基于人工智能學習模型在結節性硬化癥相關腎血管平滑肌脂肪瘤診療中的研究

段永飛，高繼學，倪建鑫，嚴奉奇，郭佳恒，王東升

（1.延安大學醫學院，陜西 延安 716000；2.延安大學附屬醫院泌尿外科，陜西 延安 716000；3.西安市人民醫院泌尿腎臟病院，陜西 西安 710004；4.空軍軍醫大學第二附屬醫院泌尿外科，陜西 西安 710038；5.西安醫學院臨床醫學院，陜西 西安 710021）

結節性硬化癥（tuberous sclerosis complex，TSC）是一種由TSC1 或TSC2 基因突變，導致mTOR 通路過度激活，從而促進多系統良性腫瘤生長的多系統遺傳病[1]。TSC 在腎臟多表現為腎血管平滑肌脂肪瘤（renal angiomyolipoma，RAML）[2]，雖然它是一種良性腫瘤，但隨著腫瘤體積的增加，破裂所導致的出血風險及動脈高壓等并發癥使其成為成年TSC 患者死亡的主要原因[3]。依維莫司作為一種mTOR 抑制劑，其可顯著減少RAML 的總體積。在2020 年《結節性硬化癥相關腎血管平滑肌脂肪瘤診療與管理專家共識》[4]中指出，mTOR 抑制劑將作為無癥狀且RAML直徑＞3 cm 的成年患者的首選治療方案。TSCRAML 患者需要長期持續隨訪，通過影像學監測腫瘤體積的變化及評估依維莫司的治療效果，三維成像可直觀立體的展現出腎臟及腫瘤解剖的特點，有效彌補了傳統二維成像的不足，并且還可精確評估腫瘤體積的變化，可很好的應用于TSC-RAML 的診斷及隨訪中。目前用于評估腎臟和腫瘤體積的三維處理軟件繁瑣、手動且耗時，較難于臨床開展，而智能分割技術的興起可更好地構建出器官三維模型，并且能夠自動、精確地分割腎臟和腫瘤，為患者提供更科學、更客觀的診療意見。本文就傳統三維重建技術的背景及發展現狀、智能化技術的興起及其在醫學領域的發展進行概述，了解其主要分支及基本原理，闡述智能化技分割技術輔助下所構建三維模型的特點及在TSC-RAML 診療中的應用及前景，以期為推動TSC-RAML 的診斷、隨訪及精準體積評估進入智能化時代提供參考。

1 傳統三維重建技術的背景及發展現狀

三維重建技術在醫療領域的應用可追溯到本世紀初，Hohne KH 等[5]于2001 年提出了可視化技術輔助三維重建人體器官的方法，自此臨床中相繼建立起各種數字化臟器的三維模型。三維重建在泌尿外科領域的應用起步較晚，我國學者在2012 年才首次提出了“數字腎”的概念[6]。此后，腎臟三維重建技術廣泛應用于腎結石、腎腫瘤、輸尿管疾病和膀胱疾病等各個領域。傳統的臟器三維重建需要借助三維重建軟件進行，如ProPlan CMF、Mimics、ANALYSIS 等[7]，并且需要對圖像進行手動分割、編輯、平滑、去除偽影等一系列處理，才能完成三維模型重建。這需要耗費醫生巨大的時間和精力，導致臨床醫生工作效率低下，醫療資源浪費。而隨著大數據的發展，低效率的臨床操作終將不能滿足數字化時代的需求。

2 智能化技術的興起及其在醫學領域的發展

AI 的首次提出可追溯到上世紀50 年代[8]，它是指利用計算機系統來實現人的智能、方法和行為的一種技術，可高效率的執行相關任務[9]。AI 目前廣泛應用于多個領域，近些年在醫學領域的應用具有巨大的突破[10]。尤其醫學影像學進入大數據發展時代，數據的大量生成也促使智能化技術的膨脹式發展，AI 則可以高效分析數據信息，代替人類從海量的數據中提取信息規律，整合轉化為智能化模型，從而完成影像的快速審核。AI 目前在腫瘤與非腫瘤疾病中均有廣泛應用，尤其是在腫瘤領域的應用，它可以幫助處理影像學數據，借助智能化分割技術，識別并重建腫瘤模型，動態監測腫瘤變化并對病變進行體積測量，輔助醫生做出精準的評估[11]，而腎腫瘤作為多發病，AI輔助腎腫瘤的診斷及應用將會有廣闊的發展空間。

3 智能化技術的分類及基本原理

基于AI 的智能化技術十分龐大，分類多樣，其中AI 的重要分支為機器學習（machine learning，ML)，其興起于上世紀80 年代[12]，注重于計算機的數據學習，運用不同的算法來分析數據，挖掘深層信息，構建出基礎模型，并以此做出正確的理解和判斷[13]，如通過數據自動分析并檢測出影像學中的病灶，對區域中的腫瘤進行算法分割等，在ML 中常利用到的編程算法有隨機森林（random forest，RF）、線性回歸、Logistic 回歸等[14]。雖然ML 在某些方面已取得較好的成績，但其目前還并未達到等同于人類的學習能力。深度學習（deep learning，DL）是ML 的新領域，也是它的一個重要子集，是指使用包含多個相互連接的人工神經元層的神經網絡在數據樣本中學習的模式[15]。與傳統ML 不同的是，傳統ML 只可以轉化處理一些原始的結構化數據，而DL 可以處理各類包括圖像、文本和聲音等在內的非結構化數據，并且不通過機械性的編程算法而專注于模擬人類大腦的機制進行數據的搜集、提取和分析[16]，在臨床的診療中極具優勢。DL 下有多種學習分割方法，其中卷積神經網絡（convolution neural networks，CNN）和U-Net 網絡是較為成熟的分割技術，在圖像分割算法中具有優勢，且二者均可以很好的運用于腎臟疾病的診療中。Niel O 等[17]研究表明，CNN 可高效完成圖像分割任務，并已成功用于腎臟疾病的診療中。Kim T 等[18]研究表明，U-Net 網絡在醫學圖像的分割任務中表現良好，可以實現腎臟腫瘤的精準分割。

基于DL 的常見分割方法有多層轉化結構，以CNN 分割技術為例，主要包括輸入層、卷積層、池化層和全連層[19]，這樣可以最大程度避免人為對數據的干預。DL 的基本原理是通過輸入層轉換、縮放一些基本數據并輸送至卷積層（核心層），本層主要完成各個部分數據特征的提取，其中每個卷積層都有數個卷積核，通過不斷的卷積獲得大量不同特征的數據，然后將數據輸入池化層，本層主要作用為精簡卷積數據，得到低分辨率的輸出數據，全連層的作用為分類輸出，位于池化層與輸出層之間，最終不同特征的數據經過輸出層得到最終的分類結果。

4 AI 輔助下學習模型的應用

4.1 輔助TSC-RAML 的診斷與鑒別診斷 TSCRAML 屬于臨床中難以鑒別的一類良性腫瘤，尤其是乏脂肪性RAML，通過傳統的影像表現難以與腎癌鑒別[20]，而二者的治療與預后完全不同，因此區分兩種實體腫瘤尤為關鍵。基于AI 的重建模型可輔助各類疾病的診斷，Mühlbauer J 等[21]研究發現，基于ML 的模型可提高腎腫瘤良惡性鑒別的效能。Feng Z等[22]基于DL 的學習模型對乏脂肪性RAML 與腎癌進行鑒別，表示模型的準確度、靈敏度和特異度分別可高達93.9%、87.8%和100.0%，可有效做出正確的鑒別診斷。Cui EM 等[23]研究證明，AI 輔助下的學習模型在乏脂肪性RAML 與腎癌的鑒別診斷中準確率及AUC 值均較高。除此之外，Lecun Y 等[24]研究顯示，基于AI 的智能化影像診斷可量化診斷經驗，通過智能化模型對影像數據的學習及分析，減少對人類知識儲備及臨床經驗的依賴，實現機器自主對診斷經驗的學習。因此，在AI 輔助下可提升對TSCRAML 的診斷準確性。

4.2 輔助評估TSC-RAML 體積的變化 TSC-RAML的體積大小及依維莫司治療前后的體積變化均關系著患者的后續診療及預后，有效評估TSC-RAML 體積至關重要。目前臨床中評估腫瘤體積變化的方法較多，常見的有測量腫瘤的最長直徑的變化來衡量腫瘤體積的大小及改變[25]，其次還可利用橢球體積公式（π/6×長×寬×高）來計算腫瘤體積變化的效果[26]，這都是傳統的采用肉眼觀察測量的方法，應用于臨床之中不夠精確，存在不可避免的誤差。若利用重建模型對腫瘤體積進行評估，可以提高腫瘤體積參數的準確性。基于AI 下的醫學影像分割技術如CNN、U-Net 網絡等可以很好的完成腫瘤的分割與重建，Lin Z 等[27]基于U-Net 網絡對腎腫瘤進行分割，證明腫瘤分割的準確性高，可實現腫瘤各個層面直徑及腫瘤體積的自動測量；Houshyar R 等[28]研究表明，CNN 能夠快速準確地分割腎臟和腎腫瘤，精確的描繪出腫瘤及腎臟邊界，將腎臟與相鄰器官分開，并自動進行數據測量，以編程方式提取腫瘤和腎臟體積。對于成分復雜、形狀多樣的TSC-RAML，若通過智能化分割技術進行模型重建，可獲得準確的腫瘤體積參數，為臨床診療做出指導。

5 智能化模型的優勢及特點

5.1 模型分割技術 高效化、精準化傳統的三維模型分割方法很多，常見的有閾值分割法、邊緣分割法、區域分割法等[29]，這些方法均受到硬件設備及數據的限制，分割時存在很多難點，如成像參數的差異會不可避免的形成偽影及噪聲，需要進行大量手工的處理；難以識別邊界信息弱的組織和器官，增加分割重建難度等；這將在分割效率及精度上均難以滿足臨床要求，而基于AI 的智能分割方法可避免這繁瑣費力的過程。Da CL 等[30]表明基于DL 的分割算法可以克服傳統分割技術的不足，在無需任何人工干預的情況下就完成對病變的準確分割。van Sloun R 等[31]研究顯示，基于U-net 模型的算法分割技術具有高分割性與高穩定性，可在短時間內實現高精度的腫瘤分割。由此看來，智能化分割技術具備高效、精準的特點，它僅僅需要借助特征學習和分層抽取等高效算法，依賴于客觀數據便可以自動、精準的分割腫瘤，獲得精準參數。

5.2 智能化重建 模型具有直觀性、可靠性，而人類的觀察依賴于視覺中物體的三維空間構象，不同人的三維空間想象能力不同，這對于醫生在認知中構建三維立體模型具有很大的挑戰，而智能化三維模型可以形象直觀的定位腫瘤位置及觀察腫瘤體積的大小，重建所得圖像可凸顯強烈的現實感，并且可以極大的優化成像效果，允許醫生可以對圖像進行多層次、多角度的觀察分析，從而減少對認知理解的依賴。Parkhomenko E 等[32]認為三維模型可極大的增加外科醫生對腎臟解剖的認知。而且與傳統的評估腫瘤體積方法相比，通過三維重建獲得的相關體積參數的可靠性也更高。von Rundstedt FC 等[33]在將重建所得模型與實體腫瘤進行比較時，二者的形狀及體積有較高的相似性。Hsiao CH 等[34]研究證明，基于DL 的腎臟分割算法，自動體積計算所得出的體積與實際值相比僅相差1.43%，提示智能化模型的準確程度較高。

6 總結

TSC-RAML 雖然是良性腫瘤，但離不開影像學的支持，隨著影像數據的急劇擴增，傳統的影像學技術并不能滿足于臨床的需求，AI 與醫學的不斷融合引領著智能化診療時代的來臨，且智能化分割技術的不斷發展也將使三維重建水平推向歷史頂峰。雖然基于AI 的各種技術尚未廣泛普及于臨床，但隨著更高質量的數據發展及醫療系統完善，相信AI 可使醫療領域完全進入智能時代。