2023人工智能在骨肿瘤诊疗领域中的应用研究进展.docx

2023人工智能在骨肿瘤诊疗领域中的应用研究进展摘要人工智能(artificialintelligence,AI)在骨肿瘤领域具有广阔的应用前景，利用深度学习模型和AI技术可以在骨肿瘤的病理诊断、分子生物学诊断、影像学诊断和临床数据处理等方面提供帮助，为患者提供更加精准、个性化的医疗服务。在病理诊断方面，AI可以通过自动分析和阅读大量病理组织切片图像辅助医生准确识别和分类肿瘤类型。在分子生物学诊断方面，AI通过分析大规模基因组学和转录组学数据发现与骨肿瘤相关的关键基因和信号通路，为预后评估和制定个体化治疗方案提供依据。在影像学诊断方面，Al可以辅助医生快速、准确地分析骨肿瘤的影像特征，自动标记肿瘤的位置、大小和形态，指导治疗和预测预后。AI还可处理大规模临床数据，挖掘潜在的临床特征和模式，辅助风险评估、治疗决策和预测预后。本文综述近几年关于AI在骨肿瘤诊疗领域应用的研究，以期提高骨肿瘤诊断的准确性，改善临床预后，同时为医工交叉领域的融合发展与创新提供理论翦出。人工智能(artificialintelligence,AI)最早由JohnMcCarthyT1956年提出1o随后有学者进一步提出机器能够模拟人类行为和实际思考的可能性，并开发了图灵测试将人类与机器区分开。随着计算机硬件和算法的提升，AI的应用逐渐融入各行各业2o深度学习作为AI领域热门的研究内容，由机器学习发展而来。它以多层人工神经网络操作为特征，与机器学习相比，深度学习在性能上有显著提高,在语音、自然语言、视觉等多个领域的工作效能具有明显优势3,4。深度学习目前主要基于神经网络算法，其中卷积神经网络(ConVoIUtionalneuralnetwork,CNN)是基于图像的深度学习中最常用的多层人工神经网络结构,各种CNN架构如视觉几何组(visualgeometrygroupResNet和DenseNet已广泛应用于基于图像的医学模型3o近年来，许多基于影像或病理分型的深度学习在疾病诊断中的应用已证实其准确性等同甚至超过经验丰富的临床医生5,6。2020年11月13日，国家药品监督管理局批准了首个基于深度学习的肺结节CT图像辅助检测软件。深度学习涉及临床各个领域，贯穿疾病的诊断、治疗、预后等多个环节，甚至包括新药的开发7、基因组学等方面的研究8,因此具有广阔的应用前景。骨肿瘤是发生于骨骼或其附属组织的肿瘤。广义上包括骨肿瘤瘤样病变、骨良性W瘤、骨恶性肿瘤9。文献报道恶性肿瘤的发病率低于0.1%,且低于大部分实质性肿瘤10,11,12,13,14,15,16。骨肿瘤具有多种组织学亚型，根据肿瘤起源于细胞或基质进行分类可分为骨性、软骨性、纤维性、肌源性、脂肪源性、血管源性以及未明确性质等14。鉴于恶性骨肿瘤的罕见性，以及包括放射治疗、全身治疗和外科治疗在内的跨学科治疗的复杂性，恶性骨肿瘤的诊疗具有一定的挑战性10,11。骨肿瘤的诊断是对患者进行疾病管理的第一步，病理检查作为诊断的金标准对制定治疗方案具有重要意义。而影像检查对制定治疗方案也起着重要的参考作用【12。目前,已有文献报道了AI在肿瘤学、影像学和病理学领域的研究进展13,14,15,16,17虽然这些研究对AI在临床中的应用进行了深入探讨,但针对骨肿瘤的研究相对较少。因此，本文总结AI在骨肿瘤疾病中的应用现状，并介绍最新的研究进展，为临床骨肿瘤的诊疗提供参考。一、检索策略以"骨肿瘤""人工智能""深度学习"为中文关键词分别在中国知网、万方数据库和中华医学期刊全文数据库进行检索；以"bonetumors""bonemetastases""artificialintelligence"为英文关键词在PubMedxWebofScience,EBSCO和SCienCeDireCt数据库进行检索。检索时间为各数据库建立至2023年2月。文献纳入标准:(1)与骨肿瘤的AI诊疗相关的基础研究或临床应用研究；(2)文献类型为原创论著、系统综述及技术性专著。排除标准为：(1)非重点研究与骨肿瘤AI诊疗相关的文献;(2)质量过低、证据等级不高的文献；(3)内容重复的文献；(4)无法获得全文的文献；(5)非中英文文献。共检索文献321篇，包括中文文献32篇、英文文献289篇；通过Zotero软件排除重复文献121篇，剩余文献200篇。根据上述纳入与排除标准最终纳入文献99篇，包括中文文献3篇、英文文献96篇。二、Al在骨肿瘤临床诊疗中的应用(一)AI在骨肿瘤病理诊断中的作用病理学诊断是肿瘤诊断的金标准，但病理科医生在视觉感知、整合、判断方面的差异可能影响其准确性1820世纪90年代全切片扫描仪的出现将原始的组织病理图片转化为数字化的全视野数字切片(wholeslideimage,WSI)19oWSl包含了组织细胞层面的宏量数据信息20,作为结构化、数字化的数据为AI的深度学习提供了可能。多数与病理学相关的AI研究均与组织病理切片的自动分析有关。有研究报道基于深度学习在淋巴增生性疾病(骨髓增生异常综合征、急性淋巴细胞白血病)患者的组织病理学中检测和分类细胞21,22目前将深度学习应用于骨肿瘤病理学诊断的研究较少23,24,25Arunachalam等23报告了第一款评估骨肉瘤中存活和坏死肿瘤细胞的全自动化工具。该研究纳入1995至2015年就诊的50例骨肿瘤患者,术中切除瘤体时采集肿瘤样本，将942张组织学载玻片转化为WSI,并首次将WSI自动、准确地分类为活肿瘤、非肿瘤和坏死肿瘤细胞。通过将专家识别的特征与CellPrOfiler软件(BroadInstituteofMITandHarvard,美国)识别的特征组合为单个输入集，配置并测试了传统的机器学习模型，选择性能最佳的支持向量机算法(supportvectormachine(SVM1在测试数据集上,SVM和深度学习模型报告的精度明显提高。Mishra等24通过包含八个学习层的CNN训练出骨肉瘤肿瘤细胞分类的工具，肿瘤与非肿瘤细胞分类的准确性高达92%。Fu等25基于CNN构建的暹罗网络模型由辅助监督网络和分类网络组成。基于暹罗网络的辅助监督网络的构建旨在解决小型训练集的问题(医学图像深度学习的主要瓶颈)，其构建的暹罗网络可以达到95.1%的准确率。陶宇章26设计的深度学习模型可依据侵袭程度对骨肿瘤进行组织病理学分型，与高年资病理医生的报告结果无差异。(一)AI在骨肿瘤分子生物学诊断中的作用在分子生物学领域中，深度学习已经应用于预测各种肿瘤相关的长非编码RNA(longnoncodingRNAs,IncRNA)27l28,29IncRNA的异常表达与疾病的发生密切相关，而通过测序与疾病相关的IncRNA有助于揭示疾病的发病机制。有文献报道可以利用整合异质数据的方法来预测InCRNA与疾病之间的相关性。然而这些方法尚未充分整合包含IncRNAx疾病和miRNA的异质网络的拓扑信息。Xuan等27提出了一种基于图卷积网络和CNN的新方法，用于预测与疾病相关的候选IncRNA0此外，他们还提出基于信息流传播和CNN预测与疾病相关的InCRNA,不仅整合了InCRNA、疾病和miRNA之间的相似性、关联性和相互作用，还生成了它们之间的拓扑结构。在这项研究中他们构建了一个包含左侧和右侧的双CNN框架。左侧的包埋层是基于IncRNA、miRNA和疾病相关的生物学而信息建立；在右侧的框架中，利用双层网络(如IncRNA疾病网络)上的信息流传播计算了IncRNA、m很NA和疾病之间的相似性、关联性和相互作用关系。LDAPred的有效性已经在乳腺癌、结肠癌和骨肉瘤等疾病中得到了验证29。目前，尚无更多的分子生物学研究将深度学习应用于骨肿瘤的诊疗。然而,许多研究使用机器学习来分析不同类型的分子数据集，包括基因组、转录组、蛋白质组和代谢组数据21,22,23,24,25,26,27,28,29,30,31,32,33,34o例如，已经有研究使用阵列生成的DNA甲基化数据训练算法预测骨肉瘤亚型30L以及使用蛋白质微阵列数据识别骨转移肿瘤31o此外，机器学习还被应用于骨肉瘤中miRNA基因的分子亚型识别和表征30,以及发现与骨肉瘤化疗耐药相关的通路32机器学习在骨与软组织肿瘤领域的应用目前主要集中在骨肉瘤上，但也有一些应用于Ewing肉瘤33和脂肪肉瘤34的相关报道。除了用于诊断和预后评估，基于分子数据的机器学习还可以用于评估最佳的化疗药物35,36o此外，多模态数据整合模型的应用也证实，机器学习可通过结合基于质谱的血清代谢组学数据和X线片图像区分恶性和良性肿瘤370(三)AI在骨肿瘤影像学诊断中的应用AI在骨肿瘤影像学诊断中的应用是目前研究的热点。它在肿瘤检出与诊断、肿瘤分割与体积测量、肿瘤分级、肿瘤坏死率评价以及肿瘤预后评估等方面都有广泛的应用。1963年，Lodwick等38最早进行了计算机辅助诊断骨肿瘤的研究。Do等39整合了1664例骨肿瘤患者的临床信息、流行病学数据以及X线片影像学特征（共18种可学习特征）,通过贝叶斯算法构建了一个能够初步判断骨肿瘤类型（29种）的机器学习模型，准确率为44%62%该研究首次基于大样本评价了机器学习在骨肿瘤影像学诊断中的价值。然而，该研究的局限性在于机器学习模型中的所有特征都需要人工标记,可能会受到主观因素的影响，进而影响模型的训练结果。随着计算机运算能力的提升，深度学习在骨肿瘤影像诊断中的作用越来越明显40,41深度学习广泛应用于良恶性肿瘤的鉴别、组织病理学分级以及肿瘤突变分层42,43,44,45。Eweje等46使用基于深度学习的MRI对原发性骨肿瘤进行分类,并发现与放射科医生相比深度学习模型获得了相似的准确度（76%和73%）,灵敏度和特异度的差异均无统计学意义，受试者工作特征曲线的曲线下面积为0.82,提示诊断效能良好。Wang等47使用基于CNN模型的训练方法对超声图像中的软组织肿块进行分类，结果显示区分良恶性肿物的准确率为79%;区分脂肪瘤、良性周围神经鞘肿瘤和血管畸形三种良性软组织肿物的准确率为71%,进一步证实了基于CNN模型训练对超声图像中描述的软组织肿块进行分类的可行性，特别是在区分良恶曲中块方面表现出良好的诊断价值。通过额外的训练数据和结合超声新技术可进一步提高对恶性肿块预测的灵敏度。1.oraksa等48比较了目前流行的三种医学CNN模型（VGG-16、ReSNet-50和MobileNet-V2底骨肉瘤分类中的价值结果显示VGG-16的准确性最高。刘仁懿等49纳入了643例经病理学诊断确诊为骨肿瘤的患者，利用深度学习-机器学习结合X线片病灶特征和临床信息构建了融合预测模型，结果显示该方法能够提高骨肿瘤组织病理学的分类效能。一些研究也探讨了深度学习在临床痛预测上的价值50,51He等52通过对多个医学中心的骨肿瘤患者的X线片进行整合，利用卷积网络算法构建了一个仅基于骨肿瘤X线片数据来预测骨肿瘤侵袭性程度的深度学习模型，实现了良恶曲中瘤的鉴别；该模型在交叉验证和外部测试中的受试者工作特征曲线的曲线下面积分别为0894和0.877,提示诊断效能良好；在良性、恶性及交界性肿瘤的鉴别方面，模型的准确率达到了72.1%,交叉验证的准确率分别为74.6%和72.1%;在外部测试中，深度学习模型的准确率为73.4%,而专科医生（2位）和初级放射科医生（3位）的准确率分别为69.3%、73.4%、73.1%、67.9%和63.4%0此外,该研究团队还通过对术前MRI图像进行深度学习,预测骨巨细胞瘤刮除术后的局部复发风险，准确度高于放射科医生53深度学习在转移性骨肿瘤的诊断中也有较成熟的应用。核医学成像是诊断和监测转移性骨肿瘤的重要影像检查54。骨扫描指数是一种定量测量骨病严重程度的方法，可以对转移性骨肿瘤的受累程度进行定量分析。该过程需要医生手动或半自动地对异常图像进行分割，以确定病变范围55,56o采用机器提取图像特征的人工神经网络已被用于自动化骨扫描指数的获取57,58o一项W期随机对照试验表明，自动化骨扫描指数是转移性去势抵抗性前列腺癌的独立预后指标59oInaki等60的研究结果显示，自动化骨扫描指数对有内脏转移和无内脏转移的乳腺癌患者均是一个良好的预后指标。自2021年起，自动化骨扫描指数已开始应用于骨肿瘤的临床诊疗，是该领域唯一的AI影像技术。各种深度学习模型已针对自动化骨扫描进行了训练和测试61,62,63此外，深度学习还被用于骨扫描中闪烁图像的去噪，进而加快图像采集效率64除骨显像外，深度学习还应用于检测和分割68Ga-PentixaforPET/CT±的多发性骨髓瘤病灶65,68Ga-PentixaforPET/CT上的前列腺癌骨转移66,18F-FDGPET/CT上的乳腺癌骨转移，以及SPECT扫描上的转移病灶67,68,69o此外，Lang等70利用深度学习结合放射组学区分脊柱动态增强MRI中的肺癌和非肺癌骨转移其诊断准确率高达79%(四)AI在处理骨肿瘤临床数据中的应用临床医学的进步离不开真实临床数据的积累。在国内外诸多数据库中，美国国家癌症研究所监测、流行病学和最终结果数据库(Surveillance,Epidemiology,andEndResultsProgram,SEER)71以及癌症基因组图谱数据库(TheCancerGenomeAtlas,TCGA)72最为完善。然而，面对大量的医学数据，采用传统的方式进行数据的收集、记录、储存和分析非常繁琐。此外，人为因素导致的误差也会影响数据质量。AI具有可重复性和稳定性，可以从海量的医学数据中提取有价值的信息进行挖掘分析71,72,73,74,75,76,有效弥补了人力资源的不足。同时还能明显提高疾病诊断和预测的准确性和效率76。许多应用基于从病例系统中提取的临床变量开发预测临床结局的AI模型，其中最广为人知的是PathFX临床决策支持工具。该工具使用传统的机器学习预测转移性骨肿瘤患者的生存结果70,71,72。已有研究证实了该模型在肿瘤患者生存分析中的临床应用价值72,77oRyu等78利用SEER数据库通过对临床变量进行深度学习，预测了骨盆和脊柱软骨肉瘤患者的生存期。然而，该研究未与传统的机器学习模型进行比较，因此其预测价值尚存争议。目前，许多文献报道了基于SEER数据库的机器学习用于预测骨肿瘤的临床结局和预后，包括骨肉瘤79、恶性外周神经鞘肿瘤80、软骨肉瘤81,82,83,黏液样脂肪肉瘤84、滑膜肉瘤85、Ewing肉瘤86以及非小细胞肺癌骨转移87o然而,基于深度学习模型的相关研究较少。此外，还有一些使用其他数据集训练的机器学习模型用于四肢骨转移、软组织肉瘤、骨转移肿瘤骨相关事件、脊柱转移肿瘤姑息性放疗的评估等88,89,90,91,92。姚光宇等93基于AI技术从大数据和图像识别两个方面构建了转移性骨肿瘤的智能数据库和智能图像识别系统。智能数据库实现了对转移性骨肿瘤患者在诊疗过程中产生的真实数据进行自动收集和整理；而智能图像识别则可通过识别肿瘤定位、肿瘤性质（溶骨性、成骨性、混合性）、椎体塌陷、后外侧结构受累情况以及力线位置这五个影像组学特征来构建脊柱转移性肿瘤的诊断和评估系统模型。总体而言，AI在骨肿瘤诊疗方面的研究相对较少，可能与骨肿瘤发病率低有关。此外,骨肿瘤的发病部位和肿瘤类型繁多，导致数据的一致性较差，这些因素都不利于构建理想的数据模型，从而限制了AI在骨肿瘤诊疗方面的发展。三、局限性与展望首先，深度学习需要依赖大规模的数据集。然而，由于骨肿瘤的发病率和患病率相对较低，大部分的数据集来自于三级医院，而目前开源数据库中未涵盖骨肿瘤的临床数据,这对建立深度学习模型造成了一定的影响94。其次，作为一个需要多学科协同合作的专业领域，骨肿瘤的诊疗过程涉及到多种模态的数据。目前已有的深度学习模型均是基于处理单一任务而开发的，然而骨肿瘤的最终诊断往往需要结合临床、放射学和病理学等多个方面来进行确诊。多数骨肿瘤缺乏典型的影像学特征95,96,同时在病理学诊断中某些骨肿瘤细胞具有高度同源性但分化程度差异大，且组织病理学特征之间存在高度相似性，从而导致了鉴别困难97将这三个方面的数据结合起来用于深度学习模型的训练可以提高诊断和预测的准确性98最后，AI存在"黑盒效应"，即我们通过输入信息获得输出结果，但无法检查生成输出结果的系统代码或逻辑，从而无法解释其推理过程99。随着深度学习模型可视化技术的发展，我们需要进一步解密"黑盒效应"99o未来基于AI的信息学工具有望帮助各级医院提升骨肿瘤的识别的能力，避免误诊和误治。此外，Al决策支持工具有助于将这一领域的专业知识扩展到非专业人群中，提高社会对骨肿瘤的认知，使医患双方获益。