中华医学信息导报：周良辅院士——人工智能在脑胶质瘤中的应用
2018-04-30 整理:丁新磊/ 制版编辑：宋亚波 中华医学信息导报
此前，人类已经历了3次工业革命：第1次为18世纪60年代蒸汽机的广泛应用，第2次为19世纪70年代电动机的广泛应用，第3次为20世纪四五十年代计算机引领多领域取得的重大突破；目前，已迎来人类第4次工业革命——即人工智能（AI）。AI最早于1955年由美国数学家John McCarthy提出来，但遗憾的是，当时大家都认为他的想法比较疯狂，AI并未获得认可。直到20世纪90年代，AI重焕新生。随着计算
此前，人类已经历了3次工业革命：第1次为18世纪60年代蒸汽机的广泛应用，第2次为19世纪70年代电动机的广泛应用，第3次为20世纪四五十年代计算机引领多领域取得的重大突破；目前，已迎来人类第4次工业革命——即人工智能（AI）。AI最早于1955年由美国数学家John McCarthy提出来，但遗憾的是，当时大家都认为他的想法比较疯狂，AI并未获得认可。直到20世纪90年代，AI重焕新生。随着计算机的小型化、功率加快、运行速度提高，尤其是从编程发展到逻辑数据挖掘算法出现、大数据涌现以及控制理论的重新提出，近10~20年内，人工智能再次成为人们关注的热点话题。目前，AI在医学领域内对稳步推进医疗、教学、科研及其融合发展起着重要作用。
1. AI在医学影像学方面的应用
AI为医师精确诊断的好助手
医学影像图像数据多为非线性、多维态、动态的，使得数据处理对于人类来说是非常头疼的事情，但对于机器来说，驾轻就熟。目前，医学影像种类有MRI（磁共振成像）、CT（电子计算机断层扫描）、PET-CT影像系统、单光子发射计算机断层成像术、超声等，AI目前多应用于MRI，多用监督深度学习法，即先要预处置各种医学影像数据，标注其特征，再输入计算机，计算机经反复多次试错、择优，形成对图像的预测模型。然后再经多次验证优化，形成初步可预测医学图像的模型。
国外的一项研究（Inano R 2014）将AI应用于基于体素聚集成像：术前MRI、T2加权（T2）、弥散张量成像、扩散加权（DW），用标准摄取值（SVM）/交叉验证鉴别低级别胶质瘤（LGG）/高级别胶质瘤（HGG）分别为14/19例。结果显示特异性（0.848）、敏感度（0.745）、准确度（0.864）、AUC（0.912），但可惜样本太小。另外一项国外的研究（Hslen KL.2017）,将34例多形性胶质母细胞瘤（GBM），73例二维MR,提取局/全脑的灰质度、组织质地，应用人工神经网络(ANN)与常规的逻辑回归进行比对。结果显示ANN分析基于T1W增强，12种MR特征鉴别LGG/HGG（P<0.05）,恶性预测准确率88%（P<0.01）、与逻辑回归无显著差别，但速度更快。
目前异柠檬酸脱氢酶（IDH）鉴别靠免疫组化、聚合酶链反应等检测方法耗时长，且数据为静态的。复旦大学附属华山医院（华山医院）胶质瘤课题组和复旦大学数学系共同联合，采用卷积神经网络（CNN）来分析T2/液体衰减反转恢复（FLAIR）对LGG IDH的鉴别。研究采用110例LGG进行回顾性研究，30例验证。研究应用SVM和AdaBoost等进行分析验证，首先将磁共振特征性图像分割提取，组织出影像基因组学热图，再输入电脑进行反复验证和优化，再将其与IDH突变野生型相关。结果，得出的图像显示IDH突变多见于额下回/三角区、海马旁、颞叶、旁中央叶等，突变更倾向于球/圆形。周良辅院士表示，我们发现无论是用SVM还是AdaBoost，其预测的准确性、预测性皆佳，CNN优点是动态的、快速的，18 min即可诊断出IDH，但仍需要大样本和多中心的研究进一步证实。以上的这些研究都提示AI为脑胶质瘤医师精确诊疗的好助手。儿童瘤种类繁多，疾病定位、定性一直是临床诊疗中的难题。国外有研究（OrphanidouVlachou E 2013）利用T1/T2诊断儿童后颅肿瘤，将21例髓母、14例星形纤毛瘤用MaZda软件分析肿瘤质地，并与医师进行比对，结果显示，放射科医师诊断准确率不高。而机器学习将概率神经网络（PNN）和差异分析（IDA）结合，其诊断结果优于人类。
Senders（2017）系统搜集PubMed/Embase两个数据库截止2016年超过7000多篇肿瘤相关的文章，将计算机与人脑进行比较。结果显示在入选的23篇报告中，计算机超人脑准确性13%（四分值4%~21%）；50篇预后报告中，58%电脑超人脑（P<0.05），36%无差别，6%人脑超过计算机（P<0.05）；4篇比较人脑联合电脑优于单人脑。该研究提示，在影像学中应用机器诊断，AI只是医师的助手。
AI指导靶向或个体治疗
有组织学研究应用ANN分析基因芯片，将65例星形细胞瘤Ⅰ~Ⅳ组织病理芯片训练、验证，用另一数据库标本检查预测。根据56个基因分出3型与病理分级符合率96.15%。神经纤维瘤NF1型患者经常伴有GBM，多数为低惰性、良性的。近来发现NF1失活也见于未患有神经纤维瘤的GBM、乳腺癌、肺癌的患者，利用常规检查的方法很难找到，需借助AI进行寻找。美国的研究（Way GP 2017）用癌症和肿瘤基因图谱（TCGA）的RNAseq数据从607份GBM患者中选出RNAseq和NF1mt的标本149份，共8000条基因。按“1”为NF1wt失活，“0”为NF1mt标注输入，监督训练机器学习（ML），得到500逻辑回归分类集成。经过100次随机初始化最后成预测NF1失活模型，预测准确性平均AUROC为0.77（95% quantile=0.53~0.95）。并用于检查13个GBM样本（速冻）和U97-MG（NF1wt），证实可靠。研究表明：电脑集成分类可用TCGA的基因表达捕捉NF1失活有关的信号，鉴别NF1蛋白很低/很高标本，用于指导靶向或个体化治疗。
2. 机器人在神经外科的应用
神经外科是最早应用机器人的领域，多用于锁孔神经外科、活检、局部置药。国外研究（Surtherland GR 2015）有7例机器人手安全可行，但存在触觉反馈差，偶因硬软件问题发生机器手乱动，这也是机器人手术普遍存在的问题。目前，日本的机器人主要用于活检、新加坡的机器人不用于临床，因此目前，在神经外科领域真成功应用的机器人是放射外科的Cyberknife。
目前，神经导航、多模态应用等AI手段可以协助外科手术。NeuroBlate为激光间质热疗系统，在全模型迭代重组技术下操作和治疗。Lee I 2016研究报告，NeuroBlate在63例复发的HGG患者中，永久神经缺失7例（12%），血管损伤2例（3%），伤口感染1例（2%），消瘤占78%~100%，虽然安全，但推荐证据不足。AI在神经外科领域的应用虽然早，但进步缓慢，这与颅脑解剖结构的特殊性，神经外科手术对机器人的要求高（微型、灵活、触觉）有关。
最后，周院士总结了AI在脑胶质瘤临床应用存在的问题：（1）缺乏高质量和智能化管理的数据库：EMR、HIS、LIS、PACS系统固有问题；（2）缺乏ML质量检验标准；（3）图像二分法和不同产家机器采集图像：格式、标准化、智能化；（4）研究报告多属回顾性、单中心、单一数据库、样本小；（5）缺乏整合临床和分子生物学的数据库软件框架。周院士指出，虽然AI在现代医学应用前景诱人，但它在脑胶质瘤的应用仍处于婴儿期。因此加强AI的研发，特别是研发整合分子生物学和临床大数据的软件框架，优化ML的算法和数据质控，积极开展前瞻性、多中心研究，聚焦精准医学的个体化治疗，才有望在脑胶质瘤研究和诊治取得突破性进展。
原始出处：
周良辅. 人工智能在脑胶质瘤中的应用. 中华医学信息导报. 2018年第8期.
小提示：本篇资讯需要登录阅读，点击跳转登录
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#医学信息#
0
学习一下谢谢
89
谢谢分享.学习了
104
谢谢分享学习
111
阅
92