首頁資訊人工智能賦能肺癌早期精準(zhǔn)診療：基于CT圖像的AI技術(shù)在肺癌診治中的應(yīng)用？如何輔助病理類型分類、指導(dǎo)治療決策？

人工智能賦能肺癌早期精準(zhǔn)診療：基于CT圖像的AI技術(shù)在肺癌診治中的應(yīng)用？如何輔助病理類型分類、指導(dǎo)治療決策？

來源：泰然健康網(wǎng) 時間：2025年07月10日 03:33

肺癌是全世界死亡率最高的癌癥，早期診斷和個性化治療對于提高其5年生存率至關(guān)重要。胸部計算機斷層掃描（computed tomography，CT）是肺癌篩查的重要工具，病理圖像是肺癌診斷的黃金標(biāo)準(zhǔn)。然而，這些圖像的評估需要耗費大量的人力，可能出現(xiàn)漏診、誤診。人工智能（artificial intelligence，AI）的快速發(fā)展為醫(yī)療模式帶來全新機遇，展示出在肺癌診斷和治療中的應(yīng)用潛力。

近日，四川大學(xué)華西醫(yī)院呼吸與危重癥醫(yī)學(xué)科王成弟教授團隊在Chinese Medical Journal Pulmonary and Critical Care Medicine中發(fā)表了題為“Novel tools for early diagnosis and precision treatment based on artificial intelligence”的綜述文章。本文總結(jié)了人工智能技術(shù)在肺癌診療領(lǐng)域的應(yīng)用現(xiàn)狀，基于CT圖像實現(xiàn)肺結(jié)節(jié)病灶檢測、良惡性分類和基因分子無創(chuàng)預(yù)測，基于病理圖像進行肺癌組織學(xué)分型、分子分型和預(yù)后評估，并總結(jié)了AI技術(shù)在臨床應(yīng)用面臨的諸多挑戰(zhàn)，推動人工智能技術(shù)的臨床轉(zhuǎn)化和實踐落地。

一、研究背景

低劑量計算機斷層掃描（low-dose computed tomography，LDCT）是肺癌篩查、診斷和監(jiān)測的有力工具，靈敏度高，但特異性有限。然而，不同級別醫(yī)師對影像的解釋存在較大的異質(zhì)性，難以確定病變的性質(zhì)。目前，病理學(xué)確診仍然是腫瘤診斷的金標(biāo)準(zhǔn)。病理切片的判讀是一項耗時且費力的工作，依賴于病理醫(yī)師的經(jīng)驗。臨床亟需自動化且高效準(zhǔn)確的智能工具，以實現(xiàn)肺癌的精確診療。

人工智能（artificial intelligence，AI）技術(shù)通過整合臨床表現(xiàn)、患者病史、影像學(xué)、數(shù)字病理和基因組學(xué)的數(shù)據(jù)，來預(yù)測患者護理的路徑，輔助治療決策。首個肺癌相關(guān)的計算機輔助診斷（computer-aided diagnosis，CAD）系統(tǒng)將X射線轉(zhuǎn)換為計算機可分析的定量特征，對肺癌病灶進行了檢測，為計算機輔助肺癌診斷開辟了道路。從那時起，AI在輔助肺癌檢測、診斷和預(yù)測方面開展了大量理論和實踐研究工作。

二、基于CT圖像的AI技術(shù)在肺癌診斷中的應(yīng)用

圖1 基于CT圖像的AI模型應(yīng)用于肺癌診療的臨床過程

1、肺結(jié)節(jié)病灶檢測

病灶的檢測是一項耗時繁瑣的工作，人工智能算法在肺結(jié)節(jié)檢測方面的有效性已經(jīng)得到充分驗證。2017年，Lung Nodule Analysis 16（LUNA16）挑戰(zhàn)賽從世界各地征集了結(jié)節(jié)檢測和分類算法。為了公平比較各種結(jié)節(jié)檢測和分類算法，該挑戰(zhàn)賽使用了最大的公開可用的Lung Image Database Consortium–Image Database Resource Initiative（LIDC-IDRI）數(shù)據(jù)集。性能領(lǐng)先的CAD系統(tǒng)名為Combined LUNA16，其采用CNN網(wǎng)絡(luò)，靈敏度達到了96.9%。該系統(tǒng)通過識別原始LIDC–IDRI注釋中遺漏的結(jié)節(jié)，更新了LIDC–IDRI的參考標(biāo)準(zhǔn)。

2、良惡性分類預(yù)測

LDCT和AI的強大結(jié)合顯著提高了肺結(jié)節(jié)檢測的效率。為了減少不必要的侵入性程序，確定結(jié)節(jié)的惡性程度至關(guān)重要，盡管目前已有一些非侵入性分層模型，如肺部影像報告與數(shù)據(jù)系統(tǒng)（Lung-RADS）、PanCan模型和Mayo Clinic模型，這些模型依賴于手動提取結(jié)節(jié)的影像學(xué)定性特征，如是否存在毛刺、結(jié)節(jié)位置和直徑大小。

Google AI團隊率先開創(chuàng)了基于CT圖像的端到端深度學(xué)習(xí)模型，用于預(yù)測國家肺部篩查試驗（NLST）隊列中肺結(jié)節(jié)的惡性概率，曲線下面積（AUC）達到94.4%，相較于臨床專家，靈敏度提高了5.2%，特異度提高了11.6%。肺癌預(yù)測-卷積神經(jīng)網(wǎng)絡(luò)（LCP-CNN）利用NLST數(shù)據(jù)集中性質(zhì)難以明確的肺結(jié)節(jié)（IPNs）CT圖像進行建模，在內(nèi)部驗證隊列上取得了優(yōu)越的性能（AUC:92.1%），相對于已在臨床驗證的風(fēng)險模型（Brock和Mayo），其風(fēng)險分層性能更佳。它在外部驗證5-15毫米肺結(jié)節(jié)數(shù)據(jù)集中預(yù)測惡性肺結(jié)節(jié)的性能優(yōu)于Brock模型（AUC：89.6% vs. 86.8%）。歐洲研究人員開發(fā)了用于LDCT檢測的肺結(jié)節(jié)惡性風(fēng)險評估的深度學(xué)習(xí)算法，該算法在不同的篩查人群之間具有普適性，并且算法性能與臨床醫(yī)生相當(dāng)。基于移動CT的肺癌篩查AI輔助診斷系統(tǒng)成功應(yīng)用于中國西部資源有限地區(qū)的社區(qū)隊列。該系統(tǒng)實現(xiàn)了肺結(jié)節(jié)的自動定位、風(fēng)險分層和全程智慧管理。

3、亞型分類預(yù)測

對于已被診斷為惡性的結(jié)節(jié)，需要進行進一步精細的診斷分類，以明確病理亞型和階段，以便進行適當(dāng)?shù)闹委煛８鞣N組織學(xué)亞型如肺腺癌（LUAD）和肺鱗狀細胞癌（LUSC）展現(xiàn)出不同的生長和治療模式。有研究發(fā)現(xiàn)，多個影像特征與腫瘤病理分類（LUAD和LUSC）相關(guān)。特征降維后，構(gòu)建的貝葉斯分類器在區(qū)分病理類型性能方面表現(xiàn)最佳。然而，基于PET/CT圖像的臨床特征和放射學(xué)特征，邏輯回歸模型在區(qū)分LUAD和LUSC方面勝過其他機器學(xué)習(xí)分類器。此外，一個臨床-生物-放射學(xué)模型在驗證集中區(qū)分LUAD和LUSC的AUC為90.1%。根據(jù)最新的WHO分類，LUAD被分為原位腺癌（AIS）、微浸潤腺癌（MIA）和浸潤性腺癌（IAC）。深度學(xué)習(xí)使得能夠在沒有侵入性手術(shù)和活檢的情況下分類LUAD亞型成為可能。

三、基于CT圖像的AI技術(shù)在肺癌治療中的應(yīng)用

1、基因分子無創(chuàng)預(yù)測

隨著靶向治療和免疫治療的發(fā)展，肺癌的治療已經(jīng)進入了精準(zhǔn)醫(yī)學(xué)的時代。明確基因突變和分子表達狀態(tài)是確定治療選擇的關(guān)鍵步驟。然而，目前用于基因檢測的聚合酶鏈反應(yīng)（PCR）和下一代測序（NGS），以及用于分子檢測的免疫組織化學(xué)（IHC），需要獲取組織，這一過程是有創(chuàng)的，且價格相對昂貴。然而，放射基因組學(xué)的引入有助于分析微觀分子與宏觀影像特征之間的聯(lián)系，以非侵入性方式預(yù)測分子狀態(tài)。

2、治療效果評估

肺癌的標(biāo)準(zhǔn)治療包括手術(shù)、化療、放療、靶向治療和免疫療法。人工智能技術(shù)被廣泛應(yīng)用于篩選治療受益人群并預(yù)測臨床結(jié)果。外科患者的預(yù)后差異很大，而人工智能提供了一種新穎的預(yù)后評估方式?；谛g(shù)前PET/CT特征和臨床特征的Cox模型可以有效預(yù)測接受手術(shù)治療的非小細胞肺癌患者的無病生存期（DFS）。

3、生存預(yù)后預(yù)測

肺癌患者的預(yù)后受到多種復(fù)雜因素的影響，而影像特征已成為一種非侵入性的生物標(biāo)志物。影像組學(xué)可以提取肺癌患者的CT圖像中的定量影像特征來預(yù)測預(yù)后。此外，深度學(xué)習(xí)網(wǎng)絡(luò)可以從接受放療治療的患者的CT圖像中提取預(yù)后特征，以實現(xiàn)對術(shù)后患者的預(yù)后預(yù)測。這些模型將患者分為低風(fēng)險組和高風(fēng)險組，以指導(dǎo)下一步治療。模型生成的激活映射熱圖可以顯示出CT圖像中腫瘤內(nèi)外區(qū)域?qū)︻A(yù)后特征的貢獻，表明了影像特征在患者預(yù)后風(fēng)險分層中的重要性。

四、人工智能在組織病理學(xué)圖像中的應(yīng)用

圖2 基于組織學(xué)圖像的AI模型在肺癌分類和預(yù)后中的應(yīng)用

1、輔助病理類型分類

LUAD和LUSC在起源上存在差異，具有明顯的病理特征和治療方式。病理學(xué)家通常需要通過視覺判斷進行分類，而人工智能模型已經(jīng)成為有力的輔助工具?；贗nception-V3的深度卷積神經(jīng)網(wǎng)絡(luò)被用于將WSI分類為LUAD、LUSC和正常組織，其AUC為97%，其性能接近病理醫(yī)生的水平。同時，另一個深度神經(jīng)網(wǎng)絡(luò)被創(chuàng)新性地用于預(yù)測腺癌中常見基因的突變狀態(tài)，最終成功預(yù)測其中6個基因的表達情況（AUC:73.3%–85.6%）。

2、指導(dǎo)治療決策

AI方法被用于識別患者預(yù)后相關(guān)的病理圖像特征，并指導(dǎo)治療決策。通過機器學(xué)習(xí)方法，研究者從2186例LUAD和LUSC患者的WSI中自動提取了9879個定量圖像特征，用于預(yù)測非小細胞肺癌的預(yù)后。該方法在測試集中在區(qū)分低風(fēng)險、高風(fēng)險組方面表現(xiàn)出色（P<0.05）。最近，基于弱監(jiān)督學(xué)習(xí)的CNN模型從蘇木精-伊紅染色（H&E）圖片中提取的圖像特征在單變量和多因素分析中展示出與肺癌的預(yù)后顯著相關(guān)。

五、挑戰(zhàn)和機遇

盡管目前用于醫(yī)療圖像預(yù)測任務(wù)的人工智能蓬勃發(fā)展，但仍面臨一些挑戰(zhàn)。然而，這些挑戰(zhàn)也是在科學(xué)研究和臨床應(yīng)用之間架起橋梁的機會。最大的挑戰(zhàn)在于收集和注釋用于模型訓(xùn)練、驗證和測試的標(biāo)準(zhǔn)化數(shù)據(jù)。例如，不同的機構(gòu)、不同的CT掃描儀和不同的重建方法會影響CT圖像的質(zhì)量。因此，需要統(tǒng)一的采集系數(shù)來減少圖像獲取的異質(zhì)性。先進的分布式AI算法，如群體學(xué)習(xí)和聯(lián)邦學(xué)習(xí)，通過共享訓(xùn)練參數(shù)和權(quán)重實現(xiàn)了與在合并數(shù)據(jù)集上訓(xùn)練的模型相媲美的性能，有望支持開展多中心研究。

六、結(jié)論

總的來說，人工智能在肺癌精準(zhǔn)診斷和治療領(lǐng)域的應(yīng)用潛力巨大?；诜派鋵W(xué)圖像的影像組學(xué)和深度學(xué)習(xí)模型是肺癌篩查、無創(chuàng)診斷和個性化治療的有效工具。同時，基于數(shù)字病理圖像的人工智能技術(shù)能夠?qū)崿F(xiàn)肺癌亞型診斷和治療決策，提高醫(yī)生的工作效率。AI技術(shù)有望持續(xù)賦能疾病精準(zhǔn)診療和患者個體化管理，推動癌癥診治進入精準(zhǔn)醫(yī)學(xué)時代。

How to cite: Jun Shao, Jiaming Feng, Jingwei Li, Shufan Liang, Weimin Li, Chengdi Wang. Novel tools for early diagnosis and precision treatment based on artificial intelligence. Chin Med J Pulm Crit Care Med. 2023;3:148-160. doi: 10.1016/j.pccm.2023.05.001.

通信作者

王成弟教授

四川大學(xué)華西醫(yī)院呼吸與危重癥醫(yī)學(xué)科；研究員、博士生導(dǎo)師。專業(yè)特長：呼吸系統(tǒng)常見病及疑難危重癥疾?。谎芯糠较颍悍伟?、肺部感染性疾病的基礎(chǔ)與臨床；主持國家級青年人才項目和多項國家自然科學(xué)基金項目；獲得國家科技進步獎二等獎、四川省科技進步獎一等獎。

第一作者