述評|劉景豐:人工智慧在原發性肝癌外科治療中的應用現狀與展望

原發性肝癌(肝癌)是最常見和最致命的惡性腫瘤之一, 年新發病例數排名惡性腫瘤第6位, 年致死病例數位居惡性腫瘤第3位[1]。

80511643153333901               

原發性肝癌(肝癌)是最常見和最致命的惡性腫瘤之一, 年新發病例數排名惡性腫瘤第6位, 年致死病例數位居惡性腫瘤第3位[1]。手術切除等外科治療手段是肝癌最主要的根治性手段, 然而其術後5年生存率仍僅為40%~60%, 70%的患者在術後5年內復發[2]。近年來, 以機器學習、深度學習為代表的人工智慧技術在肺癌、結直腸癌、乳腺癌、前列腺癌等多種疾病研究領域展現出較好的應用前景, 已成為提高臨床診治水準和服務能力的重要支撐[3]。目前, 研究人員應用人工智慧技術在原發性肝癌決策制訂、術前評估、手術實施、術後輔助治療及預後預測等領域進行了廣泛探索, 本研究對人工智慧在原發性肝癌外科治療的應用作一綜述。       

1人工智慧在肝癌治療決策中的應用


原發性肝癌具有發病隱匿、進展迅速等特點, 約70%的患者診斷時為中晚期肝癌, 常合併大血管侵犯、遠處轉移等複雜病情[4]。同時, 肝癌患者多數具有肝硬化背景, 往往具有肝功能不全、門靜脈高壓等特殊情況。此外, 隨著肝癌治療手段不斷涌現, 開展多學科診治, 選擇個性化治療方案成為肝癌治療的第一步, 也是影響患者預後的關鍵一步。但目前原發性肝癌治療水準參差不齊, 不同中心掌握的治療手段各有局限, 制訂規範化、個性化治療決策是提升肝癌遠期預後的關鍵之一。

Choi等[5]收集1021例肝癌患者的治療前參數、初次治療措施及預後狀態等指標, 通過隨機森林模型構建了肝癌臨床決策治療系統, 該系統可為初診為原發性肝癌的患者推薦最佳治療措施並對該方案所對應的預後情況進行預測。Liu等[6]收集射頻消融或肝切除術治療的單發小肝癌患者超聲造影圖像, 提取其影像組學特徵並結合臨床指標構建2年無進展生存期預測模型, 結果發現, 部分患者如果調整治療策略後有望進一步改善預後, 這提示影像組學模型可為早期肝癌患者治療決策提供參考。Fu等[7]提取患者臨床資料、影像學特徵及影像組學特徵, 並構建列線圖模型用於預測患者行肝切除術或經導管動脈化療栓塞術後無進展生存期, 該模型準確性高於ITA. LI. CA和CLIP等傳統分期模型, 可為患者個性化治療決策提供參考。       

2人工智慧在肝癌術前評估中的應用


術前精準評估是肝切除術成功實施的關鍵, 也是精準肝臟外科的要求。為保證手術的安全性與徹底性, 臨床醫生需要精準地了解腫瘤大小、位置、腫瘤與周圍血管的關係、殘肝體積、肝功能情況等細節。近年來, 隨著人工智慧在影像學領域的進展, 越來越多的術前評估研究正推動精準肝臟外科進一步發展。

近年來, 隨著醫學影像學、電腦和人工智慧技術的飛速發展, 三維可視化技術由於其良好的立體解剖和細節顯示特點, 在肝癌術前評估領域獲得廣泛認可。一項國內多中心回顧性研究[8]對1665例複雜性肝癌三維可視化結果進行分析, 結果顯示:三維可視化技術一方面可準確定位腫瘤部位與形態、清楚顯示肝內血管變異, 另一方面可實施虛擬肝切除並計算殘肝體積, 為手術安全開展提供精準指導。目前, 中華醫學會數字醫學分會等已發佈《複雜性肝臟腫瘤三維可視化精準診治指南(2019版)》[9], 進一步促進三維可視化技術在肝切除術前評估中規範應用。

此外, 由於我國多數肝癌患者具有肝硬化背景, 術前評估不僅需了解殘肝體積, 還需對肝功能情況進行準確評估, 以減少術後肝衰竭等並發癥, 提升手術安全性。目前臨床多采用Child-Pugh評分與吲哚菁綠15 min滯留率進行肝功能評估。近年來, 也有諸多新技術應用於肝功能評估領域。Xie等[10]發現肝癌術前行二維剪切波彈性成像有助於區分肝纖維化程度, 並且發現距離腫瘤邊界2~5 cm測定時準確度最高。Lee等[11]應用深度卷積神經網路演算法與超聲檢查相結合, 結果發現該模型在內部和外部驗證集預測肝硬化的曲線下面積達0. 901和0. 857。Wang等[12]通過多中心慢性乙型肝炎患者的超聲彈性成像和穿刺病理結果開發了深度學習模型用於預測肝纖維化程度, 其預測準確度顯著高於臨床常規方法。

腫瘤分化程度、微血管侵犯等生物學指標對肝癌預後和治療決策具有重要價值, 但其依賴於術後病理診斷。利用術前影像學資料結合人工智慧技術預測肝癌病理學特徵是近年來研究的熱點[13]。Chen等[14]利用CT影像組學結合SVM(支援向量機)機器學習方法構建肝細胞癌分化程度預測模型, 可在術前將患者預測為高分化或低分化。Zhou等[15]利用MRI檢查的DWI期圖像結合CNN深度學習演算法同樣可實現術前高分化與低分化的準確預測。微血管侵犯(MVI)是影響肝癌根治性切除術後預後不良的獨立危險因素, 術前明確MVI狀態及分類有利於制訂合理的手術規劃。本團隊[16]前期基於影像學特徵聯合檢驗指標等臨床資料, 利用輕量級梯度提升機(Light GBM)等機器學習演算法構建MVI術前預測模型, 模型準確率高且具有可解釋性。Jiang等[17]比較XGBoost與深度學習演算法模型在MVI預測中的應用價值, 結果發現, 基於影像組學-影像學特徵-臨床指標的機器學習模型與3D-CNN模型均具有良好的預測準確率, AUC分別為0. 887 (95%CI:0. 797~0. 947)和0. 906 (95%CI:0. 821~0. 960)。Zhou等[18]綜合利用增強MRI平掃期、動脈期及門靜脈期的圖像與3D CNN深度學習演算法構建術前MVI模型, 預測準確率高於傳統CNN模型。此外, 有學者通過增強MRI影像組學技術可實現肝細胞癌GPC3[19]、CK19[20]水準的術前預測, 其驗證組C指數分別達0. 914和0. 846。

此外, 術後生活品質是影響患者手術意願的重要因素。Chiu等[21]通過健康調查簡表及肝膽腫瘤治療功能評定量表等評價肝癌患者術後生活品質, 並通過敏感性分析篩選出術前功能狀態、年齡及查爾森合併症指數等指標是影響術後生活品質的重要因素, 最終應用人工神經網路構建肝癌術後生活品質預測模型, 結果表明該模型可在術前對生活品質進行較為準確的預測。       

3人工智慧在肝切除術中的應用


隨著肝臟外科技術的發展, 肝臟手術的規範化和精細化日益受到重視。然而, 肝內解剖結構不僅複雜並且因人而異, 實現精準肝切除仍是挑戰性難題。近年來, 術前三維可視化技術、術中超聲及循肝靜脈等解剖標誌是實現解剖性肝切除的主要技術手段。此外, ICG熒光引導[22-23]技術在小病灶檢出、顯示解剖斷面、實現解剖性切除等方面具有積極意義, 目前也已廣泛應用於解剖性肝切除術中。

增強現實(AR)是將虛擬的場景融合到真實場景中, 實現對現實世界增強的混合技術。目前, AR技術在腹腔鏡肝切除、機器人肝切除等手術中已得到初步應用, 研究結果提示AR技術可實時顯示肝內管道結構與腫瘤位置, 實時監控並引導手術的進行[24-25]。方馳華教授團隊[26]對AR導航組與非AR導航組患者腹腔鏡肝切除術的術中和術後情況進行比較, 結果發現, 腹腔鏡肝切除術應用AR導航有助於減少術中出血量、降低術中輸液率並顯著減少住院時間。此外, 實現腫瘤切緣陰性是保證原發性肝癌肝切除術療效的關鍵。目前, 冰凍切片病理檢查是術中明確切緣狀態的主要手段, 但其檢測費時且需要經驗豐富的病理醫師進行診斷。Giordano等[27]基於質譜檢查與支援向量機、隨機森林等機器學習演算法, 可在術中對肝細胞癌、肝內膽管癌及癌旁組織進行快速鑒別, 該技術可能有助於術中快速決策並改善患者遠期預後。       

4人工智慧在肝癌術後管理中的應用


複雜性肝癌切除術後可能會出現腹腔出血、腹腔感染、肝功能不全等並發癥, 對術後並發癥進行預測對患者術後管理具有重要意義。Merath等[28]基於美國外科醫師學會國家外科品質提升計劃數據庫臨床資料, 應用決策樹演算法構建肝切除術後並發癥預測模型, 結果發現該模型在預測中風、切口裂開、心臟驟停、腎功能衰竭、肺栓塞及感染性休克等多種並發癥方面具有較好的一致性。

肝切除術後肝衰竭是影響患者預後的嚴重並發癥, 在進行肝切除術前準確預測肝切除術後肝衰竭風險具有重要意義。目前臨床上常用Child-Pugh評分、ICG及殘余肝體積等預測術後肝功能衰竭, 但總體準確率有限[29]。Cai等[30]首先應用CT影像組學構建原發性肝癌術後肝功能衰竭預測模型, 該模型曲線下面積達0. 762, 預測價值顯著高於傳統Child-Pugh、MELD及ALBI等評分系統, 具有較好的應用前景。Zhu等[31]利用術前MRI影像組學預測肝硬化肝癌患者行大範圍肝切除術後肝衰竭並發癥, AUC為0. 894。Mai等[32]通過多因素分析顯示, PLT、PT、TBil、AST和殘余肝體積是肝切除術後肝衰竭的重要預測因素, 並利用以上因素構建人工神經網路預測模型, 可準確預測肝細胞癌患者半肝切除術後發生肝衰竭的中高危風險患者, 為早期干預提供指導。       

5人工智慧在肝癌輔助治療中的應用


手術切除是肝癌最有效的治療方法之一, 但即便行根治性腫瘤切除, 其術後5年復發率高達50%~70%。肝癌術後復發是進一步提高肝癌療效的瓶頸問題, 探索肝癌術後復發危險因素並制訂針對性抗復發治療策略是進一步改善患者預後的關鍵。Ji等[33]應用術前CT影像組學聯合AFP、ALBI、肝硬化及腫瘤邊界等臨床資料構建肝癌術後復發預測模型, 其準確性顯著高於傳統分期模型。Zhang等[34]應用術前MRI影像組學聯合臨床指標構建術後復發模型, 其AUC達0. 884, 顯著高於單獨的臨床模型或影像組學模型。此外, 早期復發和晚期復發等不同復發時段的患者復發危險因素並不相同, Kim等[35]分析不同復發時期患者MRI影像組學特徵並分別構建術後早期及晚期復發預測模型。本團隊[36]基於肝癌大數據資料, 探索不同復發時段患者復發影響因素並利用隨機生存森林、極限梯度提升(XGBoost) 等機器學習演算法構建肝切除術後復發預測模型, 可針對肝癌術後不同時間復發風險進行預測, 將患者分為高、中和低風險組, 並用於指導輔助治療。此外, 也有研究者根據術後遠處轉移風險[37-38]、未來大血管侵犯發生風險[39]等預測模型用於個性化指導術後輔助治療。

值得注意的是, 肝癌是一種異質性程度非常高的腫瘤, 即便同一個分期的肝癌患者可能預後並不相同。有必要根據患者臨床特徵進行個性化預後預測以進一步區分復發或死亡風險以指導輔助治療。已有研究者構建肝癌合併門靜脈癌栓[40]、肝癌合併下腔靜脈癌栓[41]、多發肝癌[42]等術後預後預測模型用於輔助治療決策。本團隊根據病因、生物學特性、臨床病理因素等特徵構建多種特徵肝癌患者預後預測模型, 包括乙型肝炎肝癌[43]、非乙非丙型肝癌[44]、AFP陰性肝癌[45]、巨大肝癌[46]等預後預測模型, 為精準化個性化輔助治療決策提供依據。       

6展望


近年來, 網際網路、大數據、雲計算、人工智慧、區塊鏈等技術加速創新, 日益融入經濟社會發展各領域全過程, 推動人工智慧等新興技術在豐富的醫療場景中落地應用對醫療行業智慧化、高品質發展至關重要。目前, 人工智慧在原發性肝癌篩查、診斷、分期、治療決策、預後評估等全診療流程中深度參與。本文對人工智慧在原發性肝癌外科治療中應用現狀進行了總結, 指出目前人工智慧相關研究多集中于肝癌術前評估與預後預測等方面, 尤其在術前微血管侵犯預測及術後復發預測等方面成果突出, 在治療決策及術中輔助方面也有初步應用。

現有研究提示:聯合應用傳統臨床指標、影像學特徵及影像組學等多維度資訊, 綜合機器學習、深度學習技術有助於提升風險預測模型的準確性。此外, 風險預測模型在復發預測、微血管侵犯預測等場景中應用落地將進一步提升治療決策精準化、個性化, 對精準肝臟外科發展具有積極且重要的意義。然而, 儘管目前已研發眾多人工智慧應用工具, 但落地應用較少, 促進人工智慧應用在臨床診療中落地是未來需重點解決的問題。這既需要結合臨床診療流程對人工智慧進行前瞻性、多中心驗證, 提升模型的準確性和魯棒性;也需要提升人工智慧模型的可解釋性, 並明確人工智慧在臨床應用中的管理問題。總之, 人工智慧已在原發性肝癌外科治療全流程中顯示出巨大的應用前景, 但如何促進其落地應用、真正提高臨床服務能力並最終改善患者預後尚需更為深入的探索和努力。 

http://www.lcgdbzz.org/cn/article/doi/10.3969/j.issn.1001-5256.2022.01.001

  60221643153335012 引證本文

劉紅枝, 劉景豐. 人工智慧在原發性肝癌外科治療中的應用現狀與展望[J]. 臨床肝膽病雜誌, 2022, 38(1): 10-14.


本文編輯:林姣

公眾號編輯:邢翔宇


      中國網是國務院新聞辦公室領導,中國外文出版發行事業局管理的國家重點新聞網站。本網通過10個語種11個文版,24小時對外發佈資訊,是中國進行國際傳播、資訊交流的重要窗口。

      凡本網註明“來源:中國網”的所有作品,均為中國網際網路新聞中心合法擁有版權或有權使用的作品,未經本網授權不得轉載、摘編或利用其他方式使用上述作品。

電話:0086-10-88828000

傳真:0086-10-88828231

媒體合作:0086-10-88828175

品牌活動合作:0086-10-88828063

廣告合作:0086-10-88825964