随着计算机算法呈指数式增长，人工智能（AI）方法有望提高医学诊断和治疗方法的精确度。影像组学方法在神经肿瘤学领域中的应用一直并可能继续处于这场革命的前沿。应用于常规和高级神经肿瘤学MRI数据的各种AI方法已经能够识别弥漫性胶质瘤的浸润边缘，区分假性进展和真实进展，并且比日常临床实践中使用的方法更好地预测复发和生存率。影像基因组学还将促进我们对癌症生物学的理解，允许以高空间分辨率对分子环境进行无创采样，从而能够对潜在异质性细胞和分子过程的系统理解。通过提供空间和分子异质性的体内标记物，基于人工智能的影像组学和影像基因组学工具有可能将患者分为更精确的初始诊断和治疗途径，并在个性化医疗时代实现更好的动态治疗监测。尽管仍存在重大挑战，但随着人工智能技术的进一步发展和临床应用的验证，在影像学实践中将发生巨大变化。
人工智能（AI）是一个宽泛的术语，描述由计算机执行的任何通常需要人类智慧执行的任务，包括明确的基于规则的系统，以及不需要硬编码规则的计算机算法（图1）。机器学习属于人工智能的范畴，是数据科学的一个分支，它使计算机能够从现有的“训练”数据中学习，而无需显式编程来预测新的数据点。深度学习是基于神经网络的机器学习的一个子类，包含大量的层，由于最近的计算机性能发展而成为可能。机器学习和深度学习方法越来越多地被用于影像组学研究，它依赖于医学成像数据作为定量成像生物标记物。基于AI的神经肿瘤成像研究的首要目标是更好地了解异质性中枢神经系统（CNS）肿瘤的复杂表现，从而改善患者预后。
图1，图表显示了人工智能所包含的术语及其相互包括关系的概述。
影像组学初学者指南
放射学中基于影像组学和人工智能预测癌症预后
脑肿瘤的影像组学：图像评估、定量特征描述和机器学习方法
基于MRI医学图像的脑肿瘤分级
Radiology：图像生物标志物标准化：基于高通量图像表型的标准化定量影像组学
IEEE Signal Processing Magazine：从手工放射组学特征到深
使用多模态脑部扫描数据的自动脑肿瘤分割
Radiology：脑部MRI影像组学:转移瘤类型预测的应用
神经放射学诊断中的MRI数据分析
AJNR:深度学习在神经放射学的应用
Neuro-Oncology：对脑胶质瘤IDH突变状态进行分类的一种新型的
Neuro-Oncology：深度学习算法全自动评估脑胶质瘤负荷
Lancet Oncology：利用人工神经网络对神经肿瘤学MRI成像进行
Radiology：人工智能系统脑MRI鉴别诊断精度接近神经放射科
深度学习在医学图像分析中的应用
机器学习方法
机器学习在医学成像中的大多数应用都依赖于有监督的机器学习方法，这些机器学习方法包括在真实标签上训练的算法。标签可以包括不同的诊断类别（例如，高级别与低级别胶质瘤）、不同的预后（例如，长期生存与短期生存）或存在于一组图像体积中的不同类别（例如，增强型肿瘤与坏死组织与水肿与正常脑组织）。当提供了足够的不同类的示例时，算法能够“学习”如何对新数据进行分类。有监督学习机器学习方法包括：逻辑回归、支持向量机和随机森林，以及用于临床决策支持的工具（例如，决策树和贝叶斯网络）（1,2）。一般来说，这些传统的有监督方法通常在特征降维之后应用于显著的特征，这对于降低模型复杂度和避免过度拟合（即，记忆训练样本案例而不是学习相关模式）是必要的——这是一个普遍存在的问题，在没有适当的“保留”验证样本的情况下使用许多机器学习方法研究。这些方法虽然强大，但往往需要广泛的、特定领域的专家知识，以便了解所研究过程的潜在生物学基础。机器学习的另一个常用类别是无监督算法，如k-means聚类，它可以从复杂数据集生成新的分组或类别，在大数据中具有重要作用。
深度学习方法
深度学习源于对哺乳动物大脑视觉皮层分层组织建模的启发，在这种分层组织的皮层中，处理日益复杂的中间视觉特征，如线条、边缘、形状和整个视觉对象（3-6）。最近，通过并行图形处理单元和改进的数学优化方法，计算机性能的增长使得这些神经网络模型的体系结构得以升级，以包含许多中间层，从而将深度学习与20世纪40年代首次构思的传统神经网络区分开来（3-6）。通过迭代过程可以更新模型权重（“反向传播”），这些算法能够适当地识别低级和中级图像信息，以最大限度地提高分类性能。通常，卷积神经网络（CNN）是一类基于图像的问题前馈神经网络。近年来，深度学习方法在视觉处理任务上取得了超人的表现，这是ImageNet挑战赛（ImageNet challenge）的基准。ImageNet挑战赛是一项每年一度的视觉识别任务算法测试竞赛（7,8）。有趣的是，从ImageNet上训练的这些网络得到的权重可以适应新任务，包括医学图像，这一过程称为“转移学习”。尽管基于转移学习的深度学习体系结构可以用于一些医学图像处理，但其他一些使用自定义图像朴素体系结构，根据具体任务的不同，这些体系结构的性能可能会更好。
影像组学在神经肿瘤学中的应用
尽管临床放射学通常可以进行主观和定性方面的图像视觉评估，但影像组学可以从临床图像中提取信息，用作定量成像生物标记物。影像组学的第一个基本步骤通常涉及病变分割（图2，A），通常先进行图像预处理步骤，包括颅骨剥离、强度标准化、以及来自不同模态的图像配准。分割包括多种方法，从手动标记和/或注释和半自动方法到最近的深度学习方法。
基于传统机器学习的影像组学的下一步为定量特征的提取，包括基本形状、大小和强度特征，以及从应用于图像的各种统计方法中衍生的更复杂的特征，例如，基于直方图的特征、基于纹理的特征、拟合生物物理模型特征、空间变换特征和深度学习特征（图2，B）。然后可以将各种不同的机器学习模型应用于中间定量特征，以便“挖掘”它们之间的显著关联，从而能够预测与治疗决策相关的肿瘤的关键信息，例如浸润性肿瘤边缘、分子标记物和预后（图2，C）。或者，与传统机器学习的显式工程特征相比，神经肿瘤学影像组学的深度学习方法通常需要较少的领域特定知识，允许他们在没有显式特征选择或缩减步骤的情况下进行预测。
图2，神经肿瘤学影像组学的工作流程。
A、 在预处理步骤之后，使用自动或手动方法对多模态MR图像进行分割。
B、 然后使用各种不同的方法进行特征提取。
C、 然后对机器学习方法进行特征训练，生成潜在分子标志物模型，并预测存活率。
公开神经肿瘤学影像数据和竞赛
肿瘤影像档案（TCIA）（15）提供的数据支持了神经肿瘤学中分割和影像组学领域的进展，该档案是癌症基因组图谱（TCGA）（http://cancergenome.nih.gov/）的一部分。自2012年以来，TCIA数据已通过多模态脑肿瘤图像分割基准（BraTS）挑战（16,17）进一步整理，该挑战旨在提高术前MR图像自动胶质瘤分割和生存预测的准确性。公共数据集包含高级别和低级别胶质瘤的多模态图像，具有专家手动分割和五个标签（健康脑组织、坏死、水肿、非增强和增强肿瘤）。在2016年（12）和2017年（14），深度学习方法已经超越了更传统的细分方法，赢得了BRAT挑战。
神经肿瘤学成像的最新方法
大多数神经肿瘤学研究集中于弥漫性胶质瘤，即世界卫生组织（WHO）II-IV级肿瘤，通常分为低级别胶质瘤（WHO II和III级）和胶质母细胞瘤（WHO IV级）（18）。鉴于胶质母细胞瘤占原发性恶性脑肿瘤的一半以上，且病程进展快，预后差，因此许多研究都集中在胶质母细胞瘤上（19）。低度恶性胶质瘤有时会发展成胶质母细胞瘤，称为继发性胶质母细胞瘤。各种其他脑肿瘤，包括WHO I级肿瘤、儿童中枢神经系统肿瘤、原发性中枢神经系统淋巴瘤和脑转移瘤，涵盖了神经肿瘤学的重要领域，但由于样本量较小、疾病异质性较大、发病率相对较低，因此代表性的研究领域较少。
由于其良好的软组织对比度，MRI是肿瘤检测和定性的主要工具。常规MRI序列，包括对比前后T1加权成像、T2加权成像和T2加权液体衰减反转恢复（FLAIR）序列，有助于描绘肿瘤体积和形态特征。但是，对比度增强是非特异性的，传统序列几乎不可能检测到T2加权FLAIR信号强度异常范围内的肿瘤浸润病灶（20）。大多数研究机构依赖于其他先进的MRI方法，这些方法对肿瘤生理学的这一关键方面更为敏感。扩散加权成像是一种评估高细胞区域的有用方法，可以扩展到扩散张量成像，这有助于识别组织微观结构，并描绘常规MR图像上正常区域的肿瘤浸润（20–22）。具有动态敏感性加权对比剂增强、动态对比剂增强或动脉自旋标记的灌注MRI利用了胶质瘤的新生血管特性。MR波谱描述了胆碱、肌酸和N-乙酰天冬氨酸等化学代谢物的分布，临床上用于胶质瘤分级和确定肿瘤浸润区域（23,24）。尽管这些先进方法具有潜在的可行性，但它们通常以定性的方式进行解释。由于不同地点、成像单元和后处理方法的差异，使得它们能够广泛采用变得更加复杂。
神经肿瘤学中的基因组学和影像基因组学
中枢神经系统肿瘤中巨大的突变、分子和微环境异质性使诊断和治疗方法复杂化。弥漫性胶质瘤通常有60多种基因改变，包括几种主要的细胞通路（25）。更好地理解这些细胞通路对于预后方法和提供靶向治疗有至关重要的作用。事实上，考虑到不同突变的预后意义，分子标记物最近在建立“综合诊断”方面发挥了更大的作用，如2016年世卫组织CNS肿瘤最新分类所示（26）（图3）。例如，胶质母细胞瘤现在基本上是根据异柠檬酸脱氢酶（IDH）突变的存在进行分组的，IDH野生型胶质瘤的生存率较低（27）。分析TCGA受试者基因表达数据的开创性工作确定了具有预测影响的基因表达亚型，即前神经、神经、典型和间充质，代表了具有预后和治疗意义的不同细胞通路（28）。
图3，弥漫性胶质瘤的基因组和放射基因组图谱。
弥漫性胶质瘤的IDH突变从根本上进行分化。IDH突变型胶质瘤通常级别较低（世界卫生组织[WHO]II-III级），但有时也可能是胶质母细胞瘤（GBM）（WHO IV级），在这种情况下，它们通常起源于级别较低的星形细胞瘤。IDH突变型胶质瘤根据1p19q编码缺失的存在进行细分，1p19q编码缺失定义为少突胶质瘤，并与边缘“边界不清”相关。1p19q非编码缺失肿瘤的特征是边缘“受限”，并呈现“T2–液体衰减反转恢复（FLAIR）不匹配”现象。IDH野生型胶质瘤是典型的胶质母细胞瘤，但有时可能是低级别星形细胞瘤或少突胶质细胞瘤（NOS）。表皮生长因子受体（EGFR）突变和O6-甲基鸟嘌呤DNA甲基转移酶（MGMT）甲基化状态是重要的分子和预后标志物。EGFR突变型胶质瘤与脑血容量（CBV）增加有关。甲基化MGMT胶质瘤与“块状”T2-FLAIR信号强度异常和异质性和/或结节性增强相关，而非甲基化MGMT胶质瘤与“浸润性”T2-FLAIR信号强度异常和伴有中央坏死的强化相关。
进一步推进我们对神经肿瘤学的理解是放射基因组学（影像基因组学）的新兴领域，该方法将成像特征与遗传、突变和表达模式相关联。影像基因组学还具有在治疗过程中动态监测微环境的能力，有可能减少重复活检或切除的次数。胶质瘤影像基因组学（图3）已开始描述几种候选基因改变的影像表型，包括：IDH突变、O6-甲基鸟嘌呤DNA甲基转移酶（MGMT）甲基化、表皮生长因子受体（EGFR）剪接变异体和1p/19q编码缺失。影像基因组学的其他工作试图在基因表达和影像组学之间建立系统级的理解。
基因改变
在70%-80%的低级别胶质瘤中发现了IDH1和IDH2突变，但在胶质母细胞瘤中仅发现了5%-10%，因此突变通常为继发性胶质母细胞瘤，起源于低级别胶质瘤。IDH突变型胶质瘤导致D-2-羟基戊二酸的积累，这是IDH野生型肿瘤中缺乏的一种肿瘤代谢物。D-2-羟基戊二酸可通过磁共振波谱（33–35）以高特异性检测。尽管先进的MR波谱序列（例如，7.0T的二维局部相关波谱）在检测2-羟基戊二酸方面高度可靠，但在大多数扫描中心并不容易获得，这限制了它们的实用性。有趣的是，视觉上明显的成像生物标记物，包括边缘模糊和T2-FLAIR不匹配（肿瘤内T2加权图像上高信号但FLAIR图像上低信号的区域），已被证明有助于区分IDH突变体和IDH野生型胶质瘤（37）。应用于常规MRI模式的CNN已用于区分IDH突变型胶质瘤和IDH野生型肿瘤，准确率为92%，这与先前的视觉评估和基础病理生理学一致，即IDH野生型肿瘤表现出更多浸润性、边界不清（38）。
大约33%-57%的弥漫性胶质瘤表现出MGMT基因启动子的高甲基化，编码DNA修复蛋白（39,40）。MGMT启动子高甲基化与更好的预后相关，因为对烷化剂（例如替莫唑胺）的敏感性提高（39,40）。影像组学研究已经确定了这种分子标记物的不同成像特征。通过将纹理特征与传统的有监督机器学习方法相结合，几个小组已经能够预测MGMT甲基化状态，准确率高达88%（41–43）。此外，一些深度学习架构已被证明可以预测MGMT甲基化状态（44,45）。Korfiatis等人（44）仅使用T2加权图像，无需先前的肿瘤分割，获得了高达94.9%的准确率。通过对最终CNN层进行主成分分析，Chang等人（38）发现结节和不均匀强化以及“块状FLAIR水肿”有助于预测MGMT甲基化状态，准确率高达83%。
EGFR是一种受体酪氨酸激酶，调节上皮细胞系的正常细胞生长（46）。约40%的胶质母细胞瘤中存在EGFR突变，但在低级别胶质瘤中很少发现EGFR突变（31）。胶质母细胞瘤中最常见的细胞外EGFR突变是剪接变异体III（EGFRvIII），在31%的患者中发现（47）。利用灌注成像进行的放射遗传学研究表明EGFR扩增与肿瘤血流和体积之间存在中度关系（48,49）。基于支持向量机的方法表明，EGFRvIII突变型胶质瘤表现出较深的瘤周浸润，这与更具侵袭性和/或浸润性的表型一致（50）。进一步的多变量方法结合了一组多参数特征，表明EGFRvIII肿瘤增加了新生血管和细胞密度，并且在额叶和顶叶区域显著。
约30%的低级别胶质瘤（但在胶质母细胞瘤中不存在）存在染色体臂1p/19q的共缺失，并且结合IDH突变，现在定义为少突胶质细胞瘤（26）。1p/19q编码对预后有保护作用（53）。对有无1p/19q编码缺失的低级别胶质瘤的比较表明，非圆形边界、T1和/或T2加权图像上的不均匀信号以及较低的表观扩散系数与1p/19q编码缺失密切相关（37,54）。最近使用CNN的研究发现，1p/19q编码缺失与增强、左侧额叶和具有FLAIR图像边缘不清晰有关（33），准确率高达93%（55）。
系统的影像基因组学方法
作为这些候选基因方法的补充，一些研究小组使用了系统级影像基因组学方法，以更好地了解影像标记物如何与更全面的基因表达模式相关，考虑到每个肿瘤包含不同突变的组合，这一点很重要。一项早期研究（56）观察了基因表达模块与几种神经放射学家定义的MRI模式之间的关系，包括：对比坏死比率、脑室下区受累、对比T2比率和T2异质性模式。研究人员发现，特定基因表达程序的激活可以从成像特征推断出来；例如，缺氧与对比度增强相关，增值与质量效应相关。Grossmann等人（57）将基因组通路富集分析与体积肿瘤表型进行了比较，发现免疫反应和凋亡细胞通路与坏死通路相关，肿瘤体积和水肿与稳态和细胞循环通路相关。Zinn等人（58）评估了29例TCGA患者的胶质瘤影像组学特征与TP53、PTEN和EGFR基因非重叠突变之间的关系。尽管常规MRI体积参数差异极小，但纹理分析产生了不同且部分不重叠的影像组学特征集以及与这三种突变（TP53伴血管生成、PTEN伴侵袭、EGFR伴免疫反应）唯一相关的多种基因表达特征。
神经肿瘤学中的预后
在目前的临床实践中，预后往往基于组织学肿瘤分级和临床模型，包括患者的年龄、性别和功能状态（例如，卡诺夫斯基表现状态量表）。此外，一些先前讨论的特异性分子标记物现在诊断和预后中起着中心作用。然而，影像学特征和放射测量学指标并未用于任何广泛采用的临床预后模型，尽管它们能够挖掘潜在的肿瘤生物学和预后。
影像组学预测预后
先前的影像学研究表明，基本成像指标，包括最大尺寸和增强体积，比临床模型更具预测性。结合临床、影像学和遗传变量的模型在患者中产生了最佳的预测准确性。扩散、灌注和磁共振波谱测量也被用来预后分析（63,64），最近的研究基于机器学习方法在多参数磁共振图像的基础上预测患者的生存率（65-67）。Kickingereder等人（65）确定了11个交叉验证的预后不良的特征，包括：体积、形状、纹理和小波特征。这些特征完全来自肿瘤对比度增强的FLAIR图像。Macyszyn等人（66）利用从传统和高级MRI序列中明确提取的特征，开发了一个支持向量机模型来预测生存组（低、中、高），在训练和前瞻性验证组中的准确率高达80%。该模型中最具预测性的特征包括肿瘤体积、血管生成（增强肿瘤体积）、瘤周浸润（峰值灌注高度）、细胞密度（示踪扩散值）以及到心室的距离。
基于预测的系统级影像组学方法
通过使用无监督的机器学习方法，影像组学特征也可用于生成新的亚组，这些亚组可能与胶质瘤的潜在生物学更为密切相关。Itakura等人（68）利用对比后T1加权MRI对121例孤立性胶质母细胞瘤的形状、纹理和边缘锐度进行了特征聚类。他们确定了三个簇：多焦簇、球形簇和边缘增强簇。这些集群随后在来自TCIA的144名多机构受试者中得到验证，并且在生存率方面存在显著差异。环状强化亚组预后最好，多发灶组预后最差。Rathore等人（43）还将无监督高维聚类算法应用于208例胶质母细胞瘤患者的常规和高级MRI的综合特征集。由此产生的亚型与Itakura等人（68）的研究中发现的亚型非常相似，分为边缘强化亚型、不规则亚型和实体亚型。这些亚组与不同的生存估计相关，环状亚组的生存率最高。这些簇还与特定的解剖位置、分子亚型和遗传变异有关，包括IDH、MGMT和EGFRvIII。尽管这些亚组仍处于初步阶段，需要更大的样本量和额外的验证以确保其稳健性，但它们显示了无监督方法能够提供比目前世卫组织分类中使用的临床模型和分子标记更精确的亚组分型和预测方面的前景。
如果您对影像组学等感兴趣，欢迎浏览思影科技课程及服务，感谢转发支持（可添加微信号siyingyxf或18983979082咨询，另思影提供免费文献下载服务，如需要也可添加此微信号入群）:
南京：
第二届磁共振影像组学班（南京，2.24-28）
第十二届任务态功能磁共振数据处理班（南京，3.3-7）
第十八届磁共振脑影像结构班（南京，3.11-16）
第二十七届磁共振脑网络数据处理班（南京，3.17-22）
第五十八届磁共振脑影像基础班（南京，4.2-7）
北京：
第五十六届磁共振脑影像基础班(北京，2.17-22）
第三届磁共振影像组学班（北京，3.2-6）
第五届磁共振脑网络数据处理提高班（北京，3.8-13)
第二十二届脑影像机器学习班（北京，3.23-28）
上海：
第二十三届DTI数据处理班(上海，2.21-26）
第五十七届磁共振脑影像基础班(上海，3.22-27）
第二十八届磁共振脑网络数据处理班（上海，3.28-4.2）
第六届磁共振脑网络数据处理提高班（上海，4.5-10)
数据处理业务介绍：
思影科技功能磁共振(fMRI)数据处理业务
思影科技弥散加权成像（DWI/dMRI）数据处理
思影科技脑结构磁共振成像数据处理业务（T1)
思影科技啮齿类动物（大小鼠）神经影像数据处理业务
思影数据处理业务三：ASL数据处理
思影科技脑影像机器学习数据处理业务介绍
招聘及产品：
思影科技招聘数据处理工程师 （上海，北京，南京）
BIOSEMI脑电系统介绍
目镜式功能磁共振刺激系统介绍
神经肿瘤学中的治疗反应评
目前胶质母细胞瘤的治疗标准包括最大程度的安全切除，然后用替莫唑胺进行放疗和化疗（69），而较低级别的胶质瘤可以通过手术和/或放化疗进行治疗。肿瘤治疗领域的增加最近被证明对胶质母细胞瘤有额外的生存益处（19）。尽管尚未得到证实，但使用免疫疗法的一系列临床试验正被应用于治疗胶质母细胞瘤患者（70），包括针对特定分子通路的肿瘤，如EGFR。
临床反应评估
放疗和化疗后T2/FLAIR信号异常的大小增加，伴随着新的或增加的增强区域，称为假进展（72），使得治疗反应的评估特别具有挑战性，并且在MGMT甲基化和IDH突变肿瘤中更为常见。相反，抗血管生成药物（如贝伐单抗）可导致假进展，即通过改变血脑屏障显著降低增强，但对浸润成分的进展影响不大，总体生存率无改善（73）。
最初的反应评估指南遵循Macdonald标准（74），该标准仅包含增强部位的大小。最近，治疗反应的评估已通过神经肿瘤学反应评估（RANO）标准（75）进行描述，该标准除临床状态外，还包括增强组织和T2/FLAIR非增强信号强度异常的变化。最近对RANO标准（76）的修改将基线评估更改为第一张放疗后图像，而不是切除后图像，并提供了一些反应评估准则来识别假进展。然而，RANO仍然是一个有限的评估反应的工具，特别是考虑到它使用的是二维测量，这是主观的，并且不包括先进的成像模式，如MRI灌注、扩散张量成像和MR波谱，尽管它们在大多数机构的临床应用和使用。新的免疫治疗剂已被证明能引起复杂的炎症反应（77），这给反应评估增加了额外的困难。免疫治疗RANO标准（78,79）延长了确定进展的时间线，试图帮助解释免疫炎症相关的假进展。
基于影像组学的假进展和进展预测
假进展与真进展的区分仍然是一个关键的诊断难题，AI方法非常适合这种情况（图4）。通过评估扩散加权成像（80,81）和动态敏感性加权对比增强方法（82,83），一些影像组学研究取得了成功。机器学习方法结合了扩散加权成像和动态磁化率加权对比增强的多种测量方法，也成功地预测了假进展（84,85）。值得注意的是，尽管大多数以前的研究都使用纵向临床和放射学随访来确定假进展，但重复切除的组织学检查通常显示治疗相关变化和复发和/或残留肿瘤的组合。Wang等人（86）使用多元逻辑回归模型，结合增强组织内动态磁化率加权对比增强MRI和扩散张量成像得出的测量值，预测组织学分类为真进展、假进展和混合反应的假性进展，曲线下面积为0.90。Akbari等人（87）对传统和高阶MRI特征进行了基于支持向量机的分析，方法是根据病理学家的真实进展与假性进展评分对模型进行训练，证明假性进展的病理评分与放射评分之间存在高度相关性（r=0.86）。
图4，神经肿瘤学成像中的治疗反应。
在采用放射治疗和化疗相结合的标准护理治疗后，通常会看到T2-液体衰减反转恢复（FLAIR）信号强度异常增加，以及新的或增强病变的大小增加。基于人工智能（AI）的“虚拟活检”有助于区分潜在的生物学特性，并将治疗反应分为三种可能的类别：真实进展（病理检查时为75%复发或残留胶质瘤）、混合反应（病理检查时为25%–75%复发或残留胶质瘤），假进展（大于75%治疗相关变化）。分类决定了不同的治疗方法。在本例中，病理检查发现新的强化病变表示100%的治疗相关改变，几乎没有非典型细胞。
基于影像组学预测肿瘤浸润和复发
尽管使用常规定性方法很难区分浸润性肿瘤和水肿，但机器学习方法在术前MR图像上识别浸润性组织的边缘仍有很大的前景。这些方法可用于指导扩大手术切除、局部活检和放射治疗计划。通过使用体素逻辑回归模型，FLAIR和表观扩散系数图足以预测未来肿瘤复发的区域（88）。Akbari等人（89）开发了多变量支持向量机方法，Rathore等人（90）改进了多变量支持向量机方法，在将胶质母细胞瘤复发区域配准到术前MR图像后，结合了传统和高阶MRI成像的特征进行分析。该方法生成浸润癌周组织的预测性空间图（图5），交叉验证准确率约为90%。
图5，肿瘤浸润的预测图。
使用支持向量机分析多模式术前常规和高级MRI数据，生成覆盖在对比T1加权图像上的估计浸润图（红色区域表示风险更高）。在6个月的随访中获得对比后的T1加权MR图像（右）显示最高预测浸润部位附近的复发区域。
对于另一种使用病理放射学关系的方法，Chang（91）开发了一个全自动系统，通过使用CNN对36名患者进行从神经导航到术前MR图像的活检部位配准。然后使用活检部位的多模态成像测量来训练应用于病理图像的细胞密度计数方法的神经网络（图6）。结果发现细胞度与表观扩散系数和FLAIR值之间负相关，以及增强程度与细胞度之间的直接关系。这种方法可以有效地生成细胞密度的无创性图谱，有助于识别胶质瘤的浸润边缘。鉴于目前的手术切除主要是通过增强肿瘤来引导的，这些方法在使用无创性方法将患者分为临床试验和指导更积极的治疗方面有着巨大的前景。事实上，Akbari等人的方法已经推动了一项临床试验，针对最近接受初次切除的患者，对浸润性肿瘤区域进行强化放射治疗。
图6，预测肿瘤细胞图。
左侧，体素线性回归模型应用于多模式术前MRI，根据MR图像上不同区域活检的自动细胞计数进行训练，并生成预测的细胞分布图（红色区域表示更多细胞）。
右，来自肿瘤高细胞和低细胞区域活检标本的显微照片（苏木精-伊红染色；原始放大倍数，×400）。
人工智能在神经肿瘤成像中的应用：非胶质瘤评估
机器学习方法也被应用于其他中枢神经系统肿瘤，特别是脑转移瘤和中枢神经系统淋巴瘤，有可能改善诊断不明确的情况，提高工作流程的效率和准确性。最初，多种图像处理方法，如三维模板匹配，被用于检测和定位脑转移瘤（92,93）。最近使用三维CNN的工作显示出越来越大的前景（94,95），有可能帮助立体定向放射治疗规划。在某些情况下，现有的临床和影像学方法无法区分脑转移瘤、原发性中枢神经系统淋巴瘤和胶质母细胞瘤。为了解决这个问题，Wang等人（96）开发了一个决策树和多元逻辑回归模型，结合扩散张量成像和增强区域的动态敏感性加权对比增强MRI指标，以区分这三种类型。另一项研究表明，基于随机森林分析提取纹理和小波特征，能够区分非坏死性胶质母细胞瘤和中枢神经系统淋巴瘤，其性能优于三位专家阅片者。从而发现患者在没有已知原发部位的情况下发生脑转移。机器学习方法已应用于这一临床场景，其假设由于潜在的分子差异及其对局部环境的影响可能会表现出不同的影像学特征。例如，Ortiz Ramón等人（98）通过对T1加权后对比序列的二维和三维纹理分析得出的特征基于随机森林模型，能够区分肺癌、黑色素瘤和乳腺癌引起的脑转移。
人工智能在神经肿瘤成像中的前景与挑战
人工智能方法具有模式识别和以人类无法识别的方式挖掘信息的能力，因此对放射学和精确医学的未来显示出巨大的希望。一个理想的基于人工智能的神经肿瘤学辅助诊断系统将结合所有相关的多模态成像数据、临床信息和分子标记物，对新肿瘤的生物学特征和临床相关亚型进行精确预测。这些信息将有助于为患者制定最有效的治疗计划，包括确定患者是否会受益于标准或超全切除或浸润性肿瘤区域的靶向强化放射治疗、化疗，或针对特定细胞机制的新型治疗剂（图7）。
图7，未来基于人工智能的神经肿瘤成像和临床管理工作流程示意图。
A、 初始病变检测和分析系统将生成患者初始脑磁共振图像上所见病变的概率（精确诊断），并建议进行其他有用的成像检查、实验室测试或组织取样。
B、 胶质瘤特异性模块可以对分子标记物、生存率和治疗反应（精确诊断）进行个性化预测，从而推荐最佳治疗方案，该方案将在后续成像（精确治疗）的基础上不断更新。
CNS=中枢神经系统，DTI=扩散张量成像，EGFR=表皮生长因子受体，EGFRvIII=表皮生长因子受体变量III，IDH=异柠檬酸脱氢酶，MGMT=O 6-甲基鸟嘌呤-DNA-甲基转移酶，TTFields=肿瘤治疗领域。
AI在监测标准治疗和新型治疗（如免疫治疗）方面也具有巨大潜力。尽管在免疫治疗（76）中发现的复杂炎症反应需要进一步验证，但它们有可能快速确定治疗效果，从而允许在治疗过程中进行动态调整。在这方面，应用于高级成像的人工智能方法最终可以提供优于当前方法的个性化治疗反应预测。
挑战
人工智能在放射学领域的承诺面临的主要挑战包括高质量的真实数据获取、可泛化和可解释的方法以及以用户为中心的工作站集成。随着显著图（102）或主成分分析（38）等方法的不断发展，对这些算法的“黑箱”性质的担忧有所减少，这些方法可以通过询问内部算法特征向量来解释网络。对特征模式和基础生物学之间相互关系的一个好的解释机制将有助于临床接受，并有助于改善这些方法所揭示的生物学和治疗相关性。
人工智能研究的首要挑战之一是大型、注释良好的数据集的可用性。然而，样本量相对较小的研究容易产生测量误差。TCIA和BRAT在为胶质瘤图像分析创建集中的、标记良好的数据方面取得了实质性进展，而以非胶质瘤为基础的研究因缺乏公共数据集而受到限制。尽管如此，绝大多数可用数据仍然孤立于各个机构和医院系统中。为了进一步改进这些算法，可能需要更大、更异构的数据集（可能要大几个数量级），以提高算法性能在不同成像部位、采集参数和患者群体中的通用性。收集这些数据集的一个重要组成部分是各机构之间的数据共享，类似于阿尔茨海默病（105）和自闭症（106）的研究。改善数据集的其他方法包括统计技术，以协调数据集，并通过跨机构采用标准化神经肿瘤学成像协议收集更统一的数据。有趣的是，新的深度学习方法，即生成对抗网络，已经显示出通过生成合成数据来提高模型性能。
在神经肿瘤学成像领域和更广泛的影像组学领域，开发更稳健的算法的另一个障碍是缺乏明确的、有针对性的“案例”或特定任务来衡量其性能。除BraTS竞赛外，单个算法的测量性能高度依赖于特定任务、数据集，并受到特定科学问题的影响，所有这些都限制了不同群体开发的不同算法的比较。新成立的美国放射学院数据科学研究所(https://acrdsi.org/)有助于定义标准用例、注释工具和数据集，这将大大有助于与学术追求和商业风险相关的标准化和基准测试。
此外，尽管美国食品和药物管理局正在制定批准这些新兴工具的途径，但仍有许多未能回答的问题，包括这些方法的泛化性以及合适的训练次数。
临床实现路径
尽管人工智能算法在研究环境中的使用越来越多，但在临床环境中高效、一致地应用这些复杂算法仍存在很大的障碍。该系统必须易于集成到放射科医生的工作站（电子病历系统、图片存档和通信系统以及听写软件）中。此外，许多分割和影像组学方法需要人工干预以及各种内部流程和长时间的预处理。目前有相对较少开发工具来共享这些方法。事实上，大多数论文没有提供足够的信息来独立地重新创建它们的方法。Modelhub (http://modelhub.ai/)和pyradiomics (http://www.Radiomics.io/)等，提供了一些可能有助于共享不同方法的开源工具，以及癌症成像表型工具(https://med.upenn.edu/cbica/captk/)，旨在促进这些工具的临床应用。或者，通过新兴的方法最终提供可以与常规临床工作流程相整合的最佳解决方案。
人工智能在神经放射学中的应用可能由一个完全自动化的系统组成，该系统集成到放射科工作流程中，实时分析图像并提供定量和疾病概率报告。一个更通用的脑磁共振图像诊断系统可能首先应该评估一个新确定的病变是恶性肿瘤还是良性非肿瘤性占位（图7，A）。这种系统会根据需要推荐额外的高级成像协议或序列。一个更具体的神经胶质瘤评估系统（图7，B）将生成相关分子标记物（精确诊断）和预后的个性化预测，以及特定治疗建议（精确治疗）。该自动化系统还可用于“实时”监测治疗，使用更精确的定量报告工具检测常规和高级成像参数的变化，以及深度学习方法衍生的特征。
在人工智能方法完全融入日常实践之前，放射科医生的工作是将图像、人工智能工具和健康记录中的信息整合起来，以提高放射学和医疗保健的精确度。
结论
这项研究的首要目标是通过改进诊断和治疗方法，改善受中枢神经系统肿瘤影响的患者的预后。基于人工智能方法将临床、影像和基因组信息结合到预测模型中，在指导和监测个性化治疗方面有着巨大的前景。然而，存在许多挑战，要实现这一领域，还需要做很多工作。尽管如此，随着人工智能技术的不断改进，放射科医生的工作将发生重大变化，提高了放射科医生的准确性和效率。随着这些强大的工具在未来几年越来越多地融入到日常临床实践中，对未来的放射科医生来说，理解并正确使用这些工具至关重要。
