AASLD特邀报告 | 祁小龙教授：肝病影像与人工智能
编者按：2021年11月12日，第72届美国肝病研究学会年会（AASLD2021）以线上会议形式在美国加利福尼亚州阿纳海姆启幕，聚焦肝病前沿技术及突破。在肝病影像学进展方面，人工智能及影像组学为当前热议话题，备受关注。AASLD2021大会特别就该话题设立了专题讨论，今日（北京时间）我国CHESS团队负责人、兰州大学第一医院院长助理祁小龙教授受大会邀请，在该环节进行了题为“Radiomics: Applying AI to Imaging”的专题报告，并与国际专家在线进行深度讨论。本期《国际肝病》为您带来祁教授AASLD2021肝病影像学前沿见解。
肝病影像组学——视觉影像信息到量化结构数据的转化
祁小龙教授团队专注于肝病影像人工智能及组学研究已有5年时间。在团队成长过程中，祁教授谈到，影像组学里程碑文章始于Radiology杂志的文献报道，文章谈及当前临床对于影像认知存在局限，虽然在临床实践中对多次处理的图像进行特征描述后，能够对临床诊疗有所帮助，但其中很多信息和数据尚没有深度挖掘[1]，而影像组学很可能是连接医学影像与个体化诊疗的关键环节[2]。（图1）
图1.影像组学里程碑事件
（引自祁小龙教授AASLD2021汇报PPT）
在进行影像组学研究时，由于技术处理过程存在主观操作，因此客观评估以及质量控制是其中非常重要的步骤[2]（图2）。而这一质控处理流程最为成熟的为肿瘤领域，无论是人工智能还是影像组学，初始阶段基本聚焦于肿瘤研究[3]。
图2.影像组学质控评分
总体而言，人工智能和影像组学技术在医学领域已趋向成熟。但如何将学术研究成果转化为商业化模式可运作的产品并且在临床落地，还需结合每个国家的国情及临床环境进行推进。
肝病人工智能与影像组学CHESS系列研究
●放射影像
CHESS团队在近5年来，将人工智能和影像组学相关新型技术应用于肝硬化门静脉高压的诊断与监测。在CT和MRI的放射影像领域，我们用深度神经卷积网络技术（CNN）将CT模型拓展到MRI模型，开展了CHESS1802研究，研究成果于2020年12月发表于Clinical Gastroenterology and Hepatology（IF：11.382）。CHESS1802研究为国际多中心临床试验，由中国的11家医疗机构和土耳其Ankara医学院共同参与，通过CNN分析CT队列和MRI队列，建立临床显著性门静脉高压（CSPH）无创评估模型，较传统特征模型具备更好的临床预测价值[4]（图3）。
图3.CHESS1802研究
此前，我们还开展了CHESS1701多中心研究，利用CT图像进行影像组学模拟，以肝静脉压力梯度（HVPG）作为参考金标准，进一步分析肝硬化临床特征，该项工作成果发表于2018年的柳叶刀子刊EBioMedicine（IF：8.143）。在该研究中，我们通过队列的纹理和非纹理特征分析，构建了无创性影像组学模型参数rHVPG，该参数相较于传统的影像学和血清学模型具有更好的诊断价值[5]（图4）。
图4.CHESS1701多中心研究
在已有CT和MRI模型应用的基础上，CHESS团队同样在尝试用人工智能技术进行传统技术的不断优化。CHESS1601研究结果发表于Radiology（IF：11.105），基于三维模型和流体力学计算HVPG[6]时三维重建需手工完成（图5）。今年，CHESS与复旦大学人类表型组研究院进行合作，尝试运用人工智能技术进行血管自动分割，进而对血管分割参数进行定量并分析肝硬化门静脉高压，目前此项工作正在开展。
图5.肝脏血管三维分割成像
●内镜影像
对于肝硬化患者，除了CT和MRI，国内外常规用电子胃镜进行筛查，以判断有无食管静脉曲张等合并疾病，因此通过人工智能分析内镜图像是该领域的潜在应用。2019年华中科技大学同济医学院附属协和医院就对小肠疾病内镜影像进行了深度学习分析[7]。
CHESS团队于2018年同来自于法国、英国的专家合作，共同开展了CHESS1801国际多中心研究，通过牵线磁控胶囊胃镜对门静脉高压出血风险进行安全性及准确性的评估[8]，成果发表于柳叶刀子刊Lancet Regional Health。目前CHESS也在尝试利用内镜图像进行深度学习分析（图6）。
图6. CHESS1801国际多中心研究
●超声影像
超声是一种相对更为便捷的无创影像评估方式，我国中科院自动化研究所团队利用二维剪切波弹性成像技术对肝纤维化分级进行影像组学分析，成果发表于Gut[8]。在此基础上，我们团队启动了CHESS2004多中心研究，全国近20家医院参与，研究通过深度学习分析二维剪切波弹性成像的肝脏和脾脏特征，进而评估肝硬化静脉曲张出血风险（图7）。
图7. CHESS2004多中心研究
综上，无论是放射、内镜还是超声图像，人工智能影像组学技术对于肝硬化门静脉高压的诊断都有一定的应用前景，其对临床的服务性和拓展性都有潜力可挖。当前，尽快将这些前沿论文成果、研究模型转化为临床应用产品，在更多医院为患者提供诊疗服务，将是CHESS以及全球该领域同道不遗余力的推进方向。
参考文献：（可上下滑动查看）
1.Gillies R J, Kinahan P E, Hricak H. Radiomics: images are more than pictures, they are data[J]. Radiology, 2016, 278(2): 563-577.
2.Lambin P, Leijenaar R T H, Deist T M, et al. Radiomics: the bridge between medical imaging and personalized medicine[J]. Nature reviews Clinical oncology, 2017, 14(12): 749-762.
3.Huang Y, Liang C, He L, et al. Development and validation of a radiomics nomogram for preoperative prediction of lymph node metastasis in colorectal cancer[J]. Journal of Clinical Oncology, 2016, 34(18): 2157-2164.
4.Liu Y, Ning Z, Ormeci N, et al. Deep convolutional neural network-aided detection of portal hypertension in patients with cirrhosis[J]. Clinical Gastroenterology and Hepatology, 2020, 18(13): 2998-3007. e5.
5.Liu F, Ning Z, Liu Y, et al. Development and validation of a radiomics signature for clinically significant portal hypertension in cirrhosis (CHESS1701): a prospective multicenter study[J]. EBioMedicine, 2018, 36: 151-158.
6.Qi X, An W, Liu F, et al. Virtual hepatic venous pressure gradient with CT angiography (CHESS 1601): a prospective multicenter study for the noninvasive diagnosis of portal hypertension[J]. Radiology, 2019, 290(2): 370-377.
7.Ding Z, Shi H, Zhang H, et al. Gastroenterologist-level identification of small-bowel diseases and normal variants by capsule endoscopy using a deep-learning model[J]. Gastroenterology, 2019, 157(4): 1044-1054. e5.
8.Wang K, Lu X, Zhou H, et al. Deep learning Radiomics of shear wave elastography significantly improved diagnostic performance for assessing liver fibrosis in chronic hepatitis B: a prospective multicentre study[J]. Gut, 2019, 68(4): 729-741.
在看点这里