eGastroenterology：人工智能在肝细胞癌诊断中的应用

随着ChatGPT的横空出世，人工智能（artificial intelligence, AI）再度引起大家的广泛关注，为此来自新加坡国立大学的研究人员在eGastroenterology上发表了题为“Application of artificial intelligence in the diagnosis of hepatocellular carcinoma”的综述，为大家详细介绍AI在肝细胞癌（hepatocellular carcinoma, HCC）诊断中的应用。

HCC是导致全球癌症相关死亡的主要原因，巴塞罗那分期（Barcelona Classification of Liver Cancer, BCLC）主要基于肿瘤特征和肝功能指标来辅助决策，但HCC往往在中期或晚期仍未被发现，从而限制了治疗方案和患者预后。及时和准确的诊断方法对于实施根治性治疗和提高患者预后至关重要。人工智能，特别是深度学习和神经网络模型，在目前放射学检测HCC方面显示出巨大前景。AI在HCC诊断方面具有多种优势，包括减少诊断的异质性、优化数据分析以及重新分配医疗资源。基于AI的放射诊断的进步对于改善HCC的早期检测、治疗选择和患者预后具有重大潜力。

肝细胞癌（hepatocellular carcinoma, HCC）是全球主要癌症之一，并且全球范围的HCC发病率呈上升趋势。HCC的病因独特，可通过手术切除、射频消融和肝移植等方法进行治疗，癌症早期患者有可能治愈。目前，最广泛接受的HCC分类是巴塞罗那肝癌分期标准（Barcelona Classification of Liver Cancer, BCLC），该标准基于结节的数量和大小来描述HCC，并由次要参数如肝功能指标作为辅助。但HCC的症状通常仅在中期或晚期出现，治疗方法有限且疗效不佳。因此，及时和准确的诊断方法对疾病的治疗和预后至关重要。目前的一线诊断方法包括：生化检查（甲胎蛋白）和成像技术（肝脏超声）等。近年来，人工智能（artificial intelligence, AI）的最新进展开启了与现有诊断工具结合的新应用。其中经过优化的深度学习（deep learning, DL）和神经网络模型在诊断疾病方面与医生具有可比性，甚至在某些情况下取得了更好的结果。AI模型已被纳入HCC的放射学和组织学检测中。本文将讨论AI在HCC放射诊断方面的最新进展，以期为AI在HCC诊断方面的应用提供更清晰的概述。

图 1 人工智能相关的定义命名的概述

图注：定义基于国际商业机器公司（IBM）公司,对神经网络的不同组成部分进行了颜色编码；红色圆圈表示输入层，黄色圆圈表示隐藏层，绿色圆圈表示输出层。AI, artificial intelligence, 代表人工智能; ML, machine learning, 代表机器学习; ANN, artificial neural network, 代表人工神经网络; CNN, convolutional neural network, 代表卷积神经网络。

人工智能是指涉及制造用于解决问题的智能机器的科学或工程（见图1）。人工智能涵盖了广泛的概念，旨在使计算机能够理解人类智能，但并不局限于生物学的观察。深度学习和机器学习是人工智能的子领域，深度学习模型与机器学习模型的区别在于其模式识别方法。经典机器学习模型依赖于监督学习，其中操作员手动确定对图像进行分类所需的相关特征，而深度学习模型可以使用有标签和无标签的数据集进行训练。而人工神经网络（artificial neural networks, ANNs）是机器学习的一种应用，旨在通过模拟生物神经元相互传递信号的方式模仿人类模式识别行为。虽然深度学习被认为是机器学习的一个子集，但其无监督学习的能力可以应用于人工神经网络，因此也可以被认为是人工神经网络的子集。

AI对HCC诊疗的作用

人工智能对HCC的诊疗方面优势显著，主要包括：减少诊断的异质性、重新分配医疗资源和优化数据分析。首先，由于放射学诊断的非侵入性，其仍然是HCC诊断的首选方法，但由于放射科医生的经验、患者个体差异和工作流程可变性等因素，它的结果存在很大的异质性。而人工智能的实证分析能够对图像进行客观的解释，而其非生物性质有助于确保分析的一致性，避免了医生经验、患者个体差异等复杂因素的干扰。其次，人工智能在成像中的第二个作用是重新分配医疗资源。人工智能的非生物学特性确保了对患者数据的一致、实证分析，研究表明，人工智能对HCC的诊断能力显著高于非放射科医生。最后是优化数据分析，医疗保健信息系统的整合为临床医生提供了非常全面的患者信息，从而能够进行更准确和特异的诊断。然而，这种信息数量的增加也需要最佳的集成，从而确保最佳的回报。比如，Kim等人研究了一组关于HCC疾病的信息收集框架，包括：患者病史（如乙型肝炎和肝硬化）、患者特征（如年龄和性别）、诊疗过程、成像数据和实验室指标，以生成慢性肝炎患者发生HCC的风险评分[1]。

影像组学是一个新兴领域，涉及使用AI模型提取定量特征并对放射学图像进行分析。本文将训练影像组学模型的流程概括为五个步骤：图像申请和预处理、分割、特征提取、模型训练和模型验证。其中图像申请涉及选择成像数据并确定训练AI模型时可能引发差异的特征。重要的是，制定图像申请协议需要在标准化（以减少噪声和混淆因素）和变异性（以确保模型在临床环境中的通用性）之间取得平衡。

然后，将成像数据分割为重点关注区，勾勒出肿瘤及其周围区域并将其输入选定的人工智能模型中以进行特征提取，随后通过验证数据集（通常从原始数据的子集中获得）进行准确性、复杂性和效率的改进，对模型进行细化。最后，在“盲”训练数据集上测试模型以确定其性能。目前在HCC中开发的影像组学模型可用于超声、CT和MRI。以下部分将探讨AI模型在各种成像技术中应用。

超声

由于其非侵入性以及不存在辐射或对比剂暴露的风险，肝脏超声一直是HCC筛查的标准放射学方法。然而，超声在检测HCC方面的实用性越来越受到质疑，尤其是对于早期HCC，其性能欠佳，且很大程度依赖检查者的操作熟练度。尽管超声检测HCC的总体敏感性为84%左右，但超声对早期HCC的敏感性很低，约为48%。这种差异很可能是因为大多数HCC患者伴有肝硬化、脂肪肝、肝纤维化等混杂的并发症，掩盖了肝脏早期结节的存在，导致肝脏超声对早期HCC诊断的敏感性下降。目前，已有相关研究开发了神经网络模型突显了AI系统在肝脏超声中的诊断潜力，经测试，AI模型的真实检出率明显高于临床医生。

CT

CT作为HCC的主要监测方法，尤其适用于检测异型增生性病变和早期HCC。目前指南推荐使用多期CT与细胞外对比剂作为诊断和分期HCC的首要方法。关于使用CT成像作为监测期间发现的肝脏病变初步诊断工具的研究结果表明，CT成像对HCC的检测仍有很大的优化空间，而使用AI系统可以规范使用CT成像的HCC的诊断和分层。

MRI

肝脏MRI是诊断和分类HCC的另一种成像工具。MRI的优点包括：对整个肝脏进行高质量成像，通过对比剂实现HCC的检测和分类，没有电离辐射，这使得其常规使用更加安全。MRI还显示了在检测小HCC结节方面比CT更具优势。目前的人工智能模型已经显示出通过提取MRI特征来区分常见的肝脏病变，如HCC、血管瘤和转移性肿瘤。尽管相关研究有限，但当前的研究结果表明人工智能系统在解释MRI方面具有潜力。但卷积神经网络(convolutional neural network, CNN)的表现也与病变分级系统直接相关，病变显示的影像学特征越不典型，其准确性越低。这也提示了机器学习系统的潜在缺陷，因为其严格的算法缺乏灵活性，难以持续识别不典型的病变。

其他辅助诊断检查

除了直接帮助解释放射图像以诊断HCC外，还出现了其他一些方法，以帮助监测和分类HCC。其中一个例子是开发用于风险评分预测的集成ML模型。Kim等学者近期开发了一种模型，旨在预测韩国和白种人乙型肝炎患者发生HCC的风险。该ML模型的参数按重要性顺序为：是否存在肝硬化、年龄、血小板计数、抗病毒药物的使用、性别、血清丙氨酸氨基转移酶水平、基线血清HBV DNA水平、血清白蛋白和胆红素水平以及乙型肝炎e抗原（HBeAg）状态。该模型在韩国人和白人队列中分别实现了C-index为0.79和0.81，并强调了AI模型在整合患者参数和进行HCC风险分层中的潜力。

AI现存挑战及未来方向

近期人工智能模型在主流应用中的蓬勃发展增加了人们对其在医疗保健领域应用的关注。然而，尽管硬件和软件能力不断得到改进，但仍有一些挑战尚未解决。首先，是关于AI研究设计的标准化。由于机器学习和神经网络模型在医疗保健领域的管理规定有限，目前关于其在实际患者环境中的疗效的数据很少，关于人工智能在大型HCC放射组学中的可行性和标准化方法方面尚无共识，也没有如何报告或解释结果的相关标准化方法。为促进人工智能工具在临床实践中的安全使用，需要对人工智能的质量评估工具和指南标准化。尽管已经存在许多评估人工智能系统性能的研究，但其中绝大多数都是回顾性的，前瞻性证据仍然有限。

另一个挑战是数据集的质量评估。适当训练和验证机器学习模型对于确保准确性至关重要。目前，大多数关于人工智能在HCC诊断中应用的研究都集中在通过增加参数和优化模型本身来提高模型的质量。然而，已经发表的关于数据集质量对机器学习训练的影响和良好数据集的理想特征的研究有限。诊断设备和流程的差异也使得准确识别训练人工智能模型的最佳成像流程变得困难。对于训练数据集而言，一些包含“嘈杂”信号图像的解释存在很大的不一致性。然而，这种模型的可行性在HCC放射组学中尚未得到评估。

最后，大型数据集的可用性仍然很稀缺。除了数据质量外，优化机器学习性能还需要足够的图像。大多数已发表的研究都只依赖内部数据集来训练和验证其模型。但开发新的和现有的公共数据库以进行外部验证将是机器学习领域未来的核心。因此，构建大型综合数据网络的数据库是AI模型进一步发展的关键步骤。但医院信息系统之间数据集的交叉兼容性、患者数据的安全和保密性以及开发系统的经济成本也是需要考虑的重要因素。

总结

近期人工智能的迅速普及引起了对其在医疗保健领域应用的讨论。为此，许多医院已经开始评估其可行性。本文讨论了人工智能在肝癌放射诊断中的应用现状及其未来发展方向。目前的研究结果显示人工智能模型在解释超声、CT和MRI方面优于临床医生。然而，人工智能系统不应取代临床医生的角色，而应被视为支持临床医生（特别是经验不足或未经放射学培训的临床医生）诊断HCC的工具。尽管目前关于AI对HCC诊疗的研究结果表现出积极的方向，但继续将人工智能应用于医疗保健仍然面临新的挑战，例如：财务可行性、使用的标准化和数据系统的安全性。总之，人工智能在诊断肝癌方面的未来看起来充满希望，但仍需要进行大规模的前瞻性研究来验证不同的AI模型。

原始出处：

Koh B, Danpanichkul P, Wang M, et al. Application of artificial intelligence in the diagnosis of hepatocellular carcinoma. eGastroenterology 2023;1:e100002. doi: 10.1136/egastro-2023-100002 https://egastroenterology.bmj.com/content/1/2/e100002