[摘要]近年来，随着人工智能相关技术不断发展，深度学习(DL)技术日益提高，已成为医学领域的研究热点。DL在医学图像中的深入研究，为精确诊断脑肿瘤、个体化治疗和预后评估带来全新发展方向。本文就DL在脑肿瘤医学图像中的应用现状及未来发展进行综述。
[关键词]深度学习；脑肿瘤；医学图像
自上世纪50年代以来，人工智能技术(artificialintelligence，AI)蓬勃发展，在诸多领域中扮演着重要角色。近年来，作为机器学习(machinelearning)的一个分支，深度学习(deeplearning，DL)已深入日常生活的诸多方面，包括面部识别，基于语音命令的语音识别以及电子邮件日历的自动更新等[1]。医学相关领域中数据量庞大，精准化处理医学图像的要求越来越高，DL已成为该领域的研究热点。根据起源、性质、生长速度和进展阶段，肿瘤可分为不同类型。脑肿瘤病理类型繁多[2]，不同类型脑肿瘤有时难以区分，而同类型脑肿瘤的分级也存在困难，且目前缺乏早期诊断脑肿瘤的手段，使得制定脑肿瘤个体化临床决策困难重重。多种成像技术的发展对提高诊断脑肿瘤准确率具有促进作用，但目前对于如何高效精准利用医学图像仍缺乏足够研究，而DL的出现为研究脑肿瘤提供了全新途径。
1DL
DL是基于多层神经网络计算模型，通过组合低层次特征而形成抽象高层次特征，从而发现数据内在复杂特征的一种深度网络[3]。目前临床处理医学图像的模式仍以传统人工分析为主，随着数据量增加，工作量不断加大，限制着诊断准确率的提高[4]；处理过程中存在的人为主观性等问题也影响着医学图像的利用效率。
卷积神经网络(convolutionalneuralnetwork，CNN)是DL最重要的模型之一，处理图像具有较高准确率。CNN主要由输入层、卷积层、池化层、全连接层及输出层构成，各层之间相互联系，共同构成复杂而精密的网络。卷积运算模仿人脑对信号的分级处理原理，自动提取输入信息的特征[5]。池化层一般连接在连续的卷积层之后，对输入信息进行降采样[6]。全连接层通过连接池化层后的所有特征，达到训练分类器及学习目标全局特征的目的[7]。在图像识别与分类中，CNN具有较高性能，其在医学图像中的应用较为普遍[8]。目前越来越多的CNN模型相继提出，VGG、ResNet等网络具有突出创新性[9]，推动了CNN的进一步发展。
对于脑肿瘤患者，不仅要考虑到疾病多样化的进展形式，还要考虑到个体情况、接受治疗能力及对治疗的反应等，这给临床决策带来挑战。而DL的出现提高了脑肿瘤诊断、治疗及预后评估的准确性。
2脑肿瘤影像学诊断DL研究进展
各类成像技术在初始诊断脑肿瘤中具有重要作用，并且是后续评估的常规组成部分。脑肿瘤影像学特征复杂，肿瘤类型存在遗传异质性，需要通过有创手段才能获得组织学诊断。目前DL诊断脑肿瘤(尤其是脑胶质瘤)的研究最为广泛。脑胶质瘤是成人最常见的原发恶性脑肿瘤，已有MR等多种成像手段用于诊断。MR诊断胶质瘤虽具较高敏感性，但未达到准确、个性化诊断要求[10]。DL可通过改进脑胶质瘤术前分级、分型方法而提高现有诊断能力。脑肿瘤种类繁多，影像学表现有时难以区分。DL在脑肿瘤诊断及鉴别诊断中均有出色表现。已有初步研究发现DL能通过挖掘肿瘤深层内部特征而提高鉴别诊断准确率，对迁移学习过程预训练的CNN进行重新训练，将CNN和MR序列组合开发图像的分类器已成为鉴别犬脑膜瘤与胶质瘤的可靠工具[11]。Ge等[12]提出一种多流深度卷积神经网络架构，提取并融合多个传感器特征，用于脑胶质瘤分级及亚型分类取得了良好结果，测试准确率分别可达90.87%和89.39%。2016年WHO首次在中枢神经系统肿瘤分类和分型标准中纳入分子遗传学标记物[13]。目前已有研究显示DL能够评估脑胶质瘤基因突变状态，运用DL影像组学(deeplearningbasedradiomics，DLR)提取低级别胶质瘤多模态MRI中的信息，用于预测肿瘤异柠檬酸脱氢酶1(isocitratedehydrogenase，IDH1)的突变状态，其AUC值可达95%[14]。Han等[15]通过收集胶质母细胞瘤(glioblastomamultiform，GBM)患者影像学资料及来自癌症基因组图谱(thecancergenomeatlas，TCGA)的甲基化数据，使用双向卷积递归神经网络架构(convolutionalrecurrentneuralnetworkarchitecture，CRNN)预测其O6-甲基鸟嘌呤-DNA甲基转移酶(O6-methylguanine-DNAmethyltransferase，MGMT)调节区域的甲基化状态，在验证集上的准确率达67%，测试集达62%，精确度为67%。组织病理学是诊断脑胶质瘤的金标准，针对DL相关图像研究也做了初步探索。有研究[16]将DL用于多形性胶质母细胞瘤组织病理图像自动分类，进而进行肿瘤分期，获得了96.5%的平均分类准确度。Li等[17]应用基于内窥镜数据的DL框架对胶质母细胞瘤和脑膜瘤进行分类，结果显示图像分类框架性能显著提高，使用视频数据可进一步提高分类性能，使准确率高达99.49%。
3DL在治疗脑肿瘤中的研究进展
脑肿瘤可发生于大脑任何区域，且治疗方式与肿瘤病理类型、大小及形状息息相关。脑肿瘤治疗方式包括手术切除、放射治疗、药物治疗及靶向治疗等，目前手术切除仍是主要手段，目标是准确切除肿瘤并保留尽可能多的正常脑组织。Fabelo等[18]提出用于处理活体脑组织的高光谱图像(一种非接触、非电离、无标记的成像模式产生的图像，可在无任何对比剂情况下辅助手术医生进行脑肿瘤切除术)的DL框架，能生成专题图描绘脑实质区域，并识别肿瘤位置，为切除肿瘤提供精确指导。DL模型使分类总体准确率达80%，较传统支持向量机(supportvectormachine，SVM)方法所获结果有明显提高。准确分割肿瘤区域是治疗脑肿瘤的主要步骤[19]。Zhao等[20]将完全卷积神经网络(fullyconvolutionalneuralnetworks，FCNN)和条件随机场(conditionalrandomfields，CRFs)集成在统一框架中，开发出一种新的分割脑肿瘤方法，具有外观和空间一致性，能为制定治疗方案提供可靠依据。3D卷积神经网络用于脑转移瘤立体定向放射治疗前肿瘤检测与分割，提高了设定治疗剂量与放射范围的精准度[21]。Liu等[22]开发出可用于对比增强T1WI数据集的分割脑转移瘤的DL卷积神经网络算法，为立体定向放射治疗多发脑转移瘤提供了有前景的工具。Wang等[23]提出基于DL的交互式分割方法，即通过使用一个CNN获得初始自动分段，在该分段中添加用户交互指示错误分段，另一个CNN将用户与初始分段的交互作为输入，给出精确结果，并已通过分割胎儿MRI中的2D胎盘和FLAIR图像中的3D脑肿瘤得到验证，用户干预更少，使用时间更短，准确性比传统交互方法更高。虽然DL在治疗脑肿瘤方面已做了初步探索，模型性能也较高，但目前大多数研究仅局限于分割脑肿瘤，有待深入推进。
4DL脑肿瘤预后分析研究进展
脑肿瘤异质性强，个体差异大，精准预测其预后是困扰临床工作的一大难题。一个多世纪以来，组织学一直是诊断癌症和预测预后的重要工具。基因组和成像技术的进步为医生提供了大量数据，但临床实际应用并不理想。DL以其独特优势，在此领域中显示出广阔前景，预测脑肿瘤预后分析具有较高准确率，DL模型创新性发展对分析脑肿瘤预后研究具有重要推动作用。Mobadersany等[24]开发了生存卷积神经网络(survivalconvolutionalneuralnetworks，SCNN)，可从组织学图像中高度准确地预测事件时间结果；以弥漫性胶质瘤作为驱动应用，其预测准确性与神经病理学家所做人工组织学分级相当；并构建了将组织学图像和基因组生物标记信息整合到统一框架的基因组生存卷积神经网络模型(genomicsurvivalconvolutionalneuralnetwork，GSCNN)，其预测性能亦得到了验证。通路相关的稀疏深度神经网络(pathway-associatedsparsedeepneuralnetwork，PASNet)系模拟基因和通路的多层次生物系统，通过DL来预测临床结果，在预测胶质母细胞瘤患者长期生存中，其产生的AUC值为0.6622±0.0130，比当前最先进方法更为准确[25]。Nie等[26]提出一种基于DL的两阶段方法来预测高级别胶质瘤患者总生存期；第一阶段采用DL方法，同时提出一种三维卷积神经网络的多通道架构，从多模态、多通道术前MRI中提取隐性和高级预测特征，使其能够预测生存时间；第二阶段将DL提取的特征及人口统计学和肿瘤相关特征输入支持向量机，以产生最终预测结果，即总生存时间；多模型、多通道深度生存预测框架的预测准确率达90.66%，优于其他方法。
5局限性与展望
目前DL在脑肿瘤医学图像研究中存在的主要问题如下：①对数据量要求较高，只有样本量较大时模型性能才好，而目前仍缺乏多中心大样本研究；②大多数研究集中于脑胶质瘤及脑膜瘤，其他脑肿瘤相关性研究较少；③大部分DL网络仍处于试验阶段，其临床应用尚须时日。
精准医疗已成为医学发展的趋势。DL为脑肿瘤医学图像研究提供了全新的方法，能从现有医学图像资料中提取大量信息，将极大提高医学图像的利用价值，促进脑肿瘤个性化诊治。
