段永飛，高繼學(xué)，倪建鑫，嚴(yán)奉奇，郭佳恒，王東升

（1.延安大學(xué)醫(yī)學(xué)院，陜西 延安 716000；2.延安大學(xué)附屬醫(yī)院泌尿外科，陜西 延安 716000；3.西安市人民醫(yī)院泌尿腎臟病院，陜西 西安 710004；4.空軍軍醫(yī)大學(xué)第二附屬醫(yī)院泌尿外科，陜西 西安 710038；5.西安醫(yī)學(xué)院臨床醫(yī)學(xué)院，陜西 西安 710021）

結(jié)節(jié)性硬化癥（tuberous sclerosis complex，TSC）是一種由TSC1 或TSC2 基因突變，導(dǎo)致mTOR 通路過度激活，從而促進(jìn)多系統(tǒng)良性腫瘤生長(zhǎng)的多系統(tǒng)遺傳病[1]。TSC 在腎臟多表現(xiàn)為腎血管平滑肌脂肪瘤（renal angiomyolipoma，RAML）[2]，雖然它是一種良性腫瘤，但隨著腫瘤體積的增加，破裂所導(dǎo)致的出血風(fēng)險(xiǎn)及動(dòng)脈高壓等并發(fā)癥使其成為成年TSC 患者死亡的主要原因[3]。依維莫司作為一種mTOR 抑制劑，其可顯著減少RAML 的總體積。在2020 年《結(jié)節(jié)性硬化癥相關(guān)腎血管平滑肌脂肪瘤診療與管理專家共識(shí)》[4]中指出，mTOR 抑制劑將作為無癥狀且RAML直徑＞3 cm 的成年患者的首選治療方案。TSCRAML 患者需要長(zhǎng)期持續(xù)隨訪，通過影像學(xué)監(jiān)測(cè)腫瘤體積的變化及評(píng)估依維莫司的治療效果，三維成像可直觀立體的展現(xiàn)出腎臟及腫瘤解剖的特點(diǎn)，有效彌補(bǔ)了傳統(tǒng)二維成像的不足，并且還可精確評(píng)估腫瘤體積的變化，可很好的應(yīng)用于TSC-RAML 的診斷及隨訪中。目前用于評(píng)估腎臟和腫瘤體積的三維處理軟件繁瑣、手動(dòng)且耗時(shí)，較難于臨床開展，而智能分割技術(shù)的興起可更好地構(gòu)建出器官三維模型，并且能夠自動(dòng)、精確地分割腎臟和腫瘤，為患者提供更科學(xué)、更客觀的診療意見。本文就傳統(tǒng)三維重建技術(shù)的背景及發(fā)展現(xiàn)狀、智能化技術(shù)的興起及其在醫(yī)學(xué)領(lǐng)域的發(fā)展進(jìn)行概述，了解其主要分支及基本原理，闡述智能化技分割技術(shù)輔助下所構(gòu)建三維模型的特點(diǎn)及在TSC-RAML 診療中的應(yīng)用及前景，以期為推動(dòng)TSC-RAML 的診斷、隨訪及精準(zhǔn)體積評(píng)估進(jìn)入智能化時(shí)代提供參考。

1 傳統(tǒng)三維重建技術(shù)的背景及發(fā)展現(xiàn)狀

三維重建技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用可追溯到本世紀(jì)初，Hohne KH 等[5]于2001 年提出了可視化技術(shù)輔助三維重建人體器官的方法，自此臨床中相繼建立起各種數(shù)字化臟器的三維模型。三維重建在泌尿外科領(lǐng)域的應(yīng)用起步較晚，我國(guó)學(xué)者在2012 年才首次提出了“數(shù)字腎”的概念[6]。此后，腎臟三維重建技術(shù)廣泛應(yīng)用于腎結(jié)石、腎腫瘤、輸尿管疾病和膀胱疾病等各個(gè)領(lǐng)域。傳統(tǒng)的臟器三維重建需要借助三維重建軟件進(jìn)行，如ProPlan CMF、Mimics、ANALYSIS 等[7]，并且需要對(duì)圖像進(jìn)行手動(dòng)分割、編輯、平滑、去除偽影等一系列處理，才能完成三維模型重建。這需要耗費(fèi)醫(yī)生巨大的時(shí)間和精力，導(dǎo)致臨床醫(yī)生工作效率低下，醫(yī)療資源浪費(fèi)。而隨著大數(shù)據(jù)的發(fā)展，低效率的臨床操作終將不能滿足數(shù)字化時(shí)代的需求。

2 智能化技術(shù)的興起及其在醫(yī)學(xué)領(lǐng)域的發(fā)展

AI 的首次提出可追溯到上世紀(jì)50 年代[8]，它是指利用計(jì)算機(jī)系統(tǒng)來實(shí)現(xiàn)人的智能、方法和行為的一種技術(shù)，可高效率的執(zhí)行相關(guān)任務(wù)[9]。AI 目前廣泛應(yīng)用于多個(gè)領(lǐng)域，近些年在醫(yī)學(xué)領(lǐng)域的應(yīng)用具有巨大的突破[10]。尤其醫(yī)學(xué)影像學(xué)進(jìn)入大數(shù)據(jù)發(fā)展時(shí)代，數(shù)據(jù)的大量生成也促使智能化技術(shù)的膨脹式發(fā)展，AI 則可以高效分析數(shù)據(jù)信息，代替人類從海量的數(shù)據(jù)中提取信息規(guī)律，整合轉(zhuǎn)化為智能化模型，從而完成影像的快速審核。AI 目前在腫瘤與非腫瘤疾病中均有廣泛應(yīng)用，尤其是在腫瘤領(lǐng)域的應(yīng)用，它可以幫助處理影像學(xué)數(shù)據(jù)，借助智能化分割技術(shù)，識(shí)別并重建腫瘤模型，動(dòng)態(tài)監(jiān)測(cè)腫瘤變化并對(duì)病變進(jìn)行體積測(cè)量，輔助醫(yī)生做出精準(zhǔn)的評(píng)估[11]，而腎腫瘤作為多發(fā)病，AI輔助腎腫瘤的診斷及應(yīng)用將會(huì)有廣闊的發(fā)展空間。

3 智能化技術(shù)的分類及基本原理

基于AI 的智能化技術(shù)十分龐大，分類多樣，其中AI 的重要分支為機(jī)器學(xué)習(xí)（machine learning，ML)，其興起于上世紀(jì)80 年代[12]，注重于計(jì)算機(jī)的數(shù)據(jù)學(xué)習(xí)，運(yùn)用不同的算法來分析數(shù)據(jù)，挖掘深層信息，構(gòu)建出基礎(chǔ)模型，并以此做出正確的理解和判斷[13]，如通過數(shù)據(jù)自動(dòng)分析并檢測(cè)出影像學(xué)中的病灶，對(duì)區(qū)域中的腫瘤進(jìn)行算法分割等，在ML 中常利用到的編程算法有隨機(jī)森林（random forest，RF）、線性回歸、Logistic 回歸等[14]。雖然ML 在某些方面已取得較好的成績(jī)，但其目前還并未達(dá)到等同于人類的學(xué)習(xí)能力。深度學(xué)習(xí)（deep learning，DL）是ML 的新領(lǐng)域，也是它的一個(gè)重要子集，是指使用包含多個(gè)相互連接的人工神經(jīng)元層的神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)樣本中學(xué)習(xí)的模式[15]。與傳統(tǒng)ML 不同的是，傳統(tǒng)ML 只可以轉(zhuǎn)化處理一些原始的結(jié)構(gòu)化數(shù)據(jù)，而DL 可以處理各類包括圖像、文本和聲音等在內(nèi)的非結(jié)構(gòu)化數(shù)據(jù)，并且不通過機(jī)械性的編程算法而專注于模擬人類大腦的機(jī)制進(jìn)行數(shù)據(jù)的搜集、提取和分析[16]，在臨床的診療中極具優(yōu)勢(shì)。DL 下有多種學(xué)習(xí)分割方法，其中卷積神經(jīng)網(wǎng)絡(luò)（convolution neural networks，CNN）和U-Net 網(wǎng)絡(luò)是較為成熟的分割技術(shù)，在圖像分割算法中具有優(yōu)勢(shì)，且二者均可以很好的運(yùn)用于腎臟疾病的診療中。Niel O 等[17]研究表明，CNN 可高效完成圖像分割任務(wù)，并已成功用于腎臟疾病的診療中。Kim T 等[18]研究表明，U-Net 網(wǎng)絡(luò)在醫(yī)學(xué)圖像的分割任務(wù)中表現(xiàn)良好，可以實(shí)現(xiàn)腎臟腫瘤的精準(zhǔn)分割。

基于DL 的常見分割方法有多層轉(zhuǎn)化結(jié)構(gòu)，以CNN 分割技術(shù)為例，主要包括輸入層、卷積層、池化層和全連層[19]，這樣可以最大程度避免人為對(duì)數(shù)據(jù)的干預(yù)。DL 的基本原理是通過輸入層轉(zhuǎn)換、縮放一些基本數(shù)據(jù)并輸送至卷積層（核心層），本層主要完成各個(gè)部分?jǐn)?shù)據(jù)特征的提取，其中每個(gè)卷積層都有數(shù)個(gè)卷積核，通過不斷的卷積獲得大量不同特征的數(shù)據(jù)，然后將數(shù)據(jù)輸入池化層，本層主要作用為精簡(jiǎn)卷積數(shù)據(jù)，得到低分辨率的輸出數(shù)據(jù)，全連層的作用為分類輸出，位于池化層與輸出層之間，最終不同特征的數(shù)據(jù)經(jīng)過輸出層得到最終的分類結(jié)果。

4 AI 輔助下學(xué)習(xí)模型的應(yīng)用

4.1 輔助TSC-RAML 的診斷與鑒別診斷 TSCRAML 屬于臨床中難以鑒別的一類良性腫瘤，尤其是乏脂肪性RAML，通過傳統(tǒng)的影像表現(xiàn)難以與腎癌鑒別[20]，而二者的治療與預(yù)后完全不同，因此區(qū)分兩種實(shí)體腫瘤尤為關(guān)鍵?；贏I 的重建模型可輔助各類疾病的診斷，Mühlbauer J 等[21]研究發(fā)現(xiàn)，基于ML 的模型可提高腎腫瘤良惡性鑒別的效能。Feng Z等[22]基于DL 的學(xué)習(xí)模型對(duì)乏脂肪性RAML 與腎癌進(jìn)行鑒別，表示模型的準(zhǔn)確度、靈敏度和特異度分別可高達(dá)93.9%、87.8%和100.0%，可有效做出正確的鑒別診斷。Cui EM 等[23]研究證明，AI 輔助下的學(xué)習(xí)模型在乏脂肪性RAML 與腎癌的鑒別診斷中準(zhǔn)確率及AUC 值均較高。除此之外，Lecun Y 等[24]研究顯示，基于AI 的智能化影像診斷可量化診斷經(jīng)驗(yàn)，通過智能化模型對(duì)影像數(shù)據(jù)的學(xué)習(xí)及分析，減少對(duì)人類知識(shí)儲(chǔ)備及臨床經(jīng)驗(yàn)的依賴，實(shí)現(xiàn)機(jī)器自主對(duì)診斷經(jīng)驗(yàn)的學(xué)習(xí)。因此，在AI 輔助下可提升對(duì)TSCRAML 的診斷準(zhǔn)確性。

4.2 輔助評(píng)估TSC-RAML 體積的變化 TSC-RAML的體積大小及依維莫司治療前后的體積變化均關(guān)系著患者的后續(xù)診療及預(yù)后，有效評(píng)估TSC-RAML 體積至關(guān)重要。目前臨床中評(píng)估腫瘤體積變化的方法較多，常見的有測(cè)量腫瘤的最長(zhǎng)直徑的變化來衡量腫瘤體積的大小及改變[25]，其次還可利用橢球體積公式（π/6×長(zhǎng)×寬×高）來計(jì)算腫瘤體積變化的效果[26]，這都是傳統(tǒng)的采用肉眼觀察測(cè)量的方法，應(yīng)用于臨床之中不夠精確，存在不可避免的誤差。若利用重建模型對(duì)腫瘤體積進(jìn)行評(píng)估，可以提高腫瘤體積參數(shù)的準(zhǔn)確性?；贏I 下的醫(yī)學(xué)影像分割技術(shù)如CNN、U-Net 網(wǎng)絡(luò)等可以很好的完成腫瘤的分割與重建，Lin Z 等[27]基于U-Net 網(wǎng)絡(luò)對(duì)腎腫瘤進(jìn)行分割，證明腫瘤分割的準(zhǔn)確性高，可實(shí)現(xiàn)腫瘤各個(gè)層面直徑及腫瘤體積的自動(dòng)測(cè)量；Houshyar R 等[28]研究表明，CNN 能夠快速準(zhǔn)確地分割腎臟和腎腫瘤，精確的描繪出腫瘤及腎臟邊界，將腎臟與相鄰器官分開，并自動(dòng)進(jìn)行數(shù)據(jù)測(cè)量，以編程方式提取腫瘤和腎臟體積。對(duì)于成分復(fù)雜、形狀多樣的TSC-RAML，若通過智能化分割技術(shù)進(jìn)行模型重建，可獲得準(zhǔn)確的腫瘤體積參數(shù)，為臨床診療做出指導(dǎo)。

5 智能化模型的優(yōu)勢(shì)及特點(diǎn)

5.1 模型分割技術(shù) 高效化、精準(zhǔn)化傳統(tǒng)的三維模型分割方法很多，常見的有閾值分割法、邊緣分割法、區(qū)域分割法等[29]，這些方法均受到硬件設(shè)備及數(shù)據(jù)的限制，分割時(shí)存在很多難點(diǎn)，如成像參數(shù)的差異會(huì)不可避免的形成偽影及噪聲，需要進(jìn)行大量手工的處理；難以識(shí)別邊界信息弱的組織和器官，增加分割重建難度等；這將在分割效率及精度上均難以滿足臨床要求，而基于AI 的智能分割方法可避免這繁瑣費(fèi)力的過程。Da CL 等[30]表明基于DL 的分割算法可以克服傳統(tǒng)分割技術(shù)的不足，在無需任何人工干預(yù)的情況下就完成對(duì)病變的準(zhǔn)確分割。van Sloun R 等[31]研究顯示，基于U-net 模型的算法分割技術(shù)具有高分割性與高穩(wěn)定性，可在短時(shí)間內(nèi)實(shí)現(xiàn)高精度的腫瘤分割。由此看來，智能化分割技術(shù)具備高效、精準(zhǔn)的特點(diǎn)，它僅僅需要借助特征學(xué)習(xí)和分層抽取等高效算法，依賴于客觀數(shù)據(jù)便可以自動(dòng)、精準(zhǔn)的分割腫瘤，獲得精準(zhǔn)參數(shù)。

5.2 智能化重建 模型具有直觀性、可靠性，而人類的觀察依賴于視覺中物體的三維空間構(gòu)象，不同人的三維空間想象能力不同，這對(duì)于醫(yī)生在認(rèn)知中構(gòu)建三維立體模型具有很大的挑戰(zhàn)，而智能化三維模型可以形象直觀的定位腫瘤位置及觀察腫瘤體積的大小，重建所得圖像可凸顯強(qiáng)烈的現(xiàn)實(shí)感，并且可以極大的優(yōu)化成像效果，允許醫(yī)生可以對(duì)圖像進(jìn)行多層次、多角度的觀察分析，從而減少對(duì)認(rèn)知理解的依賴。Parkhomenko E 等[32]認(rèn)為三維模型可極大的增加外科醫(yī)生對(duì)腎臟解剖的認(rèn)知。而且與傳統(tǒng)的評(píng)估腫瘤體積方法相比，通過三維重建獲得的相關(guān)體積參數(shù)的可靠性也更高。von Rundstedt FC 等[33]在將重建所得模型與實(shí)體腫瘤進(jìn)行比較時(shí)，二者的形狀及體積有較高的相似性。Hsiao CH 等[34]研究證明，基于DL 的腎臟分割算法，自動(dòng)體積計(jì)算所得出的體積與實(shí)際值相比僅相差1.43%，提示智能化模型的準(zhǔn)確程度較高。

6 總結(jié)

TSC-RAML 雖然是良性腫瘤，但離不開影像學(xué)的支持，隨著影像數(shù)據(jù)的急劇擴(kuò)增，傳統(tǒng)的影像學(xué)技術(shù)并不能滿足于臨床的需求，AI 與醫(yī)學(xué)的不斷融合引領(lǐng)著智能化診療時(shí)代的來臨，且智能化分割技術(shù)的不斷發(fā)展也將使三維重建水平推向歷史頂峰。雖然基于AI 的各種技術(shù)尚未廣泛普及于臨床，但隨著更高質(zhì)量的數(shù)據(jù)發(fā)展及醫(yī)療系統(tǒng)完善，相信AI 可使醫(yī)療領(lǐng)域完全進(jìn)入智能時(shí)代。