基于人工智能学习模型在结节性硬化症相关肾血管平滑肌脂肪瘤诊疗中的研究

段永飞，高继学，倪建鑫，严奉奇，郭佳恒，王东升

（1.延安大学医学院，陕西 延安 716000；2.延安大学附属医院泌尿外科，陕西 延安 716000；3.西安市人民医院泌尿肾脏病院，陕西 西安 710004；4.空军军医大学第二附属医院泌尿外科，陕西 西安 710038；5.西安医学院临床医学院，陕西 西安 710021）

结节性硬化症（tuberous sclerosis complex，TSC）是一种由TSC1 或TSC2 基因突变，导致mTOR 通路过度激活，从而促进多系统良性肿瘤生长的多系统遗传病[1]。TSC 在肾脏多表现为肾血管平滑肌脂肪瘤（renal angiomyolipoma，RAML）[2]，虽然它是一种良性肿瘤，但随着肿瘤体积的增加，破裂所导致的出血风险及动脉高压等并发症使其成为成年TSC 患者死亡的主要原因[3]。依维莫司作为一种mTOR 抑制剂，其可显著减少RAML 的总体积。在2020 年《结节性硬化症相关肾血管平滑肌脂肪瘤诊疗与管理专家共识》[4]中指出，mTOR 抑制剂将作为无症状且RAML直径＞3 cm 的成年患者的首选治疗方案。TSCRAML 患者需要长期持续随访，通过影像学监测肿瘤体积的变化及评估依维莫司的治疗效果，三维成像可直观立体的展现出肾脏及肿瘤解剖的特点，有效弥补了传统二维成像的不足，并且还可精确评估肿瘤体积的变化，可很好的应用于TSC-RAML 的诊断及随访中。目前用于评估肾脏和肿瘤体积的三维处理软件繁琐、手动且耗时，较难于临床开展，而智能分割技术的兴起可更好地构建出器官三维模型，并且能够自动、精确地分割肾脏和肿瘤，为患者提供更科学、更客观的诊疗意见。本文就传统三维重建技术的背景及发展现状、智能化技术的兴起及其在医学领域的发展进行概述，了解其主要分支及基本原理，阐述智能化技分割技术辅助下所构建三维模型的特点及在TSC-RAML 诊疗中的应用及前景，以期为推动TSC-RAML 的诊断、随访及精准体积评估进入智能化时代提供参考。

1 传统三维重建技术的背景及发展现状

三维重建技术在医疗领域的应用可追溯到本世纪初，Hohne KH 等[5]于2001 年提出了可视化技术辅助三维重建人体器官的方法，自此临床中相继建立起各种数字化脏器的三维模型。三维重建在泌尿外科领域的应用起步较晚，我国学者在2012 年才首次提出了“数字肾”的概念[6]。此后，肾脏三维重建技术广泛应用于肾结石、肾肿瘤、输尿管疾病和膀胱疾病等各个领域。传统的脏器三维重建需要借助三维重建软件进行，如ProPlan CMF、Mimics、ANALYSIS 等[7]，并且需要对图像进行手动分割、编辑、平滑、去除伪影等一系列处理，才能完成三维模型重建。这需要耗费医生巨大的时间和精力，导致临床医生工作效率低下，医疗资源浪费。而随着大数据的发展，低效率的临床操作终将不能满足数字化时代的需求。

2 智能化技术的兴起及其在医学领域的发展

AI 的首次提出可追溯到上世纪50 年代[8]，它是指利用计算机系统来实现人的智能、方法和行为的一种技术，可高效率的执行相关任务[9]。AI 目前广泛应用于多个领域，近些年在医学领域的应用具有巨大的突破[10]。尤其医学影像学进入大数据发展时代，数据的大量生成也促使智能化技术的膨胀式发展，AI 则可以高效分析数据信息，代替人类从海量的数据中提取信息规律，整合转化为智能化模型，从而完成影像的快速审核。AI 目前在肿瘤与非肿瘤疾病中均有广泛应用，尤其是在肿瘤领域的应用，它可以帮助处理影像学数据，借助智能化分割技术，识别并重建肿瘤模型，动态监测肿瘤变化并对病变进行体积测量，辅助医生做出精准的评估[11]，而肾肿瘤作为多发病，AI辅助肾肿瘤的诊断及应用将会有广阔的发展空间。

3 智能化技术的分类及基本原理

基于AI 的智能化技术十分庞大，分类多样，其中AI 的重要分支为机器学习（machine learning，ML)，其兴起于上世纪80 年代[12]，注重于计算机的数据学习，运用不同的算法来分析数据，挖掘深层信息，构建出基础模型，并以此做出正确的理解和判断[13]，如通过数据自动分析并检测出影像学中的病灶，对区域中的肿瘤进行算法分割等，在ML 中常利用到的编程算法有随机森林（random forest，RF）、线性回归、Logistic 回归等[14]。虽然ML 在某些方面已取得较好的成绩，但其目前还并未达到等同于人类的学习能力。深度学习（deep learning，DL）是ML 的新领域，也是它的一个重要子集，是指使用包含多个相互连接的人工神经元层的神经网络在数据样本中学习的模式[15]。与传统ML 不同的是，传统ML 只可以转化处理一些原始的结构化数据，而DL 可以处理各类包括图像、文本和声音等在内的非结构化数据，并且不通过机械性的编程算法而专注于模拟人类大脑的机制进行数据的搜集、提取和分析[16]，在临床的诊疗中极具优势。DL 下有多种学习分割方法，其中卷积神经网络（convolution neural networks，CNN）和U-Net 网络是较为成熟的分割技术，在图像分割算法中具有优势，且二者均可以很好的运用于肾脏疾病的诊疗中。Niel O 等[17]研究表明，CNN 可高效完成图像分割任务，并已成功用于肾脏疾病的诊疗中。Kim T 等[18]研究表明，U-Net 网络在医学图像的分割任务中表现良好，可以实现肾脏肿瘤的精准分割。

基于DL 的常见分割方法有多层转化结构，以CNN 分割技术为例，主要包括输入层、卷积层、池化层和全连层[19]，这样可以最大程度避免人为对数据的干预。DL 的基本原理是通过输入层转换、缩放一些基本数据并输送至卷积层（核心层），本层主要完成各个部分数据特征的提取，其中每个卷积层都有数个卷积核，通过不断的卷积获得大量不同特征的数据，然后将数据输入池化层，本层主要作用为精简卷积数据，得到低分辨率的输出数据，全连层的作用为分类输出，位于池化层与输出层之间，最终不同特征的数据经过输出层得到最终的分类结果。

4 AI 辅助下学习模型的应用

4.1 辅助TSC-RAML 的诊断与鉴别诊断 TSCRAML 属于临床中难以鉴别的一类良性肿瘤，尤其是乏脂肪性RAML，通过传统的影像表现难以与肾癌鉴别[20]，而二者的治疗与预后完全不同，因此区分两种实体肿瘤尤为关键。基于AI 的重建模型可辅助各类疾病的诊断，Mühlbauer J 等[21]研究发现，基于ML 的模型可提高肾肿瘤良恶性鉴别的效能。Feng Z等[22]基于DL 的学习模型对乏脂肪性RAML 与肾癌进行鉴别，表示模型的准确度、灵敏度和特异度分别可高达93.9%、87.8%和100.0%，可有效做出正确的鉴别诊断。Cui EM 等[23]研究证明，AI 辅助下的学习模型在乏脂肪性RAML 与肾癌的鉴别诊断中准确率及AUC 值均较高。除此之外，Lecun Y 等[24]研究显示，基于AI 的智能化影像诊断可量化诊断经验，通过智能化模

提醒您：因为《基于人工智能学习模型在结节性硬化症相关肾血管平滑肌脂肪瘤诊疗中的研究》一文较长还有下一页，点击下面数字可以进行阅读！

《基于人工智能学习模型在结节性硬化症相关肾血管平滑肌脂肪瘤诊疗中的研究》在线阅读地址：基于人工智能学习模型在结节性硬化症相关肾血管平滑肌脂肪瘤诊疗中的研究