胶质瘤诊断,人工智能在胶质瘤诊断中的应用

　　胶质瘤诊断1、分级诊断

　　胶质瘤的分级诊断和对肿瘤不同成分(如出血、水肿等。)的评估对于提供治疗决策和预测预后非常重要。目前，人工智能领域有大量的工作涉及胶质瘤的分级诊断。基于人工智能的计算机辅助诊断系统(computer-aideddiagnosystem和CAD)可以辅助放射科医生的诊断。

　　Hsieh等开发的CAD应用GLCM提取纹理特征，用于预测高低级别胶质瘤(AUC0.89，精度87%)，应用该系统后，放射科医生的诊断精度明显提高(AUC从0.81提高到0.90)，证明CAD不仅能辅助区分高低级别胶质瘤，还能提高放射科医生诊断的精度，为AI走向临床奠定基础。

　　胶质瘤诊断2、鉴别诊断

　　非典型胶质瘤有时很难与颅内淋巴瘤、转移瘤等其他肿瘤进行鉴别。Artzi等回顾性分析439例胶质母细胞瘤和脑转移瘤患者的MRI特征，基于SVM等分类器建立预测模型，SVM模型预测组平均敏感度为0.86，AUC为0.96，可进一步鉴别胶质母细胞瘤和脑转移瘤亚型。Zacharaki等对MR图像进行特征提取。选择特征后，实现胶质瘤、转移瘤、脑膜瘤等不同类型的鉴别诊断，其准确性、敏感性和特异性分别为85%.87%和79%。Kunimatsu开发了基于纹理特征的算法，通过对脑胶质瘤和原发中枢神经系统淋巴瘤T1WI增强图像的纹理分析，实现了辅助胶质瘤与原发中枢神经系统淋巴瘤的鉴别效果，该算法在训练集中的AUC最高可达0.99。

　　胶质瘤诊断3、预后分析

　　肿瘤异质性发生在分子水平，但异质性可以通过医学图像中观察到的纹理宏观反映，不同异质性的肿瘤预后可以有明显差异。为了研究胶质母细胞瘤患者肿瘤异质性与患者生存时间的关系，Liu从长期生存和短期生存胶质瘤患者T1WI增强图像中提取了三种纹理，然后利用SVM学习不同纹理类型与肿瘤异质性的关系。预测结果证明，肿瘤异质性的程度可以通过纹理特征来评估，从而预测患者的生存周期。然而，研究表明，仍有必要进一步优化算法，以提高生存周期分组的准确性。

　　Emblem等进一步将确诊胶质瘤患者的生存期分为4组(6个月、1.3年)，根据肿瘤MR图像直方图特征训练SVM，测试组SVM测试结果AUC为0.794~0.851，证明SVM能够根据图像准确预测生存期。

　　胶质瘤诊断4、疗效监测

　　恶性胶质瘤手术后必须进行放化疗，但目前存在的一个问题是无法预测患者放化疗后的疗效反应。Kickingereder等从复发性胶质母细胞瘤患者的影像中提取了4842个特征，用于生成预测模型，对实验组患者的无病进展和总生存期进行分层。另一个大问题是很难区分肿瘤进展(Truetumorprogression、TTP)和治疗后的假进展(Pseudorprogression、PSP)。根据这一临床情况，Qian等应用稀疏字典学习模型区分TTP和PSP的影像特征，并用实验组验证，平均精度为0.867，AUC0.92。可见，该模型有望辅助临床TTP和PSP的早期诊断，辅助监测胶质母细胞瘤的治疗效果。

　　此外，传统的MRI定性方法很难确定高级胶质瘤的渗透边缘，而Chang等开发了一个全自动系统，包括36个具有病理结果的MR图像训练CNN模型，发现CNN可以生成细胞密度图谱，从而实现胶质瘤渗透边缘的无创识别，非常有利于患者的病情评估。胶质瘤治疗的疗效监测和手术。

　　胶质瘤诊断5、分子水平诊断

　　图像基因组学表明，图像特征与肿瘤基因、蛋白质和分子变化密切相关，但隐含的信息仅靠人眼是无法完全捕获的。人工智能算法可以帮助高效、准确地挖掘图像的潜在信息，从而将宏观图像特征与微观基因表达类型联系起来，更准确地指导临床实践，实现胶质瘤的个体化治疗，比人工诊断具有明显的优势。胶质瘤常见的基因突变不同于柠檬酸脱氢酶(isocitratedehydrogenase、IDH)。表皮生长因子受体(epidermalgrowthfactor、EGFR)等。不同的分子亚型在肿瘤的易发位置和治疗敏感性上有所不同。IDH1突变被认为与胶质瘤的生存期密切相关。

　　基于图像组学的分类模型预测IDH1突变状态的胶质瘤，结果表明RF具有较高的预测性能(平均精度0.885，AUC0.931)。α地中海贫血伴智力低下综合征(X-linkedalphalasemiantartartartartartartartartartartartme，ATRX)的基因表达对低级胶质瘤的分子分层具有临床意义。Ren等基于液体衰减反转恢复(FLAIR)序列提取图像特征建立SVM预测模型，预测ATRX(-)患者的准确性。AUC.敏感性。特异性分别为91.67%.0.926.94%.88.24%，这也证明了SVM预测模型可以实现低级胶质瘤ATRX基因的无创预测。O6-甲基鸟嘌呤-DNAA基转移酶(O6-DNANANA基转移酶

　　MGMT有助于DNA修复，而甲基化MGMT会抑制DNA修复，导致胶质母细胞瘤对化疗药物的耐受性。根据这一理论，Korfiatis等提取了相关的图像纹理特征，结合SVM和RF分类器，实现了胶质母细胞瘤MGMT甲基化的预测，也证明了影像学可能成为简单易行的无创胶质母细胞瘤MGMT甲基化的生物标志物。染色体1p/19q联合缺失的胶质瘤的图像表现具有一定的特点，1p/19q联合缺失的低级胶质瘤患者治疗反应良好，生存时间较长。Akkus用CNN预测MR图像中胶质瘤的1p/19q染色体表型状态，预测结果敏感度93.3%，特异性822%，精度87.7%。