2024影像组学与深度学习在肾癌精准诊疗中的研究进展（全文）.docx

《2024影像组学与深度学习在肾癌精准诊疗中的研究进展（全文）.docx》由会员分享，可在线阅读，更多相关《2024影像组学与深度学习在肾癌精准诊疗中的研究进展（全文）.docx（8页珍藏版）》请在优知文库上搜索。

1、2024影像组学与深度学习在肾癌精准诊疗中的研究进展(全文)肾癌是泌尿系统中常见的恶性肿瘤之一,近年来,随着诊断技术的提高越来越多的肾癌可被早期发现。传统影像技术对肾癌定性定效分析有限,有创穿刺活检因肿痛的异质性不能表征整个肿瘤。随着人工智能时代的到来,深度学习和影像组学可以挖掘肉眼难以发现的影像学特征,从而分析肿瘤整体的异质性,指导临床诊疗和预后评估。本文将针对深度学习与影像组学技术进行概述,对近年来深度学习技术及影像组学方法在肾癌诊疗中的应用进行总结,以期为肾癌患者的临床诊疗方案提供最新依据C肾癌是泌尿系统中常见恶性肿瘤之一，占所育癌症的3%l-2.随若影像技术的进步和社会生活水平的提高，

2、肾癌的诊断率正逐年增长2020年，全球约有431288例肾癌新发病例3。影像学检杳在肾癌的诊断、疗效评价及预后预测等方面均发挥重要作用。传统电子计算机断层扫描(computedtomography,CT)、磁共振成像(magneticresonanceimaging,MRI)等检查可显示肿瘤的形态学特征，如部位、大小、密度或信号特点及强化程度等，但诊断灵敏度和特异度有限，椎以将嗜酸细胞痛、乏脂性肾错构病与肾癌相鉴别4。病理分级和TNM分期是肾粕预后的重要预测因素，不同影像学研究结果间存在争议5-6。此外，CT和MRI对肾癌局部浸涧(pT3期)的鉴别能力有限7。肾癌诊断的金标准为穿刺活检和肿痴切

3、除术后的组织病理学分析，为患者预后提供重要信息。组织病理标本的获取为侵入性方法，旦由于肿瘤的异质性，活检不能表征肿瘤的整体情况，有低估肿痢病理分级的风险8。随着人工智能的发展，深度学习与影像组学已经广浅应用于肿痂的预测评估。影像蛆学能够考虑整个肿痛区域，从而更好地表征肿痫异质性9。通过挖掘CT和MRl等影像图像的高通质信息，利用深度学习构建准确、可重复性的预测模型，可实现术前对肾癌患者诊断、蛆织学分型、病理分级、疗效的评估及生存预测，有助于制定个体化诊疗方案。本文将从影像蛆学与深度学习及其在肾癌中的应用进行综述，以期为肾癌的临床诊疗策略提供依据。1 .影像组学2012年荷兰学者1.AMBlNn

4、0提出影像组学概念一共借助计售机从医学影像中挖掘高通址影像学特征，使用统计学或机器学习等方法，筛选出最彳丁价值的影像组学特征，进而与病变特征关联，构建预测模型，力助于治疗决策11。早期的影像组学研究主要集中在肿瘤相关方面，包括肿病组织定性研究、分级分期、基因分析等。随着学科发展，影像组学应用愈加广泛，延展至病情预后、疗效评估以及疾病中功能脑区或核团微观变化等。随着人工智能时代的到来，基于影像组学的精准诊疗决策辅助系统方望成为现代医学的重要工具C影像组学分析的主要流程为图像获取与预处理、图像分制、特征提取与筛选、模型建立与评估等。根据临床问题确定研究对象，从医院系统或在线数据库中获取DlCoM格

5、式的医学影像图像，将获取的图像通过一系列预处理保持其一致性，对预处理图像进行感兴趣区域(regionofinterest,ROI)分割。根据研究目的，Rol可以是病变蛆织也可以是正常组织。分割过程可以为影像专家使用软件手动完成，也可以通过分割软件自动完成。接卜来运用统计学软件从ROI中提取影像组学特征，这些特征具彳丁数据高维度性、可定量分析性等特点。其包括形态学特征、一阶灰度直方图特征、二阶或高阶纹理特征及基于滤波和变换的其他特征。特征提取后会产生数十到数千个特征，形成高维度空间。特征数目越多，分类模型计算的复杂程度就越大C此外，有些特征无实际意义或特征之间高度相关导致模型过拟合。因此，需要进

6、对重显性差、冗余或不相关的特征进行筛选排除。最后运用多种机器学习算法构建并选择性能最佳的预测模型，分类模型包括随机森林、支持向啾机、决策树等。2 .深度学习深度学习(deepIeaming,D1.)的提出源于人工神经网络的概念，是人工智能领域重要分支，主要通过多层神经网络自动学习样本数据的内在规律，从而实现各种任务的算法集合12。深度学习网络包括卷积神经网络(convolutionalneuralnetwork,CNN)、循环神经网络(recurrentneuralnetwork,RNN)及生成对抗神经网络(generativeadversarialnetwork,GAN)0其中，CNN因其常

7、用于分类和计算机视觉任务，在医学领域的应用最为广泛。CNN的基本运克单元包括卷积层、激活函数层、池化层和全连接层。网络层数越多，CNN提取的特征越丰富，模型准确性越高C但持续增加网络深度，可能出现梯度爆炸或衰减现象，性能反而下降。因此，在CNN的基础上，残差网络TeSidUalnetwork,RcsNet)通过引入卷积层之间残差的概念，实现在提高模型训练深度的同时不增加计算的复杂度13。目前，基于深度学习的理论已被应用于肿痛领域的各个方面，如肿病自动分割、口恶性肿痼鉴别、分级或分期预测、术后豆发和生存预测及识别生物标志物状态、遗传学改变等。3 .深度学习与影像组学在肾癌诊疗中的应用3.1 肾脏

8、肿瘤的自动分割目前多数研究采取手动或半自动分割方式。然而，对于大样本研究，手动分割耗时耗力，且准确性易受到操作者差异和操作者经验的影响C因此，基于深度学习的自动分割模型应运而生，其分割性能和效率大大提升。随若人工智能算法的进步，深度卷积神经网络(deepconvolutionalneuralnetwork,DCNN)成功应用于肿瘤图像分例，特别是基于3DU-Net的DCNN被证实是自动分割影像的一种非常有效的方法。2019年开展的肾脏及肾肿痛分割挑战赛(KiTSl9s),获胜团队采用了一个简单的U-Net架构对300例CT图像中肾脏肿痛进行分割,其戴斯相关系数(DiCeSimiIarityCO

9、effiCient,DSC)为085114余苔痕15在3DU-Net的基础上结合了残差网络(residualnetwork,Res-Net)的概念，构建了一种3D-Res-UNet架构模型用于肾脏肿瘤的H动分割，其DSC为0.814RAO等16构建r一种UNet-PWP架构模型，结果优于KiTs19数据库构建的DeeP1.abV3+模型,在训练集和测试集中的准确率均达97.01%。目前，肿瘤分割以2D分割为主，但考虑到肿瘤内部的异质性，未来还需要基于3DU-Net进一步优化DCNN研发自动的、可重复性高的肾脏肿瘤分割技术。3.2 肾癌与肾脏良性肿瘤鉴别术前鉴别诊断肾癌对临床治疗具有意义，因不同

10、的肾脏肿瘤具有不同的生物学行为，其治疗和预后方式均不同C目前，研究者逐渐将深度学习应用于肾癌的鉴别诊断中。Klontzas等17采用基于CT的迁移学习，构建InCePtiOnV3、InCePtion-ReSNetV2、VGG-16三种CNN模型以鉴别肾脏恶性和良性肿瘤。结果显示，InCCPtiOn-ReSNetV2的受试者操作特征曲线F面积(areaundercurve,AUC)最高，为0.918。NlKPANAH等18基于多相MRI构建了深度学习模型以鉴别203例肾透明细胞癌(ClCarcellrenalcellCarCinoma,ccRCC)和40例肾嗜酸细胞瘤，采用数据增强技术和相对浅层

11、的CNN模型-AlCXNet,其准确率达91%。PEDERSEN等19学者共收集369例肾细胞癌和肾嗜酸细胞病患者，采用ResNet50V2修订版CNN模型对其进行鉴别，结果显示模型独汇验证集的AUC为0.973,准确率为93.3%,特异度为93.5%o一项多中心研究采用了ResNct对1162例肾脏良恶性肿痛进行区分，结果显示其具有与专家和影像组学模型相当的准确度、灵敏度和特异度20。BAGHDADI等21构建r一种基于CNN的半自动化框架，用于区分CDl17(+)的肾嗜酸细胞痴和恶性肾嫌色细胞癌，可以有效避免诊断性切除的需要,3.3 肾癌组织学亚型鉴别不同组织学类型的肾癌具有不同的生物学行

12、为和预后，其中CCRCC最常见，恶性程度高，易复发转移。术前准确预测患者的组织学亚型对临床治疗决策具有重婴意义。TENG等22进行了一个小样本研究，利用CNN对乳头状肾细胞癌和嫌色肾细胞瘠进行鉴别，结果显示，最佳模型的准确度为96.86%,灵敏度为96.38%。HAN等23学者收集了169例肾癌患者临床资料，利用基于CT的深度学习神经网络对透明细胞癌、乳头状细胞痼和嫌色细胞癌进行鉴别，准确率为85%。目前对于肾癌蛆织学亚型鉴别的研究多集中于机器学习，未来还需要探索更多深度学习模型，提高预测的准确性。3.4 预测肾癌病理分级病理分级是反应肿瘤侵袭性的一个重要指标尽管穿刺活检可以获得肿瘤的病理分级

13、，但由于肿痛内部的异质性和穿剌的同部性，可能导致活检结果与术后病理分级不一致。CHEN等24基于深度学习构建了VB-MrFo-Net对ccRCC的分级进行预测,AUC为0.7460.782YANG等25纳入了759例患者，采用不同的方法优化深度学习模型预测CCRCC的病理分级，最佳模型的准确度、灵敏度、特异度和AUC分别为82.3%,89.4%,83.2%和85.7%。XU等26纳入706例经病理证实CCRCC患者，开发和验证了基于深度学习的分级模型，集成模型的AUC为0864,显示出较好的预测效能。ZHAO等27基于MRI构建残差神经网络结构的深度学习模型，并利用Bagging分类算法融合M

14、RI深度学习模型和临床变量模型构建整合模型来预测低分期肾痣的Fuhrman分级，模型在验证集中的Fl分数为080,准确度为0.88,灵敏度为0.89,特异度为0.88,AUC为0.91。3.5 肾癌预后预测准确判断肿瘤分期对RCC个体化治疗决策和预后预测具有重要指导意义。美国癌症联合会（AmCriCanJointCommitteeonCanCer,AJCQ制定的TNM分期是目前最沽用的分期系统，I、11期RCe患者的预后较好28。Demirjian等29构建的c影像组学模型可以有效区分低分期（iu期）和高分期（mIV期）ccRCC.肾脏包膜是否受侵是T2和T3期RCC的一个重要鉴别指标，是肿痛

15、播散的早期征象，反映肿病的侵袭性，与肾将预后相关。YANG等30构建的CT影像组学模型预测RCC的肾脏包膜受侵，结果显示，基于CT的影像组学与肾脏包膜受侵存在强相关性，皮物质期的预测模型性能最佳。对于肾旃预后预测的影像组学研究也有很多。NlE等31开发并触证了基于CT的深度学习影像组学模型，结果显示，模型在预测局限性ccRCC患者的无进展生存期（ProgreSSionfreeSUrViVaI,PFS)方面优于SSIGN评分。WANG等32基于放射组学、转录组学结合深度学习开发了一个多蛆学模型，结果显示，在预测CCRCC患者PFS和总生存期(OVCrausurvival,OS)上具有双好的预测效

16、能。3.6 疗效评估近年来，靶向和免疫治疗已广泛应用于转移性肾癌患者。预测网向及免疫治疗的疗效有助于个体化治疗决策，提高患者生存时间、减轻患者的经济负担。在临床实践中，影像学检杳常用于评估治疗反应和疗效。然而，对于转移性RCC患者，治疗反应评估尤为豆杂。仅凭肿瘤大小评估可能导致影像学假1itt展，进而引发患者过度治疗。因此，利用影像组学特征来评估治疗反应和预测疗效具有重要的临床意义。KHENE等33利用k近邻、随机森林(randomforest,RF)支持向量机(SUPPOrtVeCtormachine,SVM)及逻辑回归等方法构建了CT影像组学模型，以预测转移性RCC患者接受纳武单抗治疗的效果。模型准确度他圉为0.71-0.91,AUC为0.670.92其中,RF模型准确度最低，逻辑回归模型准确度最高。此外，H