梁朔銘,羅欣怡,江曉峰,王國泰,冷雪峰

610041 成都,四川省腫瘤臨床醫(yī)學(xué)研究中心,四川省腫瘤醫(yī)院·研究所,四川省癌癥防治中心,電子科技大學(xué)附屬腫瘤醫(yī)院 胸外科(梁朔銘、江曉峰、冷雪峰),超聲科(羅欣怡);610500 成都,成都醫(yī)學(xué)院 臨床醫(yī)學(xué)院(梁朔銘、羅欣怡);611731 成都,電子科技大學(xué) 機(jī)械與電氣工程學(xué)院(王國泰)

食管癌是全球第九大常見癌癥,其死亡率在所有癌癥中排名第七。我國是食管癌高發(fā)國家,病理類型以食管鱗狀細(xì)胞癌(esophageal squamous cell carcinoma,ESCC)為主[1]。2020年中國食管癌的發(fā)病率和死亡率約為世界平均水平的2倍。但食管癌的早期癥狀不明顯,許多患者在確診時(shí)已進(jìn)入中晚期,導(dǎo)致治療效果不佳,患者生存獲益有限。近年來,提高患者的治療效果是食管癌的研究熱點(diǎn),這突顯了其早期診斷和個(gè)性化治療的重要性。人工智能(artificial intelligence,AI)是能夠從大量數(shù)據(jù)中識(shí)別特征并進(jìn)行推理的各種技術(shù)的總稱,包括機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺等[2]。近年來,AI技術(shù)的崛起為食管癌的診療和個(gè)性化診療提供了新的可能,它不僅能夠提升醫(yī)生的診斷準(zhǔn)確率、縮短檢查時(shí)間,降低操作難度,還能輔助醫(yī)生預(yù)測患者的治療療效及安全性,如放化療的耐受性和毒副作用風(fēng)險(xiǎn),提供更為科學(xué)和個(gè)性化的治療方案等。未來AI技術(shù)還可以廣泛應(yīng)用在優(yōu)化食管癌診療過程中的多個(gè)方面,如醫(yī)療資源配置[3]、健康管理[4]、醫(yī)療培訓(xùn)[5]、醫(yī)療質(zhì)量管理[6]和后勤管理[7]等,可以極大地提高醫(yī)療服務(wù)的效率和質(zhì)量。本文以現(xiàn)有研究為依據(jù),從食管癌的診斷和治療的角度出發(fā),闡述AI與食管癌之間的研究進(jìn)展,為未來該領(lǐng)域的研究提供思路。

1 AI在食管癌診斷中的應(yīng)用

1.1 影像組學(xué)

影像組學(xué)是一種基于醫(yī)學(xué)影像數(shù)據(jù)的新型研究方法,與AI的結(jié)合展現(xiàn)出了巨大的診斷潛力。通過AI技術(shù)對(duì)醫(yī)學(xué)影像的分析,可進(jìn)一步提高食管癌的診斷準(zhǔn)確率。

食管吞鋇造影是一種X線檢查方法,可以檢測食管癌的特征性變化,如食管黏膜中斷、破壞和狹窄,對(duì)早期食管癌的診斷具有重要價(jià)值。Zhang等[8]開發(fā)了一種自動(dòng)檢測食管癌的深度學(xué)習(xí)系統(tǒng)(deep learning system,DLS),基于食管鋇餐造影的 5 個(gè)數(shù)據(jù)集用于 DLS 的逐步訓(xùn)練、驗(yàn)證和測試,最后,通過DLS輸出一個(gè)帶有概率值的定位框。結(jié)果顯示,DLS檢測食管癌的準(zhǔn)確率、敏感度和特異度分別為90.3%、92.5%和88.7%。DLS輔助可以顯著縮短放射科醫(yī)生的讀片時(shí)間(醫(yī)生1用時(shí)45.7秒,沒有DLS輔助72.2 秒;醫(yī)生2用時(shí)54.1秒,沒有DLS輔助108.7秒)。DLS輔助的診斷準(zhǔn)確率、敏感度和特異度結(jié)果均優(yōu)于沒有DLS輔助的情況(醫(yī)生1使用和不使用DLS輔助的診斷效率:準(zhǔn)確率96.8%vs89.3%,敏感度97.5%vs87.5%,特異度96.2%vs90.6%,AUC 0.969vs0.890;醫(yī)生2使用和不使用DLS輔助的診斷效率:準(zhǔn)確率95.7%vs88.2%,敏感度92.5%vs77.5%,特異度98.1%vs96.2%,AUC 0.953vs0.869)。此外,DLS輸出的定位框與手動(dòng)標(biāo)記的定位框幾乎重疊。通過使用DLS對(duì)食管鋇餐造影進(jìn)行自動(dòng)化檢測,能夠顯著提高食管癌的診斷準(zhǔn)確性和效率,同時(shí)減少放射科醫(yī)生的工作負(fù)擔(dān)。

計(jì)算機(jī)斷層掃描(computerized tomography,CT)可以檢測食管癌病灶[9],顯示腫瘤的位置、大小、形態(tài)、與周圍組織的關(guān)系及淋巴結(jié)轉(zhuǎn)移和遠(yuǎn)處器官轉(zhuǎn)移的情況。磁共振成像(magnetic resonance imaging,MRI)相較于CT,有著更高的對(duì)比度和多參數(shù)成像,對(duì)軟組織顯示能力更好等優(yōu)勢。二者均可精確評(píng)估患者病情為手術(shù)、放化療和免疫治療等提供指導(dǎo)。Takeuchi等[10]通過深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)的圖像識(shí)別模型VGG16建立了一種AI 的食管癌診斷系統(tǒng),基于1 457張包括腫瘤病灶和非腫瘤病灶影像在內(nèi)的數(shù)據(jù)集按9∶1進(jìn)行訓(xùn)練和測試。結(jié)果顯示,CT圖像CNN的準(zhǔn)確性和特異性均高于兩位放射科醫(yī)生,F值與放射科醫(yī)生相當(dāng),敏感度低于放射科醫(yī)生(準(zhǔn)確率0.842vs0.836vs0.808,特異度0.900vs0.790vs0.760,F值0.742vs0.782vs0.750,敏感度0.717vs0.935vs0.913),表明其在食管癌診斷中具有潛在的應(yīng)用價(jià)值。劉紳[11]基于患者的MRI圖像,使用了影像組學(xué)和深度學(xué)習(xí)兩種技術(shù)對(duì)食管癌的早期和晚期進(jìn)行分類,結(jié)果顯示,使用影像組學(xué)技術(shù)、深度學(xué)習(xí)技術(shù)及兩種鑒別方法相結(jié)合的AUC分別為0.756vs0.703vs0.783,證明兩種技術(shù)的結(jié)合可以提高模型診斷的準(zhǔn)確率,在應(yīng)用上具有較大的潛力。但MRI利用AI技術(shù)在食管癌診斷領(lǐng)域的研究開展相對(duì)較少,仍有較大的進(jìn)步空間,期待國內(nèi)外學(xué)者在該領(lǐng)域有更大的突破。

正電子發(fā)射計(jì)算機(jī)斷層顯像(positron emission tomography-computed tomography,PET-CT)可以揭示腫瘤的生長情況、擴(kuò)散范圍以及與周圍組織的關(guān)聯(lián),有助于確定食管癌的分期和嚴(yán)重程度。Zhang等[12]基于ESCC患者的PET-CT參數(shù)(包括原發(fā)腫瘤代謝活性的長度和厚度)及臨床病理結(jié)果構(gòu)建了預(yù)測淋巴結(jié)轉(zhuǎn)移和生存的線性預(yù)測模型。結(jié)果表明,在預(yù)測淋巴結(jié)的轉(zhuǎn)移上,訓(xùn)練集的C指數(shù)為0.763,測試集的C指數(shù)為0.766。決策曲線分析提示該預(yù)測模型優(yōu)于先前基于淋巴結(jié)攝取或長/短軸直徑或軸比的方法;此外還發(fā)現(xiàn)0.2為風(fēng)險(xiǎn)評(píng)分的最佳截?cái)嘀?可以預(yù)測患者的5年總生存率(P=0.0015)。這表明PET-CT預(yù)測模型可能會(huì)提高ESCC患者治療前診斷的準(zhǔn)確性并有助于個(gè)性化治療策略的制定。

1.2 生物標(biāo)志物組學(xué)

生物標(biāo)志物組學(xué)是指利用高通量技術(shù),對(duì)基因、蛋白質(zhì)、代謝相關(guān)物質(zhì)等多種生物標(biāo)志物進(jìn)行分析的系統(tǒng)性研究。

基因組學(xué)主要通過基因組序列分析等方法,研究基因組的表達(dá)、調(diào)控、結(jié)構(gòu)和功能,以及它們對(duì)生物體的影響。Xue等[13]對(duì)比了食管癌組織和正常組織樣本中所有差異表達(dá)的mRNA,通過生物信息學(xué)分析發(fā)現(xiàn)了3個(gè)顯著基因,并以此作為診斷特征并開發(fā)了AI深度學(xué)習(xí)模型。結(jié)果顯示模型在訓(xùn)練集的準(zhǔn)確率達(dá)到93%,在測試集的準(zhǔn)確率達(dá)到87%。表明該模型可以精確地區(qū)分食管腫瘤樣本和正常樣本。

蛋白組學(xué)是以蛋白質(zhì)組為研究對(duì)象,研究細(xì)胞、組織或生物體蛋白質(zhì)組成及其變化規(guī)律的科學(xué)。Liu等[14]通過對(duì)食管腫瘤和正常相鄰組織的蛋白質(zhì)組和磷酸化蛋白質(zhì)組的分析,基于共識(shí)聚類算法將食管癌區(qū)分為生存率較高的S1亞型和高侵襲性的S2亞型,并篩選出了ELOA和SCAF4兩個(gè)蛋白質(zhì)作為診斷標(biāo)志物。研究的測試隊(duì)列基于診斷標(biāo)志物,預(yù)測了295名ESCC患者的亞型并使用Kaplan-Meier曲線進(jìn)行生存分析,結(jié)果顯示S2亞型的患者總生存時(shí)間(overall survival,OS)(S1和S2的OS中位數(shù)分別為1 414天和855.5天;對(duì)數(shù)秩P=0.012)和無疾病生存時(shí)間(disease-free survival,DFS)(S1和S2的DFS中位數(shù)分別為1 150天和639.5天;對(duì)數(shù)秩P=0.03)較S1亞型患者更差,表明亞型診斷模型可以準(zhǔn)確預(yù)測食管癌亞型。

代謝組學(xué)是效仿基因組學(xué)和蛋白質(zhì)組學(xué)的研究思想,對(duì)生物體內(nèi)所有代謝物進(jìn)行定量分析,并尋找代謝物與生理病理變化的相對(duì)關(guān)系的研究方式。因此,代謝組學(xué)在生物標(biāo)志物組學(xué)的研究中也發(fā)揮著至關(guān)重要的作用。Yuan等[15]結(jié)合血清脂質(zhì)組學(xué)和機(jī)器學(xué)習(xí)算法,開發(fā)了一組12種脂質(zhì)生物標(biāo)志物的模型以診斷ESCC。結(jié)果顯示該AI模型在訓(xùn)練隊(duì)列、驗(yàn)證隊(duì)列和獨(dú)立驗(yàn)證隊(duì)列的敏感度分別為90.7%、91.3%和90.7%,AUC分別為0.958、0.966和0.818。證明其是一種可靠、快速、非侵入性的臨床腫瘤診斷方法。

深度學(xué)習(xí)等AI技術(shù)通過結(jié)合生物標(biāo)志物組學(xué)的數(shù)據(jù),可以更準(zhǔn)確地診斷疾病、預(yù)測療效,從而提高治療成功率并降低副作用。這種跨學(xué)科的方法將推動(dòng)醫(yī)學(xué)研究和臨床實(shí)踐的進(jìn)步,為患者帶來更優(yōu)質(zhì)的醫(yī)療服務(wù)。

1.3 病理組學(xué)

病理組學(xué)是一種研究人體組織結(jié)構(gòu)和細(xì)胞病理變化的學(xué)科,通過對(duì)人體組織樣本進(jìn)行觀察、組織學(xué)評(píng)估和病理學(xué)診斷,為臨床醫(yī)學(xué)提供有關(guān)疾病病因、發(fā)病機(jī)制、病理變化和診斷治療等方面的信息。

AI可以深度學(xué)習(xí)病理圖像中的紋理、顏色和形狀等特征,從而快速準(zhǔn)確地檢測早期ESCC和高級(jí)別上皮內(nèi)瘤變。Yao等[16]開發(fā)了一款基于深度學(xué)習(xí)的AI輔助診斷系統(tǒng)來識(shí)別食管上皮細(xì)胞的病理類型,研究使用了約350萬個(gè)食管上皮細(xì)胞的數(shù)字圖像作為訓(xùn)練集和驗(yàn)證集。結(jié)果顯示,AI輔助診斷相較于人工診斷具有更高的效率[(50.9±0.8)秒vs(236.8±3.9)秒,P=1.52×10-76]、一致性 [93.27%(95%CI:92.76%～93.74%)vs65.29% (95%CI:64.35%～66.22%),P=1.03×10-84]、準(zhǔn)確性[96.89% (92.38%～98.57%)vs72.54%(65.85%～78.35%),P=1.42×10-14)]、敏感性[99.35%(95.92%～99.97%)vs68.39%(60.36%～75.48%),P=7.11×10-15]和陰性預(yù)測值[97.06%(82.95%～99.85%)vs40.96% (30.46%～52.31%),P=1.42×10-14],特異度和陽性預(yù)測值的差異無統(tǒng)計(jì)學(xué)意義; 此外,該技術(shù)可以作為內(nèi)鏡檢查前的群體篩查方法。結(jié)果顯示,AI輔助診斷相較于人工診斷具有更高的特異度(97.74%vs88.52%)、陽性預(yù)測值(40.51%vs12.13%)及內(nèi)鏡檢查的一致性(40.51%vs12.13%),并且能夠顯著降低篩查成本和假陽性率。

AI與病理組學(xué)的結(jié)合也可以預(yù)測異型增生的分級(jí),為食管癌的早期診斷提供有力支持。Beuque等[17]收集了57例食管組織活檢樣本,開發(fā)了基于深度學(xué)習(xí)和其他機(jī)器學(xué)習(xí)模型的機(jī)器學(xué)習(xí)系統(tǒng)來預(yù)測巴雷特食管(Barrett’s esophagus,BE)的分級(jí)。結(jié)果顯示蘇木精和伊紅染色的分類模型在區(qū)分非增生性BE和低度增生方面表現(xiàn)較好,但在區(qū)分低度增生和高度增生方面表現(xiàn)較差。未來,AI在病理學(xué)領(lǐng)域的應(yīng)用將進(jìn)一步提高,從而推動(dòng)精準(zhǔn)治療的發(fā)展。

1.4 消化道內(nèi)鏡

消化道內(nèi)鏡是一種檢查胃腸道疾病的醫(yī)療設(shè)備,通過內(nèi)窺鏡觀察消化道內(nèi)部病變情況,并可進(jìn)行取樣檢查,有助于診斷和治療消化道疾病。

AI技術(shù)可以實(shí)時(shí)識(shí)別病灶的位置和范圍,用于食管癌篩查與診斷[18]。Yuan等[19]基于YOLACT模型的算法,開發(fā)了一種新的AI系統(tǒng)。該系統(tǒng)可以識(shí)別多種消化道內(nèi)鏡成像模式并實(shí)時(shí)地檢測和勾畫早期ESCC的邊緣。此外,該系統(tǒng)還成功集成到了內(nèi)鏡設(shè)備上,監(jiān)視器的左上部分可以顯示當(dāng)前的內(nèi)鏡影像學(xué)檢查方式和疑似早期ESCC的概率評(píng)分。Li等[20]設(shè)計(jì)了一個(gè)新的神經(jīng)網(wǎng)絡(luò)VGG-NIN和錯(cuò)誤圖像篩選模塊,可以自動(dòng)篩選出數(shù)據(jù)集中所有可能的錯(cuò)誤圖像。實(shí)驗(yàn)結(jié)果表明,該方法能夠清除數(shù)據(jù)集中約93%的誤標(biāo)圖像且具有良好的泛化能力。

上皮乳頭內(nèi)毛細(xì)血管袢(intraepithelial papillary capillary loop,IPCL)是一種與食管癌相關(guān)的微血管結(jié)構(gòu),其存在和形態(tài)可以作為疾病診斷的參考依據(jù)。AI可以輔助醫(yī)生對(duì) IPCL 模式的識(shí)別。Everson等[21]使用67 742張高質(zhì)量放大內(nèi)鏡窄帶圖像基于CNN訓(xùn)練了識(shí)別模型,并與9名專家組成的小組進(jìn)行識(shí)別能力的比較。結(jié)果顯示,歐州專家、亞洲專家和模型的F1分?jǐn)?shù)、敏感度、準(zhǔn)確性分別為97%vs98%vs94%、97%vs98%vs93.7%和96.9%vs97.1%vs91.7%,證明模型的診斷性能可與內(nèi)鏡專家相媲美。

基于探頭式共聚焦激光顯微內(nèi)鏡(probe-based confocal laser endomicroscopy,pCLE)可以對(duì)組織進(jìn)行放大,最高可放大1 000倍,實(shí)現(xiàn)細(xì)胞層面實(shí)時(shí)觀察的光學(xué)診斷[22]。而容積式激光顯微內(nèi)鏡(volumetric laser endomicroscopy,VLE)是通過激光雷達(dá)技術(shù)發(fā)射激光束并接收反射回來的信號(hào),獲取高分辨率的深度圖像,二者均已被證明具有較高的診斷準(zhǔn)確性[23]。Guleria等[24]使用兩種不同的深度學(xué)習(xí)模型Attn和MultiAttn對(duì)pCLE的結(jié)果進(jìn)行分類,結(jié)果顯示模型對(duì)異型增生的敏感性很高(71%),所有類別的總體準(zhǔn)確度為90%,與醫(yī)生的準(zhǔn)確性相似。Trindade等[25]使用了一款A(yù)I圖像增強(qiáng)軟件IRIS識(shí)別出了3種與組織學(xué)不典型增生相關(guān)的VLE特征,并應(yīng)用智能實(shí)時(shí)圖像分割功能將不同特征對(duì)應(yīng)的顏色疊加在圖像上,可疑區(qū)域顯示為3種顏色的重疊。通過對(duì)可疑區(qū)域?qū)嵤﹥?nèi)鏡下黏膜切除術(shù)及組織病理學(xué)檢查發(fā)現(xiàn)為局灶性低度不典型增生,證明VLE與IRIS的組合是一種有應(yīng)用前景的工具。

1.5 分子光譜組學(xué)

分子光譜組學(xué)是研究分子在不同頻率范圍內(nèi)的光譜特性的學(xué)科,涉及紫外-可見光譜、紅外光譜、拉曼光譜等多個(gè)分支,可以用于檢測食管組織中的分子結(jié)構(gòu)和化學(xué)鍵變化,以區(qū)分正常組織和癌變組織,對(duì)病變的轉(zhuǎn)化階段進(jìn)行分類等[26-28]。Huang等[29]利用拉曼光譜對(duì)七種ESCC細(xì)胞系和一種正常食管細(xì)胞系進(jìn)行掃描和數(shù)據(jù)采集,使用了四種機(jī)器學(xué)習(xí)算法構(gòu)建了模型并評(píng)估了準(zhǔn)確率、靈敏度、特異度和ROC曲線等指標(biāo)。結(jié)果顯示四種機(jī)器學(xué)習(xí)算法均能夠從正常食管細(xì)胞中區(qū)分出ESCC細(xì)胞亞型,其中PCA-XGB模型的準(zhǔn)確率最高,達(dá)到85%。證明這是一種較為新穎的、有效的和無創(chuàng)的食管癌的早期診斷手段。

2 AI在食管癌治療中的應(yīng)用

2.1 圍手術(shù)期應(yīng)用

AI在食管癌圍手術(shù)期中的應(yīng)用表現(xiàn)出了極高的實(shí)用價(jià)值?？梢暂o助手術(shù)操作,預(yù)測術(shù)后并發(fā)癥、復(fù)發(fā)風(fēng)險(xiǎn)、生存風(fēng)險(xiǎn)、無進(jìn)展生存期(progression-free survival, PFS)和OS等[30]。

AI外科是指使用自主或半自主機(jī)器的手術(shù)輔助系統(tǒng),目的是使用包括機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺和自然語言處理等技術(shù)使手術(shù)更加安全、高效并改善治療效果。目前AI在手術(shù)中的應(yīng)用主要體現(xiàn)在手術(shù)操作階段的識(shí)別、感興趣區(qū)域的圖像及視頻的分割、手術(shù)導(dǎo)航,反饋觸覺信息等方面。但也面臨著數(shù)據(jù)獲取、數(shù)據(jù)標(biāo)注、模型訓(xùn)練、場景適應(yīng)、倫理等方面的問題[31]。

AI可以結(jié)合患者的臨床及病理數(shù)據(jù)進(jìn)行分析,以預(yù)測術(shù)后并發(fā)癥發(fā)生風(fēng)險(xiǎn)。van Kooten等[32]開發(fā)了一個(gè)基于多種機(jī)器學(xué)習(xí)策略的術(shù)后吻合口瘺和肺部并發(fā)癥的預(yù)測模型,并與廣義線性模型(generalized linear model,GLM)進(jìn)行比較。結(jié)果顯示,GLM在預(yù)測吻合口漏和肺部并發(fā)癥方面具有較高的預(yù)測價(jià)值,GLM與神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)模型的AUC分別為:吻合口漏(61.9%vs61.7%)和肺部并發(fā)癥(64.4%vs64.3%),證明機(jī)器學(xué)習(xí)模型可以預(yù)測食管癌的術(shù)后并發(fā)癥,但其表現(xiàn)并不優(yōu)于目前的線性回歸分析。

AI還可以預(yù)測食管癌患者對(duì)特定治療的反應(yīng),從而協(xié)助醫(yī)生選擇最合適的治療方案。Rice等[33]利用機(jī)器學(xué)習(xí)算法分析了真實(shí)世界的數(shù)據(jù),篩選出了食管癌和食管胃結(jié)合部腺癌患者最佳的個(gè)性化治療方案并評(píng)估了方案的效果。結(jié)果顯示,患者接受最佳治療方案的總限制平均生存時(shí)間(restricted mean survival time,RMST)比實(shí)際接受治療的總RMST增加了7%。對(duì)于單純食管切除術(shù)的患者,61%的患者接受了最佳治療方案,對(duì)于新輔助治療的患者,只有36%的患者接受了最佳治療方案。且許多患者預(yù)計(jì)可以從術(shù)后輔助治療中獲益。這說明最佳治療方案取決于患者和癌癥的個(gè)體差異,不能僅僅依據(jù)平均治療效果做簡單決策。

2.2 放化療及藥物研發(fā)的應(yīng)用

AI可以通過對(duì)大量的數(shù)據(jù)學(xué)習(xí)和分析,預(yù)測放療、化療、免疫及靶向治療的治療效果[34-40]、不良反應(yīng)[41-46]、評(píng)估患者的生存風(fēng)險(xiǎn)、PFS和OS、提高放療靶區(qū)勾畫的準(zhǔn)確性,預(yù)測最佳放療劑量[47-48]等。

在預(yù)測治療效果方面,Xiong等[49]基于18F-FDG PET的影像組學(xué)特征及臨床特征,對(duì)食管癌同步放化療(concurrent chemotherapy and radiotherapy,CCRT)的療效進(jìn)行評(píng)估,結(jié)果顯示模型的準(zhǔn)確率為93.3%,特異性為95.7%,靈敏度為85.7%。Li等[50]基于治療前CT圖像,建立并驗(yàn)證了三維DL影像組學(xué)模型來預(yù)測局部晚期胸段鱗狀細(xì)胞癌患者對(duì)CCRT的治療反應(yīng)。結(jié)果顯示模型的AUC表現(xiàn)良好,訓(xùn)練集為0.897(95%CI:0.840～0.959),測試集為0.833(95%CI:0.654～1.000)。并且該模型準(zhǔn)確預(yù)測了對(duì)CCRT不敏感的患者,驗(yàn)證集的陽性預(yù)測值為100%。

在放療的靶區(qū)勾畫上,Cao等[51]基于深度擴(kuò)張卷積U型網(wǎng)絡(luò),開發(fā)了可以在食管癌患者的術(shù)后CT圖像上自動(dòng)分割放療的臨床靶體積的模型,結(jié)果表明該模型的分割精度(總體平均Dice相似系數(shù)為86.7%,95%豪斯多夫距離為37.4 mm)、魯棒性(平均Cohen Kappa系數(shù)為0.863)和效率(每位患者分割臨床目標(biāo)體積的測試時(shí)間約為 25 秒)均優(yōu)于U型網(wǎng)絡(luò)和注意力U型網(wǎng)絡(luò),實(shí)現(xiàn)了食管癌快速準(zhǔn)確的臨床靶體積自動(dòng)分割。

在預(yù)測患者的生存上,Wang等[52]基于CT圖像獲得的特征,開發(fā)了深度學(xué)習(xí)放射組學(xué)(deep learning radiomics,DLR)模型,預(yù)測食管癌患者化療后的整體3年OS率。結(jié)果顯示,在訓(xùn)練和驗(yàn)證數(shù)據(jù)集中,DLR模型的Harrel’s一致性指數(shù)分別為0.76和0.784,說明DLR模型在預(yù)測食管癌患者3年OS率方面具有較高的準(zhǔn)確性。

研究人員還可以利用深度學(xué)習(xí)等AI技術(shù)快速篩選和預(yù)測潛在的藥物分子和治療靶點(diǎn),并評(píng)估它們與腫瘤細(xì)胞相互作用的可能性。Hughes等[53]通過圖像分割和特征提取,得到了構(gòu)成細(xì)胞表征指紋的733個(gè)特征,隨后對(duì)表征指紋的聚類得到了有相似表征的細(xì)胞群。通過觀察不同的細(xì)胞群對(duì)19 555種小分子藥物的反應(yīng),可以發(fā)現(xiàn)針對(duì)食管癌的藥物和靶點(diǎn)。

以上這些進(jìn)展預(yù)示著AI將在食管癌診斷和治療中發(fā)揮重要作用,提高臨床決策的質(zhì)量并改善患者的治療效果。

3 總結(jié)與展望

本文總結(jié)了AI在食管癌診斷、治療、預(yù)后預(yù)測和風(fēng)險(xiǎn)評(píng)估等方面的應(yīng)用。未來,我們會(huì)有更多跨學(xué)科的合作,如將基因組學(xué)、生物信息學(xué)與AI技術(shù)融合,從而為我們提供更為全面深入的食管癌疾病研究,以期推動(dòng)這一領(lǐng)域的發(fā)展并帶來醫(yī)療技術(shù)的新突破。同時(shí),隨著醫(yī)療數(shù)據(jù)量的增加,AI系統(tǒng)將能夠從更豐富的大數(shù)據(jù)集中學(xué)習(xí),提高診斷和治療的準(zhǔn)確性。且AI有望成為醫(yī)生在食管癌診治決策過程中的重要輔助工具,提供更為精準(zhǔn)和個(gè)性化的治療建議。相信隨著患者監(jiān)測和遠(yuǎn)程醫(yī)療技術(shù)的不斷進(jìn)步,AI可以實(shí)時(shí)監(jiān)測患者可穿戴設(shè)備,及時(shí)調(diào)整治療計(jì)劃,并開展遠(yuǎn)程醫(yī)療技術(shù)。但伴隨著AI在醫(yī)療領(lǐng)域的應(yīng)用日益增多,對(duì)數(shù)據(jù)隱私、倫理和法律等方面也是我們需要進(jìn)一步需要關(guān)注的問題。

作者聲明：本文全部作者對(duì)于研究和撰寫的論文出現(xiàn)的不端行為承擔(dān)相應(yīng)責(zé)任;并承諾論文中涉及的原始圖片、數(shù)據(jù)資料等已按照有關(guān)規(guī)定保存,可接受核查。

學(xué)術(shù)不端：本文在初審、返修及出版前均通過中國知網(wǎng)(CNKI)科技期刊學(xué)術(shù)不端文獻(xiàn)檢測系統(tǒng)的學(xué)術(shù)不端檢測。

同行評(píng)議：經(jīng)同行專家雙盲外審,達(dá)到刊發(fā)要求。

利益沖突：所有作者均聲明不存在利益沖突。

文章版權(quán)：本文出版前已與全體作者簽署了論文授權(quán)書等協(xié)議。