Nat Rev Clin Oncol | 放射組學(xué)和人工智能預(yù)測癌癥預(yù)后

原創(chuàng)?huacishu?圖靈基因?今天

收錄于話題#前沿生物大數(shù)據(jù)分析

撰文：huacishu

IF=66.673

推薦度：?????

亮點：

1、作者定義了人工智能成像生物標記物及其用途，并將其與腫瘤學(xué)中現(xiàn)有的生物標記物進行對比逢渔；

2炒嘲、作者描述了用于復(fù)雜決策任務(wù)的人工智能工具着绷，提供了這些人工智能指征如何用于常見癌癥類型管理的示例镀裤。并總結(jié)了臨床采用這些方法過程中遇到的一些挑戰(zhàn)和障礙镜悉，并討論了未來對腫瘤學(xué)實踐的影響辉词。

近日美國凱斯西儲大學(xué)Anant Madabhushi教授團隊在國際知名期刊Nat Rev Clin Oncol在線發(fā)表題為“Predicting cancer outcomes with radiomics and artificial intelligence in radiology”的綜述論文。人工智能（AI）在診斷中的成功應(yīng)用促使基于AI的癌癥成像分析被應(yīng)用于解決其他更復(fù)雜的臨床問題闸度。從這個角度竭贩，作者討論了下一代AI工具可以利用放射學(xué)圖像解決臨床決策中的挑戰(zhàn)，如預(yù)測多種癌癥的預(yù)后莺禁、預(yù)測對各種治療方式的反應(yīng)留量，識別異常反應(yīng)模式并預(yù)測腫瘤的突變和分子特征。作者描述了AI在腫瘤學(xué)成像中的發(fā)展和機遇哟冬，重點介紹了手工制作的放射方法和深度學(xué)習(xí)衍生的表示法楼熄，并舉例說明了它們在決策支持中的應(yīng)用。同時還解決了臨床應(yīng)用過程中面臨的挑戰(zhàn)浩峡，包括數(shù)據(jù)整理和注釋可岂、可解釋性以及監(jiān)管和報銷問題。希望通過幫助臨床醫(yī)生理解人工智能的局限性和挑戰(zhàn)翰灾，以及它作為癌癥管理決策支持工具提供的機會缕粹，為他們揭開放射學(xué)人工智能的神秘面紗稚茅。

生物標記物是“作為正常生物過程、致病過程或?qū)Ρ┞痘蚋深A(yù)（包括治療干預(yù)）的生物反應(yīng)的指標測量的一種定義”平斩。在腫瘤學(xué)中亚享，生物標志物的應(yīng)用范圍從預(yù)防（如癌癥易感性或風險的生物標志物）到指導(dǎo)治療決策，其中預(yù)后和預(yù)測性生物標志物是最具臨床相關(guān)性的绘面。預(yù)后生物標志物傳達與疾病相關(guān)風險相關(guān)的信息虹蒋。在腫瘤學(xué)中，預(yù)后生物標志物用于根據(jù)腫瘤特征確定癌癥患者的風險狀況飒货。這一知識使臨床醫(yī)生能夠識別預(yù)后不良的患者，這些患者可能是治療升級或臨床試驗的候選者峭竣。相反塘辅，如果預(yù)先確定，預(yù)后良好的患者可能在降級治療中有良好的結(jié)果皆撩，因此可以避免癌癥治療的不合理性扣墩。目前在腫瘤學(xué)中使用的大多數(shù)預(yù)后生物標記物是依賴于復(fù)雜多基因特征的分子分析，例如乳腺癌中的腫瘤型DX和MammaPrint以及前列腺癌中的解碼扛吞。這些基因組分析包括在國家綜合癌癥網(wǎng)絡(luò)（NCCN）指南中呻惕，并在臨床實踐中常規(guī)使用；然而滥比，它們的價格令人望而卻步亚脆，并且需要通過侵入性程序獲得腫瘤組織，因此限制了它們在整個治療過程中連續(xù)監(jiān)測的可用性和適用性盲泛。預(yù)測性生物標記物使臨床醫(yī)生能夠通過識別將受益于特定治療藥物的患者濒持，做出知情的管理選擇。在腫瘤學(xué)中寺滚，如果生物標志物陽性與陰性患者的治療效果存在統(tǒng)計學(xué)差異柑营，則認為生物標志物具有預(yù)測作用。例如村视，在乳腺癌官套、胃癌和胃食管癌等腫瘤中，HER2狀態(tài)可作為預(yù)測HER2靶向治療（如曲妥珠單抗和培妥單抗）有效性的生物標志物蚁孔。在非小細胞肺癌（NSCLC）中奶赔，EGFR外顯子19缺失或外顯子21突變的存在可作為EGFR酪氨酸激酶抑制劑（如奧西米替尼或厄洛替尼）治療效果的生物標志物。除了預(yù)后外勒虾，腫瘤型DX也是一種預(yù)測性生物標記物纺阔，在一項前瞻性臨床試驗中得到驗證，以確定早期乳腺癌婦女化療的效果修然。人工智能推動的計算機視覺和模式識別任務(wù)的快速發(fā)展導(dǎo)致了人工智能成像生物標志物的出現(xiàn)笛钝。這些生物標記物依賴于從放射學(xué)中提取識別性定量表征质况，以捕獲與臨床結(jié)果相關(guān)的腫瘤表型特性。放射學(xué)中存在兩類主要的人工智能生物標記物：手工制作的生物標記物和深度學(xué)習(xí)（DL）方法制作的生物標記物玻靡。人工智能開發(fā)團隊（包括計算機科學(xué)家结榄、放射科醫(yī)生和腫瘤學(xué)家）通過手工制作的放射組學(xué)預(yù)定義了一組表示方法，這些表示方法由具有特定算法推導(dǎo)的特征測量組成囤捻。然后將這些特征表示方法輸入機器學(xué)習(xí)（ML）模型臼朗，該模型反過來預(yù)測結(jié)果。一些常用的放射方法側(cè)重于腫瘤內(nèi)部區(qū)域的各種屬性（如形狀或紋理）以及腫瘤微環(huán)境（TME蝎土；如紋理或腫瘤脈管系統(tǒng)）视哑。公開提供的放射話筒工具包使研究人員能夠在工作中應(yīng)用手工制作的放射話筒功能，而無需自行開發(fā)功能管道誊涯。在DL方法中挡毅，開發(fā)團隊定義了一個DL神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)可以使用大型數(shù)據(jù)集進行訓(xùn)練暴构，以發(fā)現(xiàn)新的表示形式跪呈，這些表示形式可以合成以預(yù)測特定的結(jié)果（圖1）。AI支持的預(yù)測性或預(yù)后性成像生物標記物與分子分析相比具有某些優(yōu)勢取逾『穆蹋考慮到它們是通過常規(guī)臨床放射學(xué)掃描進行評估的，AI啟用的成像生物標記物是非侵入性砾隅、非組織破壞性误阻、快速分析、易于序列化晴埂、相當便宜且與現(xiàn)有臨床工作流程完全兼容的堕绩，類似于AI啟用的病理學(xué)生物標記物，具有非侵入性的額外優(yōu)勢邑时。此外奴紧，它們還能夠在整個3D體積上描述腫瘤的特征，避免異質(zhì)性腫瘤活檢樣本可能出現(xiàn)的采樣錯誤晶丘，并能夠檢測TME的變化黍氮。由于這些相對于分子檢測的優(yōu)勢，另一類能夠反映腫瘤基因型的人工智能生物標記物已經(jīng)使用成像表征（一種稱為放射基因組學(xué)的方法）開發(fā)出來浅浮。預(yù)測腫瘤突變狀態(tài)的放射遺傳學(xué)方法可能成為已建立的分子生物標記物的替代非侵入性生物標記物沫浆，并可應(yīng)用于常規(guī)成像。這種方法與循環(huán)腫瘤DNA液體活檢方法類似滚秩，后者正被開發(fā)為癌癥監(jiān)測的微創(chuàng)工具专执。這種測試也可以連續(xù)用于檢測治療開始后腫瘤主要基因型的變化，這是導(dǎo)致獲得性抗靶向治療的已知原因郁油，無法通過侵入性分子測試進行準確監(jiān)測本股。然而攀痊，目前，放射基因組學(xué)方法存在一些局限性拄显，包括難以整合包含成像苟径、基因組學(xué)和臨床信息的綜合數(shù)據(jù)集，以及僅限于回顧性研究躬审，因此目前它們僅限于研究環(huán)境棘街。事實上，在臨床應(yīng)用之前承边，這些技術(shù)需要進一步優(yōu)化和前瞻性驗證遭殉。

在結(jié)果預(yù)測中，一些放射表現(xiàn)被證明是有效的（圖2）博助。這些表示可以轉(zhuǎn)化為預(yù)測或預(yù)測模型恩沽；通常，使用一組特征對ML模型進行訓(xùn)練翔始。這一過程中常見的第一步是特征選擇，它涉及通過算法將大量顯式特征縮小到最適合特定任務(wù)的較小特征子集里伯〕窍梗可以選擇特征來優(yōu)化預(yù)測性能、減少特征集中的相關(guān)性或穩(wěn)定性疾瓮。然后將這種簡化的特征表示輸入統(tǒng)計ML模型（例如脖镀，隨機森林分類器）以預(yù)測臨床結(jié)果。

放射學(xué)中大多數(shù)DL支持的生物標記物應(yīng)用使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）（圖3a）從成像數(shù)據(jù)得出預(yù)測狼电。CNN是一種專門設(shè)計用于學(xué)習(xí)圖像中空間模式的神經(jīng)網(wǎng)絡(luò)蜒灰，由于其在診斷任務(wù)中的表現(xiàn)而受到廣泛關(guān)注。在一些引人注目的研究中肩碟，基于CNN的模型在解釋胸部X光攝影强窖、CT和數(shù)字乳房X光攝影方面甚至超過了專業(yè)的人類工作者。正如CNN已被證明能夠?qū)W習(xí)指示惡性腫瘤的圖像特征一樣削祈，越來越多的研究表明翅溺，它們可以根據(jù)與結(jié)果、風險和分子特征相關(guān)的腫瘤性質(zhì)的細微差異對患者進行分層（圖3a）髓抑。當使用患者結(jié)果數(shù)據(jù)進行訓(xùn)練時咙崎，CNN的卷積層可以學(xué)會識別反映預(yù)后的新成像表型。CNN可以應(yīng)用于2D或3D輸入吨拍，并且可以使用多個輸入進行修改褪猛，以便從圖像類型的組合中學(xué)習(xí)，例如多參數(shù)或動態(tài)MRI掃描羹饰。大量的CNN體系結(jié)構(gòu)可用于基于AI的生物標記物研究伊滋，其歷史和優(yōu)勢將進一步詳細討論碳却。全卷積神經(jīng)網(wǎng)絡(luò)（FCN）（圖3b）是一種CNN，它產(chǎn)生類似圖像的輸出新啼。FCN可用于繪制圖像內(nèi)腫瘤的邊界追城，以進行下游放射分析（稱為分割的過程）或在數(shù)據(jù)有限時（例如通過訓(xùn)練卷積自動編碼器）進行無監(jiān)督特征學(xué)習(xí)。同樣燥撞，完全連接的網(wǎng)絡(luò)（圖3c）是沒有卷積層的神經(jīng)網(wǎng)絡(luò)座柱，可以根據(jù)各種測量列表（如放射特征）進行預(yù)測。其他種類的神經(jīng)網(wǎng)絡(luò)可與CNN結(jié)合物舒，以處理隨時間收集的多組放射數(shù)據(jù)色洞，從而實現(xiàn)成像數(shù)據(jù)的縱向分析（例如，用于響應(yīng)評估）冠胯。

獲取足夠的數(shù)據(jù)以開發(fā)基于AI的模型始終是一個挑戰(zhàn)火诸，這在開發(fā)預(yù)測和預(yù)后放射學(xué)AI工具時尤為突出。從回顧性獲取的數(shù)據(jù)集中收集的數(shù)據(jù)通常是最方便的荠察，但對于模型訓(xùn)練和驗證而言置蜀，都會帶來與數(shù)據(jù)純度相關(guān)的挑戰(zhàn)，因為預(yù)定義的包含和排除標準可能會導(dǎo)致AI算法中的無意識偏差悉盆。例如盯荤，完成治療方案的要求可能會無意中排除因反應(yīng)異常差而中斷該方案的患者。因此焕盟，隨機對照試驗（RCT）是建模和驗證生物標志物的金標準秋秤。基于人工智能的成像技術(shù)取決于成像和結(jié)果數(shù)據(jù)的信噪比脚翘。隨機對照試驗為比較實驗分析提供了無偏灼卢、同質(zhì)的數(shù)據(jù)。然而来农，與回顧性數(shù)據(jù)不同鞋真，訪問這些RCT數(shù)據(jù)集既耗時又具有挑戰(zhàn)性，通常需要制藥公司或癌癥合作組織的廣泛而漫長的批準沃于。獲取無偏和同質(zhì)數(shù)據(jù)集的困難揭示了多機構(gòu)合作在構(gòu)建大型數(shù)據(jù)集以培訓(xùn)和驗證這些技術(shù)方面的重要性灿巧。其中之一是由國家癌癥研究所（NCI）召集的癌癥影像檔案館，它是一個公共可用的聚合和預(yù)篩選多機構(gòu)數(shù)據(jù)集存儲庫揽涮。這一倡議還突出了腫瘤領(lǐng)域合作組織的重要性抠藕，在美國包括NCI國家臨床試驗網(wǎng)絡(luò)小組（如SWOG、ECOG和NRG）蒋困，在世界范圍內(nèi)包括歐洲癌癥研究和治療組織盾似，負責資助和運行隨機對照試驗的加拿大癌癥試驗組和日本臨床腫瘤組。這些組織已經(jīng)在生物標記物開發(fā)中發(fā)揮了關(guān)鍵作用，因為這些小組領(lǐng)導(dǎo)的臨床試驗的數(shù)據(jù)集可以提供足夠的能力來驗證某些放射算法零院，從而能夠在隨機對照試驗中進行前瞻性評估溉跃。此外，聯(lián)邦學(xué)習(xí)技術(shù)告抄，即用于從多機構(gòu)數(shù)據(jù)集訓(xùn)練模型的DL AI技術(shù)撰茎，無需實際交換數(shù)據(jù)，而是通過共享訓(xùn)練參數(shù)和權(quán)重打洼，可能在預(yù)測AI方法的大規(guī)模驗證中發(fā)揮作用龄糊。一旦獲得數(shù)據(jù)，許多放射學(xué)人工智能研究中的一個關(guān)鍵的初步步驟就是注釋募疮，即定義空間邊界的過程炫惩，在該邊界內(nèi)應(yīng)執(zhí)行成像分析。注釋工作所需的詳細程度和強度取決于研究的性質(zhì)（圖4）阿浓。放射組學(xué)通常要求精確描繪腫瘤邊界或其他感興趣區(qū)域他嚷，從而能夠計算特定于腫瘤的測量值，例如形狀和異質(zhì)性芭毙。注釋可以由放射科醫(yī)生手動提供筋蓖，也可以作為另一個ML模型（如FCN）的輸出。無論采用哪種方法退敦，由于某些特征對空間描繪變化的敏感性很高粘咖，因此這一步驟都應(yīng)經(jīng)過深思熟慮】疗福或者，DL模型可以從更粗糙的標簽（例如腫瘤在體積中的大致位置）有效地進行訓(xùn)練忠聚，從而大大減少注釋所需的工作量和專業(yè)知識设哗。有了足夠的數(shù)據(jù)，甚至可以完全避免空間定位的需要两蟀。

從這篇文章中作者概述了放射學(xué)中人工智能作為一種工具的現(xiàn)狀和未來网梢，以確定用于臨床決策的新的預(yù)測和預(yù)后生物標志物。我們相信赂毯，本文將為臨床醫(yī)生提供一個人工智能的反應(yīng)和結(jié)果預(yù)測战虏。特別是，希望有助于理解放射學(xué)AI中常見的工具和實踐党涕，特別是它們可以用于哪些臨床情況烦感。同時還希望人們對人工智能成像生物標記物的開發(fā)和采用產(chǎn)生更大的興趣。正如過去50年中的放射學(xué)數(shù)字化以更高的分辨率和更廣泛的可用性徹底改變了該領(lǐng)域一樣膛堤，下一個十年將迎來一場由人工智能推動的放射學(xué)革命——而不是取代放射科醫(yī)生手趣、腫瘤學(xué)家或臨床醫(yī)生，但要為他們提供新的工具庫肥荔，更好地指導(dǎo)治療绿渣，并最終改善患者護理狀況朝群。

教授介紹

Anant Madabhushi教授就職于美國凱斯西儲大學(xué)，主要從事的研究包括計算成像和個性化診斷開發(fā)中符、評估和應(yīng)用新型定量圖像分析以及機器學(xué)習(xí)工具研發(fā)姜胖，用于乳腺、前列腺淀散、頭頸部右莱、腦腫瘤以及癲癇和頸動脈斑塊的疾病診斷、預(yù)后和治療吧凉。團隊也在探索從基因和蛋白質(zhì)表達到光譜學(xué)隧出、數(shù)字病理學(xué)和多參數(shù)MRI，這些方法在多個尺度上研究疾病標志物阀捅、模式和功能上的相關(guān)性方面的效用胀瞪。并且Anant Madabhushi教授以通訊作者在國際權(quán)威期刊Medical Physics、BMC Bioinformatics饲鄙、Pathology Informatics上發(fā)表論文多篇凄诞。

參考文獻

Bera K, Braman N, Gupta A, Velcheti V, Madabhushi A. Predicting canceroutcomes with radiomics and artificial intelligence in radiology. Nat Rev ClinOncol. 2021;10.1038/s41571-021-00560-7. doi:10.1038/s41571-021-00560-7