編者按:2021年11月12日,第72屆美國肝病研究學會年會(AASLD2021)以線上會議形式在美國加利福尼亞州阿納海姆啟幕,聚焦肝病前沿技術及突破。在肝病影像學進展方面,人工智慧及影像組學為當前熱議話題,備受關注。AASLD2021大會特別就該話題設立了專題討論,今日(北京時間)我國CHESS團隊負責人、蘭州大學第一醫院院長助理祁小龍教授受大會邀請,在該環節進行了題為“Radiomics: Applying AI to Imaging”的專題報告,並與國際專家線上進行深度討論。本期《國際肝病》為您帶來祁教授AASLD2021肝病影像學前沿見解。
肝病影像組學——視覺影像資訊到量化結構資料的轉化
祁小龍教授團隊專注於肝病影像人工智慧及組學研究已有5年時間。在團隊成長過程中,祁教授談到,影像組學裡程碑文章始於Radiology雜誌的文獻報道,文章談及當前臨床對於影像認知存在侷限,雖然在臨床實踐中對多次處理的影象進行特徵描述後,能夠對臨床診療有所幫助,但其中很多資訊和資料尚沒有深度挖掘[1],而影像組學很可能是連線醫學影像與個體化診療的關鍵環節[2]。(圖1)
圖1.影像組學裡程碑事件 (引自祁小龍教授AASLD2021彙報PPT)
在進行影像組學研究時,由於技術處理過程存在主觀操作,因此客觀評估以及質量控制是其中非常重要的步驟[2](圖2)。而這一質控處理流程最為成熟的為腫瘤領域,無論是人工智慧還是影像組學,初始階段基本聚焦於腫瘤研究[3]。
圖2.影像組學質控評分 (引自祁小龍教授AASLD2021彙報PPT)
總體而言,人工智慧和影像組學技術在醫學領域已趨向成熟。但如何將學術研究成果轉化為商業化模式可運作的產品並且在臨床落地,還需結合每個國家的國情及臨床環境進行推進。
肝病人工智慧與影像組學CHESS系列研究
●放射影像
CHESS團隊在近5年來,將人工智慧和影像組學相關新型技術應用於肝硬化門靜脈高壓的診斷與監測。在CT和MRI的放射影像領域,我們用深度神經卷積網路技術(CNN)將CT模型拓展到MRI模型,開展了CHESS1802研究,研究成果於2020年12月發表於Clinical Gastroenterology and Hepatology(IF:11.382)。CHESS1802研究為國際多中心臨床試驗,由中國的11家醫療機構和土耳其Ankara醫學院共同參與,透過CNN分析CT佇列和MRI佇列,建立臨床顯著性門靜脈高壓(CSPH)無創評估模型,較傳統特徵模型具備更好的臨床預測價值[4](圖3)。
圖3.CHESS1802研究 (引自祁小龍教授AASLD2021彙報PPT)
此前,我們還開展了CHESS1701多中心研究,利用CT影象進行影像組學模擬,以肝靜脈壓力梯度(HVPG)作為參考金標準,進一步分析肝硬化臨床特徵,該項工作成果發表於2018年的柳葉刀子刊EBioMedicine(IF:8.143)。在該研究中,我們透過佇列的紋理和非紋理特徵分析,構建了無創性影像組學模型引數rHVPG,該引數相較於傳統的影像學和血清學模型具有更好的診斷價值[5](圖4)。
圖4.CHESS1701多中心研究 (引自祁小龍教授AASLD2021彙報PPT)
在已有CT和MRI模型應用的基礎上,CHESS團隊同樣在嘗試用人工智慧技術進行傳統技術的不斷最佳化。CHESS1601研究結果發表於Radiology(IF:11.105),基於三維模型和流體力學計算HVPG[6]時三維重建需手工完成(圖5)。今年,CHESS與復旦大學人類表型組研究院進行合作,嘗試運用人工智慧技術進行血管自動分割,進而對血管分割引數進行定量並分析肝硬化門靜脈高壓,目前此項工作正在開展。
圖5.肝臟血管三維分割成像 (引自祁小龍教授AASLD2021彙報PPT)
●內鏡影像
對於肝硬化患者,除了CT和MRI,國內外常規用電子胃鏡進行篩查,以判斷有無食管靜脈曲張等合併疾病,因此透過人工智慧分析內鏡影象是該領域的潛在應用。2019年華中科技大學同濟醫學院附屬協和醫院就對小腸疾病內鏡影像進行了深度學習分析[7]。
CHESS團隊於2018年同來自於法國、英國的專家合作,共同開展了CHESS1801國際多中心研究,透過牽線磁控膠囊胃鏡對門靜脈高壓出血風險進行安全性及準確性的評估[8],成果發表於柳葉刀子刊Lancet Regional Health。目前CHESS也在嘗試利用內鏡影象進行深度學習分析(圖6)。
圖6. CHESS1801國際多中心研究 (引自祁小龍教授AASLD2021彙報PPT)
●超聲影像
超聲是一種相對更為便捷的無創影像評估方式,我國中科院自動化研究所團隊利用二維剪下波彈性成像技術對肝纖維化分級進行影像組學分析,成果發表於Gut[8]。在此基礎上,我們團隊啟動了CHESS2004多中心研究,全國近20家醫院參與,研究透過深度學習分析二維剪下波彈性成像的肝臟和脾臟特徵,進而評估肝硬化靜脈曲張出血風險(圖7)。
圖7. CHESS2004多中心研究 (引自祁小龍教授AASLD2021彙報PPT)
綜上,無論是放射、內鏡還是超聲影象,人工智慧影像組學技術對於肝硬化門靜脈高壓的診斷都有一定的應用前景,其對臨床的服務性和拓展性都有潛力可挖。當前,儘快將這些前沿論文成果、研究模型轉化為臨床應用產品,在更多醫院為患者提供診療服務,將是CHESS以及全球該領域同道不遺餘力的推進方向。
參考文獻:
1.Gillies R J, Kinahan P E, Hricak H. Radiomics: images are more than pictures, they are data[J]. Radiology, 2016, 278(2): 563-577.
2.Lambin P, Leijenaar R T H, Deist T M, et al. Radiomics: the bridge between medical imaging and personalized medicine[J]. Nature reviews Clinical oncology, 2017, 14(12): 749-762.
3.Huang Y, Liang C, He L, et al. Development and validation of a radiomics nomogram for preoperative prediction of lymph node metastasis in colorectal cancer[J]. Journal of Clinical Oncology, 2016, 34(18): 2157-2164.
4.Liu Y, Ning Z, Ormeci N, et al. Deep convolutional neural network-aided detection of portal hypertension in patients with cirrhosis[J]. Clinical Gastroenterology and Hepatology, 2020, 18(13): 2998-3007. e5.
5.Liu F, Ning Z, Liu Y, et al. Development and validation of a radiomics signature for clinically significant portal hypertension in cirrhosis (CHESS1701): a prospective multicenter study[J]. EBioMedicine, 2018, 36: 151-158.
6.Qi X, An W, Liu F, et al. Virtual hepatic venous pressure gradient with CT angiography (CHESS 1601): a prospective multicenter study for the noninvasive diagnosis of portal hypertension[J]. Radiology, 2019, 290(2): 370-377.
7.Ding Z, Shi H, Zhang H, et al. Gastroenterologist-level identification of small-bowel diseases and normal variants by capsule endoscopy using a deep-learning model[J]. Gastroenterology, 2019, 157(4): 1044-1054. e5.
8.Wang K, Lu X, Zhou H, et al. Deep learning Radiomics of shear wave elastography significantly improved diagnostic performance for assessing liver fibrosis in chronic hepatitis B: a prospective multicentre study[J]. Gut, 2019, 68(4): 729-741.