越来越多地应用于计算机视觉，基于影像学及内镜图像的AI模型已在肺癌、皮肤癌、结肠癌等多种癌症诊治中取得较大进展。以深度学习为基础的模型能够自主从原始数据中选择最合适的特征训练，在图像识别、分割、风险预测及疗效预测等方面展现出令人振奋的性能。在鼻咽癌诊治方面同样也已涌现出大量模型验证AI在鼻咽癌诊治中的潜能与可行性，因此本文将就人工智能在鼻咽癌治疗中的应用进行总结.

放疗靶区及危及器官的自动勾画

放疗是鼻咽癌的主要治疗方式，目前调强放疗(IMRT)已成为鼻咽癌标准放疗方式，大部分患者可在接受放疗后治愈。放疗靶区及危及器官勾画的准确性均极大影响放疗效果：若靶区勾画区域过大将无法保护危及器官而产生放疗毒性，而勾画区域过小又达不到肿瘤治疗效果。然而，准确勾画放疗靶区及危及器官是临床中的一大难题。一方面，逐层勾画决定了这是一项耗时费力且重复的工作，另一方面，肿瘤形状不规则且与周围组织分界不清导致医师之间对于肿瘤边界的判定存在偏差。构建AI模型能够实现对原发肿瘤靶区及放疗危及器官的自动勾画。已有许多AI模型证实其勾画准确性、所需时间等相较于临床医师具有显著优势。同时，利用AI模型辅助人工勾画降低了不同医师之间观察者变异度，因此将AI模型应用于临床有望解决目前放疗中出现的上述问题。

放疗靶区的自动勾画

目前，图像分割模型中公认应用最广泛、最经典的结构是U-Net结构，大量图像分割AI模型以其为基础并证实了其良好性能。但值得注意的是，基于U-Net结构的模型性能未必一定优于其他结构为基础的模型，同时，即便同样应用U-Net结构的模型其性能也不尽相同。

Lin等应用3DCNN结构训练AI模型，在证实了模型准确性的同时证明AI辅助勾画原发肿瘤靶区减小了临床医师之间的勾画差异；

Yang等基于U-Net模型初始DSC为74.494.4tN ,应用感受场增强机制后模型DSC提高到76.23%±6.45%；

Zhang等将空间注意、残余连接、复发卷积和归一化方法应用到以U-Net结构为基础的鼻咽癌分割模型中发现其能够对鼻咽癌进行更精确的定位和细节保存，其DSC值可达到0.816。

肖等设计了一种结合膨胀卷积与残差连接的3D CNN结构模型，通过比较不同普通卷积层数和膨胀卷积层数模型的DSC、准确度及召回率，确定当普通卷积层数为5、空泡率分别为2和4的膨胀卷积层数均为6时该3DCNN模型性能最好，DSC值可达到79.53%。模型之间的差异提示除了选择合适AI结构外，应用适当方式优化所选结构、改善训练方案对于保证模型性能同样重要。

因此，选择合适的AI结构并探索与之相匹配的更优的数据处理方法、AI结构优化方法、改良训练方案对于今后的应用至关重要。此外，在原发肿瘤靶区的自动勾画中还存在着对影像图像分辨率要求高、对分期较高及化疗后肿瘤勾画准确性不满意等局限性，这些问题均需在后续研究中得到解决。

危及器官的自动勾画

准确分割OARs对保护周围正常器官、减少放疗毒性具有重要的意义，也是有效进行IMRT的关键步骤。已有研究证实基于AI的危及器官自动勾画模型能够准确地分割出大部分OARs。

目前，大多数自动勾画软件都是基于图谱库或DL这两种技术构建的，其中较为成熟的自动分割软件包括MIM、ABAS、AccuContour和OIS等。

Ibragimov等收集了50例3D CT图像，利用CNN模型对OARs进行分割，并将模型性能与现有商业软件性能进行比较，最终发现对于除腮腺、颌下腺和视交叉之外的较大体积OARs自动勾画效果较优。

蒋等利用特征区域聚焦方法构建了Focus模型，进一步提高了模型对小体积靶区勾画的精确度。

Zhong等提出与单网络分割算法相比，级联DL结构可以获得更高的性能。

Liang等构建的ODS-net模型采用了两种不同CNN依次进行检测和勾画任务，与直接分割整个图像而不进行检测操作的全卷积神经网络相比，ODS-net具有更高的Dice相似指数，提示在模型中增加检测步骤对整个分割任务的重要性。上述模型显示出自动勾画的种种优势，如与手动勾画相比大大缩减了勾画时间、对大部分OARs而言具有较高的准确度等等。但该类研究依然具有局限性，如模型的准确性与训练集中手动勾画的准确性密切相关、大部分研究缺乏大样本多中心验证等。

总之，上述研究均显示出AI在NPC放疗中的优势：靶区勾画效果较好且对于同一模型勾画出的靶区其勾画标准一致(分歧小)、用时短、极大减少了临床中的重复性工作、能够提高临床效率等。虽然目前的AI模型仍存在对小体积OARs勾画不够准确的问题，但是通过将不同DL结构级联、增加检测步骤等方式能够改善模型性能。如何提高AI模型对小体积OARs勾画准确性或许是接下来的研究重点。

诱导化疗的疗效预测

NCCN2020 版头颈部肿瘤临床实践指南将诱导化疗(ICT)联合同步放化疗(CCRT)列为治疗Ⅲ/IVA期鼻咽癌的2A水平证据，但并非所有患者均对ICT反应良好，约70%的患者不能从ICT中获益，这就意味着对于大部分NPC患者而言接受ICT治疗不仅不能延长生存期反而要从中遭受额外化疗的毒性和各种副作用，因此准确筛选出对ICT敏感的个体尤为重要。

Liu等将AI与数字病理学结合，利用QuPath软件和DeepSury神经网络分别提取和分析了NPC病理微观特征，而后根据ROC将患者分为高危组和低危组，该研究显示高危患者在接受ICT+CCRT后生存率提高。

Qiang及Peng等分别基于MRI和PET-CT的影像组学研究也得出高危患者更能从ICT中受益的结论。

Zhao等回顾性分析了123名NPC患者MRI图像，将其分为训练集和验证集，并按照对ICT的反应分为应答者和无应答者，在分割肿瘤区域后提取并筛选具有较大鉴别能力的影像组学特征，将这些影像组学特征重组训练SVM模型，结果显示应答者和无应答者的影像组学得分存在较大差异，提示AI模型有指导ICT应用的潜力。

个体化治疗决策的制定

目前在临床实践中，如何选择鼻咽癌个性化的治疗方案尚不明确。

在放疗方面，有研究证实利用DL建造的模型能够通过考虑OARs与肿瘤之间的空间结构准确、高效地预测患者个性化放疗剂量。

在药物治疗方面，也有研究显示SVM在筛选NPC潜在治疗药物方面具有良好的预测能力。此外，基于AI的影像组学在预测鼻咽癌治疗反应方面有潜在的价值。

Zhong等构建了一个联合预后和治疗决策的基于DL的多任务诺模图，该模型能够根据治疗前MRI图像预测不同治疗方案患者的预后，并依此推荐最佳治疗方案。

值得注意的是，目前AI用于个性化治疗方案制定方面的研究多是在给定的几种方案当中选择最优方案，同时，诱导化疗方案的多样性对个体化治疗决策制定是否有影响也尚不明确，因此现存模型尚不能达到临床应用的水平。