拥抱AI新时代，赋能乳腺疾病精准诊断——“中外磁共振影像1+1”会议精彩回顾
2023/4/26 17:00:00 中国医学论坛报
人工智能(AI)已逐渐渗透到众多科学领域，正在引领一场技术革命，部分已走向临床、改变实践。ChatGPT席卷全球之际，AI迎来空前热度。未来已来，对于乳腺癌这一全球人群发病率最高的恶性肿瘤[1]，AI将如何赋能影像学诊断？在此背景下，拜耳公司支持举办了“中外磁共振影像1+1”系列专家研讨会，邀请到美国纪念斯隆-凯特琳癌症中心(MSKCC)乳腺影像中心主任Katja Pinker教授与国内专家学者云端分享、面对面互动，搭建了高水平的中外学术交流平台，以期推动领域发展、造福更多患者。项目自2022年10月启动以来，已持续举办了沈阳、天津、广州、武汉、杭州站等五场会议，获得了业内专家学者的积极反响和广泛好评。
在过去的五场会议中，拜耳公司依次邀请到来自中国医科大学附属第一医院范国光教授、天津医科大学肿瘤医院路红教授、广东省人民医院梁长虹教授、华中科技大学同济医学院附属协和医院杨帆教授以及浙江大学医学院附属邵逸夫医院胡红杰教授担任主席，来自纪念斯隆-凯特琳癌症中心Katja Pinker教授聚焦AI辅助MRI在乳腺癌管理中的研究进展以及乳腺疾病影像学诊断实践带来精彩主旨报告和病例分享，多位国内专家学者介绍了乳腺MRI扫描的重要经验；问答环节，与会专家学者与Katja Pinker教授展开了深入探讨，共襄学术盛事，共话领域进展。
范国光教授
路红教授
梁长虹教授
杨帆教授
胡红杰教授
此外，本次系列专家研讨会不光邀请到了众多乳腺影像学资深专家莅临现场，展开深入的学术分享，同时还吸引了各路临床大咖学者参会，分享临床实践经验，共话真知灼见，如广东省人民医院副院长、乳腺外科主任医师王坤教授，浙江大学医学院附属邵逸夫医院肿瘤外科主任医师、地方合作和交流办公室主任陈文军教授等，与会专家充分融合临床医学与影像学前沿进展，聚焦学科发展，更加凸显出本次系列会专业性十足。
广东省人民医院副院长、乳腺外科主任医师王坤教授
浙江大学医学院附属邵逸夫医院肿瘤外科主任医师、地方合作和交流办公室主任陈文军教授
本文将精选会议精华，报道Katja Pinker教授与多位国内专家的报告内容，以飨读者。
【主旨报告】
影像组学/AI联合MRI在乳腺癌管理中的应用
Katja Pinker教授
【1】“精准医疗”为何而生？
传统的“一体通用”(one-size-fits-all)策略目的是为大多数患者研发治疗方法，但结果往往令人失望。精准医疗应运而生，美国国立卫生研究院(NIH)将其定义为建立在了解基因、环境及生活方式个体差异基础上的新兴疾病治疗和预防方法。精准医疗理念诞生之初，有学者将其喻为“一个大胆的概念，一个大胆的抱负”。
系统生物学是实现精准医疗不可或缺的方法学。我们需要研究复杂的生物系统，包括它们的相互作用、时间和环境所致的变化等。跨学科合作是必由之路，如生物学、影像学、计算机科学、工程学、生物信息学、物理学等。获得多组学数据后，需要通过算法和数学建模来整合，包括基因、代谢产物、蛋白及其他生物学成分。
Katja Pinker教授
【2】AI医学发展史，我们走到了哪里？
AI技术的发展为人类医学带来了革命性进步。影像学领域的重大进展包括医学影像技术、图像分析、开发高通量提取方法并将多个成像参数与分子学和临床结局数据相关联，预示着医学研究的新方向。那么目前的AI医学发展到什么程度了呢？截至2022年，我们尚未完全实现仿生、尚未达到终极目标。前路漫漫，还有很多工作要做。
AI医学发展尚面临很多挑战——人们“过度狂热”，人们又“心存畏惧”。谓之“过度狂热”，因为这一技术革命令人类对AI的能力产生了不切实际的期望和错觉。谓之“心存畏惧”，因为未知和害怕被取代，人类设置了过度的限制，阻碍了AI的应用和研发进程。此外，AI还将带来管理模式的重大变革，涉及所有利益相关者，包括技术、临床、政策、经济等层面。这些挑战需要我们逐步去攻克。
【3】乳腺疾病影像学诊断中，AI能为我们做什么？
乳腺疾病影像学诊断的压力与日俱增，成像需求呈指数级增长，而劳动力将逐渐减少。越来越多的研究者和医生寄希望于AI来改进工作流程、效率及患者预后。
机器学习是目前开发乳腺疾病影像学诊断AI系统应用最多的方法，深度学习是人工神经网络的类型之一。广义的AI包括预约日程、参数设置、影像定位、质量控制等；而狭义的AI包括筛查、诊断、分类、分型、预测治疗反应、复发评分、癌症风险评估等[2](图1)。
图1 乳腺疾病影像学诊断AI系统应用范畴
(图片来源：Katja Pinker教授演讲)
狭义的AI与影像学诊断的关系更为密切，也更具挑战性。AI已经覆盖了影像学诊断工作流程链的各个环节，包括制订扫描计划和方案、优化人员/时间/流程安排、采集图像(减少成像采集次数、增强对比度、改善后处理成像)、生成报告(自动语音识别)、解读报告(重要发现、后续诊疗建议、自动通知)等(图2)。举例而言，对弥散加权成像(DWI)进行深度学习后重建，图像质量与常规方式类似甚至更优，同时节约了约一半的时间，大幅提高了工作效率。同样的，狭义AI的发展也面临人们“过度狂热”和“心存畏惧”的挑战。
图2 AI辅助影像学诊断的各个环节
(图片来源：Katja Pinker教授演讲)
【4】影像学诊断AI系统从何而来？
AI的本质是一项使计算机模仿人类智能的技术。基于成像信息转化为可用数据的方法，影像/基因组学分析可分为机器学习和深度学习，分别代表了“Old”AI与“New”AI两大类。
机器学习的本质是通过经验积累提高工作效率。手工影像组学特征，例如强度直方图、形状属性、质地，通过机器学习建立AI系统，可识别图像的表型特征。主要步骤包括图像采集(2D、3D或4D)，使数据标准化，图像分割/注释，特征提取，特征选择与缩减，使用机器学习方法进行分类和建模(方法包括逻辑回归、决策树、支持向量、随机森林、提升树、神经网络等)，进而解决临床问题[3]。
深度学习是一种使用深度神经网络进行的机器学习，与传统机器学习的主要区别在于不需要人为提供的特征，可形容为复杂网络“创造”了自己的特征(图3)。但深度学习需要的数据量极大，所以当样本量受限时，多使用传统机器学习。同时，深度学习如同一个“盲盒”，理解复杂的深度学习算法决策方式是影响其应用的另一大挑战。
图3 传统机器学习与深度学习的主要区别
(图片来源：Katja Pinker教授演讲)
【5】乳腺癌影像学诊断AI系统开发取得了哪些进展？
筛查：一项基于DENSE试验数据的二次分析探索了利用深度学习模型自动识别乳腺病灶的可行性[4]。结果显示，对乳腺致密的女性乳房钆布醇增强MRI检查的自动分析排除了近40%没有病变的MRI扫描，同时没有遗漏任何癌症。这对于乳腺癌筛查具有重要意义。类似的，多项研究均验证了深度学习模型用于乳腺癌筛查的高灵敏度和高特异度、且速度快，可大幅减少人工工作量[5]。
分类：乳腺疾病分类是临床中耗时较多的一项工作，AI相关研究层出不穷。这些研究发现，AI系统用于多参数超快MRI成像的乳腺病变分类可提高特异度[6]。在多参数乳腺MRI中，卷积神经网络(CNN)对强化病灶的良恶性分类优于影像组学分析，但这两种方法都不如放射科医生的表现；同时，更多的训练数据会进一步提高CNN的性能，但影像组学算法的性能没有提高[7]。多参数MRI的影像组学分析结合机器学习，可以更好地评估可疑的乳腺强化肿瘤并提出活检建议，促进乳腺癌准确诊断，同时减少不必要的活检[8]。
分子分型：分子分型是乳腺癌精准治疗的关键，AI系统研究众多。2019年的一项初步研究数据表明，增强MRI的影像组学特征能够评估乳腺癌受体状态和分子亚型，具有较高的诊断准确性[9]。多参数MRI的影像组学和AI可能有助于三阴性及luminal A型乳腺癌与其他亚型的无创鉴别诊断[10] 。乳腺癌MRI表型与其RNA测序揭示的潜在分子生物学相关[11]。基于标准DCE-MRI的影像组学分析结合机器学习可以获得预后预测信息，并基于分子分型筛选出可获益于抗PD-1/PD-L1治疗的患者[12]。
预测治疗反应：此项功能对于特定治疗方案获益人群的筛选至关重要。已有研究证实，机器学习模型，包括临床和影像组学MRI特征，可用于评估HER2表达水平，并可预测HER2过表达乳腺癌患者新辅助治疗后的病理学完全缓解(pCR)[13]。18F-FDG PET/MRI可进行全面高质量的影像组学分析，以预测乳腺癌患者的pCR，尤其是HR+/HER2-患者[14]。
复发评分：此项工作对于个体化治疗方案的制订举足轻重。定量乳腺MR影像组学在基于影像表型评估乳腺癌复发风险方面显示了可期前景[15]。利用深度CNN体系预测Oncotype DX 复发评分的可行性得到初步验证[16]。与基因组分析相关的影像基因组学特征为雌激素受体阳性乳腺癌患者的预后和治疗提供了标志物[17]。
癌症风险评估：深度学习模型可以仅根据乳腺MR图像评估5年癌症风险，较最先进的风险评估模型显示了更好的个体风险识别能力[18]。自动提取的背景实质强化数据有望用于对接受高危筛查MRI的个体进一步风险分层[19]。
【病例分享】
乳腺疾病影像学诊断——MSKCC经验
在此后的病例分享环节，Katja Pinker教授以理论与实践相结合，就乳腺疾病影像学诊断话题分享了7个既往实践中诊断的典型病例，显示了MRI对于病灶良恶性鉴别、BI-RADS分级、活检建议等方面的重要价值。
【中国经验】
国内专家共话热点、共叙前沿
在五场会议中，国内专家同样积极筹备，展开精彩分享，其中来自中国医科大学附属第一医院张立娜教授重点分享关于乳腺定量MRI的个人体会，以经验指导实践。乳腺定量MRI已经成为目前临床和科研的重要热点和趋势，包括DCE和DWI以及相关衍生序列的定量参数。目前的研究方向上涵盖了从技术方案、诊断、鉴别、疗效评价以及生存分析预测等全流程，且正朝着多定量方向不断前进。
定量成像作为高科技技术，依赖性影像诊断学不断发展，期待其为医生提供分辨率更高的DWI，MAGIC图像，为乳腺癌鉴别诊断甚至是乳腺疾病常规扫描提供得力武器。此外，深度挖掘磁共振波谱成像(MRSI)、化学交换饱和转移(CEST)、血氧依赖水平(BOLD)磁共振技术在乳腺疾病的价值，完善适合乳腺的序列设计并充分利用新兴技术超极化磁共振(HP MRI)，从而更好的助力临床应用。
张立娜教授
天津医科大学肿瘤医院李艳博医师探讨了DCE-MRI影像学生物标志物在预测三阴性乳腺癌(TNBC)新辅助化疗反应的临床应用。其中，基于DCE-MRI的影像学生物学标志物，在TNBC患者的疗效预测中发挥至关重要的作用，可提高患者保乳、保腋窝手术成功率，改善预后。此外，基于超快速DCE-MRI的药代动力学定量特征，可以更好的表征TNBC的异质性，进一步提高对疗效和预后的预测能力。
随着计算机技术的进步，影像组学或AI可以提取、分析大量的特征数据，并通过机器学习算法，选择有生物学或者有生理学意义的特征来预测治疗疗效。展望未来，影像组学的深度学习联合动态增强MRI是重要探索发展方向，此外，对于影像组学深度学习特征的生物学阐释也需要更多的关注，未来需要更多更大的样本量队列研究验证这些方法的有效性。
李艳博医师
广东省人民医院刘春玲教授就乳腺癌腋窝淋巴转移新辅助治疗后pCR的影像评估展开精彩论述。依据美国国家综合癌症网络(NCCN)指南，乳腺癌行新辅助治疗有助于为不可手术患者赢得手术机会，促进术后保乳，而新辅助治疗后疗效评估可提供关于患者预后的关键信息，特别是对于TNBC或HER2阳性乳腺患者，其中，影像学评估作为疗效评估重要手段，为临床医生提供重要参考。
然而，在新辅助治疗后腋窝淋巴结缓解程度评估中，依据2021年发表在Radiogaphics上的研究结果，目前没有一种影像的方法可以非常精确地预测手术后腋窝淋巴结pCR的情况，若患者计划进行新辅助治疗，影像学评估将用于患者后续随访。随访结果显示患者对于新辅助治疗的反应较好时，可以采用局限腋窝淋巴结切除；若患者对新辅助治疗反应不佳，则需要进行腋窝淋巴结的清扫。相信在未来，随着科技发展，在AI算法、深度学习的协助下疗效预测可逐步精确。
刘春玲教授
武汉大学中南医院徐丽莹教授细致介绍6个病例后，总结了乳腺的结构性扭曲(AD)特点。AD表现为腺体区域收敛与边界收缩，是乳腺恶性肿瘤中第三种最常见的影像学征象，难以发现与处理。在临床中，AD被划为为BI-RADS 4级，可能是良性病变包括间质纤维化、硬化性信号传导病、脂肪坏死、慢性炎症，高危病变包括放射状瘢痕、非典型小叶/导管增生不全或恶性病变，包括导管原位癌(DCIS)、浸润性导管癌(IDC)、浸润性小叶癌(IDC)。因此，有时需要行手术活检以明确其性质。而应用数字乳腺体层合成(DBT)、CESM和MRI，能够改善二维乳腺X线影想并显露通过超声难以发现的结构扭曲，助力患者减少手术活检。
徐丽莹教授
浙江大学医学院附属邵逸夫医院何杰医师阐述了自己以解决临床问题为导向的“邵医”经验。在临床中，乳腺MRI检查存在非同质化、影像参数不一致等问题限制了影像科医生精确诊断。基于此，邵医开展乳腺MRI(3+2)方案，既解决了临床问题，又兼顾实用性和经济性，其中DCE-MRI的作用包括：①发现病变，评估病变良恶性，并确定范围。②利用乳腺MRI拟定乳腺癌手术计划。③利用乳腺MRI评估是否有皮肤等周围组织的侵犯。目前的研究表明DCE-MRI图像是最敏感的序列，它可以敏感地发现乳腺癌，评估病变良恶性，因此，医生应首先看DCE磁共振图像，尤其是前两期的图像，超快DCE-MRI是一种在保持合理空间分辨率的前提下，能以高时间分辨率捕捉到增强后早期动力学信息的新方法。DWI序列是诊断乳腺良恶性病变特异性最高的序列，但传统DWI图像易产生点状的畸变和伪影，使用RESOLVE DWI或者是小视野DWI可以得到清晰的伪影较少的图像。会议期间，激烈的学术火花碰撞为我国乳腺疾病MRI诊断提供了新视野、新思考。
何杰医师
小结
MRI等影像学检查是乳腺癌诊断的基石性手段，贯穿筛查、诊断、治疗反应评估、随访等全程管理的关键环节，钆布醇(加乐显?)及钆喷酸葡胺(马根维显?)等磁共振对比剂为乳腺磁共振增强扫描提供了有力武器。乳腺疾病影像学诊断AI系统领域正在快速发展，为我们更好地从影像中获取临床价值、重塑诊疗格局带来了前所未有的契机。实现这一愿景的道路是曲折的，很多技术、验证、成本、监管、伦理、法律问题仍有待解决。前路漫漫，未来可期!
参考文献：
[1]Latest global cancer data: Cancer burden rises to 19.3 million new cases and 10.0 million cancer deaths in 2020. Retrieved Dec 16, 2020.
[2]Hickman SE, et al. Br J Cancer，2021，125(1):15-22.
[3]Kapoor N, et al. J Am Coll Radiol，2020，17(11):1363-1370.
[4]Verburg E, et al. Radiology，2022，302(1):29-36.
[5]Jing X, et al. Eur Radiol，2022，32(12):8706-8715.
[6] almi? MU, et al. Invest Radiol，2019，54(6):325-332.
[7]Truhn D, et al. Radiology，2019，290(2):290-297.
[8]Daimiel Naranjo I,et al. Diagnostics (Basel)，2021，11(6):919.
[9]Leithner D, et al. Breast Cancer Res，2019，21(1):106.
[10]Leithner D, et al. J Clin Med，2020，9(6):1853.
[11]Bismeijer T, et al. Radiology，2020，296(2):277-287.
[12]Lo Gullo R, et al. Cancers (Basel)，2021，13(24):6273.
[13]Bitencourt AGV, et al. EBioMedicine，2020，61:103042.
[14]Umutlu L, et al. Cancers (Basel)，2022，14(7):1727.
[15]Li H, et al. Radiology，2016，281(2):382-391.
[16]Ha R, et al. J Magn Reson Imaging，2019，49(2):518-524.
[17]Fan M, et al. Radiology，2022，302(3):516-524.
[18]Portnoi T, et al. AJR Am J Roentgenol，2019，213(1):227-233.
[19]Saha A, et al. J Magn Reson Imaging，2019，50(2):456-464.
源网页 http://weixin.100md.com
返回 中国医学论坛报 返回首页 返回百拇医药