影像人工智能预测食管癌新辅助放化疗疗效.pdfVIP

影像人工智能预测食管癌新辅助放化疗疗效

【摘要】新辅助放化疗结合手术是局部晚期食管癌患者的标准治疗，但患者对

新辅助放化疗的反应存在明显异质性。现有的常规检查手段在预测新辅助放化疗

疗效方面的价值有限。影像人工智能，尤其是影像组学和深度学习技术，通过自

动化量化和分析医学影像中的大量信息，显示出预测新辅助放化疗疗效的巨大潜

力。本综述归纳总结了基于CT、正电子发射计算机体层成像（PET‐CT）及其他

影像模式的人工智能研究，并指出了当前研究的局限性和未来的发展方向。

【关键词】食管肿瘤；医学影像；人工智能；新辅助放化疗

目前，对于局部晚期食管癌患者，新辅助放化疗（neoadjuvantchemoradi

otherapy，NCRT）结合手术是指南推荐的标准治疗［1-2］。然而，患者对NCRT

的疗效存在明显异质性。对于食管鳞癌，行NCRT后病理完全缓解（pathologic

alcompleteresponse，pCR）率为43%~49%，而对于腺癌仅为23%［1-2］。接

受NCRT的患者中，仍有超过50%的患者在5年内复发或死亡［3］。对于NCRT

后达到pCR的患者，采取免除手术的主动监测策略是可行的治疗选择［4］。然

而，pCR仅能通过手术证实。因此，准确早期预测接受NCRT的食管癌患者的治

疗效果，可以筛选主动监测策略的潜在获益人群，以及区分复发与死亡的高低危

人群，有助于实现个体化治疗和患者获益最大化。

然而，现有的常用检查手段，包括CT、正电子发射计算机体层成像（posit

ronemissioncomputedtomography，PET‐CT）、超声内镜、内镜活检等，

在预测食管癌后pCR的灵敏度和特异度很难超过70%［5-6］。SANO试验对比了

新辅助放化疗后主动监测组和手术组，评估方式采用多时点PET‐CT、超声内镜

及内镜活检，主动监测组中位无瘤生存数值上仍差于手术组（35个月比49个月，

P0.15），且48%患者发生局部区域复发［7］，提示有必要寻找能更精准预测p

CR的方法。

影像人工智能在肿瘤领域已有越来越广泛的研究和应用［8］。影像组学非

侵入性地从医学影像中提取高通量特征，应用机器学习算法建立影像标志物模型

［9］。既往研究表明，影像组学在肿瘤的临床分期、疗效评估和预后分析方面

具有极大的应用价值。meta分析显示，影像组学在预测消化道肿瘤患者治疗反

应方面的37项研究中，实现了出色的预测表现［曲线下面积（areaunderthe

curve，AUC）或准确度0.75］［10］。深度学习允许计算机自动从图像中高通

量识别信息，通过多级神经网络结构进行分类输出，避免了传统组学机器学习需

手动操作、信息利用有限的局限性。在足够样本量的数据集上，深度学习比传统

机器学习通常具有更优秀的表现［11］，已成为当下影像人工智能的研究趋势。

本综述旨在对影像人工智能在预测食管癌患者NCRT疗效方面的应用进行归

纳总结，为协助医生在治疗策略的决策中的人工智能应用提供前沿视角。

一、基于CT的影像人工智能

CT是食管癌疗前分期和疗效评价最常用的影像检查手段。目前，基于CT的

影像人工智能预测食管癌NCRT疗效已有不少有价值的探索。

在预测pCR方面，基于CT的影像组学展现出优秀的预测表现。Yang等［12］

利用55例患者的疗前增强CT建立组学模型，测试集中预测pCR的AUC达0.79。

肿瘤周围区域包含肿瘤微环境的丰富信息，对疗效预测具有不可忽视的价值，也

是CT影像中的可利用部分。Hu等［13］联合肿瘤内部和肿瘤周围组学特征，发

现结合这两类特征建立的联合CT影像组学的支持向量机模型在识别性能上表现

优于单一区域模型，在含70例患者的外部验证集AUC达0.852。而基于NCRT前

后CT影像的变化，进行组学动态变化分析在评估pCR时也体现出优秀的预测表

现，在测试集中AUC可达0.84［14］。深度学习技术的应用，进一步发掘了CT

影像的应用价值。应用深度学习在预测pCR时AUC均超过0.8，只是目前研究数

量较为有限［15-17］。

在预后预测方面相关研究较少，Qiu等［18］利用疗前CT构建影像组学模

型，在外部验证中预测无复发生存时C指数为0.724。在新辅助放化疗领域之外

的食管癌相关研究亦有提示价值。一些研究显示，基于CT的影像组学在预测食

管癌单纯手术术后预后指标方面具有出色的价值。Jia等［19］进行的一项基