“达叔”走了，AI+肝癌治疗迎来新一轮革命
2月27日，香港知名喜剧演员吴孟达因患肝癌在香港病逝，享年68岁。而在本月初，2月3日，知名音乐人赵英俊也因肝癌离世，享年43岁。
肝癌俗称“癌中之王”，我国肝癌发病数每年新增病例40多万，占全世界肝癌总数的50%。当我们缅怀两位敬业、优秀的演艺人离开之际，亦不经感慨肝癌的愈加年轻化。
当下，人工智能深刻影响着生产生活的方方面面，飞速发展的人工智能也已应用于肝癌诊、疗各个环节；尤其是近几年蓬勃发展的放射组学和深度学习，能够提供较传统医学模式更为精确、快速而自动化的诊断和治疗指导。
虽然AI技术还不能彻底根治肝癌，但是从诊断、手术、病例等，针对不同阶段病情诊疗决策，可极大提升诊治成功率。毫不夸张地说，AI+肝癌治疗正迎来新一轮革命！
AI+肝癌诊断
传统模式的肝癌诊断主要依靠影像学，或外科医师手动对器官进行描绘，其缺陷是耗时、具有主观性且可重复性差，而AI则可弥补这些缺陷。
2019年，耶鲁大学和柏林大学等机构共同开发了基于概念验证的深度学习系统，通过迭代优化网络架构和案例训练的CNN在多相MRI上分析肝脏病灶，完成训练的CNN模型对病灶的分类诊断仅需5.6ms，对6种常见肝脏肿块的诊断敏感度和特异度平均分别为92%和 98%，其中对肝细胞肝癌诊断的敏感度和特异度分别为94%和98%，高于参与测试的两名高年资放射科医师。
AI在影像学的应用中逐渐实现了肝脏肿瘤高效的自动化分析，尤其在结合临床信息的情况下使诊断更为精确。
AI/3D+肝脏切除或移植
对于早期肝癌患者，肝脏切除或移植手术是主要治疗手段。而3D可视化技术可帮助医生进行精准肝切除的术前指导，尤其对于难以评估的复杂肿瘤或伴有解剖变异者有明显优势。
在活体肝移植中，3D重建可以准确有效地评估肝脏血管及胆管系统、供受体的体积关系，模拟手术则可以辅助制定手术路线并为血管和胆管系统重建提供决策支持。
一直以来，诸如出血等术中不良事件是影响手术效果和预后的重要因素，但往往难以预测，主要依靠术前评估和事件发生后的处理来减少危害。
可解释AI技术可根据患者和术中数据自动估算风险，向外科医生发出有关即将发生的术中事件 (如出血)的预警，并从患者和手术因素方面解释这种风险，而外科医生则可依据可解释 AI提供的解释来决定是否采取改变手术方法等措施。
AI+经动脉化疗栓塞(TACE)
肝癌在诊断时有相当一部分已错过手术时机，TACE则是这部分患者中应用最广泛的治疗方法。TACE通常是指在患者大腿根部的股动脉进行穿刺，将细微的导管穿入，通过数字减影血管造影机（DSA）的透视引导，将导管送至肝内肿瘤部位，医生将抗癌药物、栓塞剂通过导管注入肝内肿瘤动脉的一种治疗方式。
机器学习可基于患者的临床、影像学等数据预测患者对TACE的反应，主要通过将数据解析为离散的特征用于建立预测模型。
但传统机器学习需手动从每个患者中获取特征，而论文《人工智能在超声造影中的准确预测肝细胞癌患者对动脉化疗栓塞的反应》（https://pubmed.ncbi.nlm.nih.gov/31900703/）通过回顾性数据建立基于放射组学的超声造影动态深度学习模型来预测肿瘤对首次TACE治疗反应，其作为预测模型的AUC可达0.93，有望成为较生物标志物、MRI等更为准确的预测方式。
AI+放射治疗
癌症晚期，放射治疗是主要治疗方法之一，但传统的放射治疗评估模型难以探索剂量与毒性的最佳平衡。
论文《深度神经网络在肝SBRT术后个体化肝胆毒性预测中的应用》（https://pubmed.ncbi.nlm.nih.gov/30098025/）通过立体定向放射疗法的病例数据库训练3D CNN，建立毒性预测的深度学习模型并映射具有肝胆毒性表现的数字化预处理特征，完成训练的CNN融合了危及器官固有的功能或生理异质性。
实验发现CNN能够以0.79的AUC（机器学习模型评估指标）实现准确的肝胆毒性预测，而将CNN用于3D剂量计划分析和完全连接的神经网络进行数值特征分析相结合，得出的AUC为0.85。
深度学习产生的假阳性毒性预测与基于DVH的预测相比几乎减少了两倍，这是因为假阴性的数量（即遗漏的毒性）被最小化了。CNN会自动估算门静脉（PV）区域的毒性风险。近端门静脉的照射与毒性风险高出两倍。
AI+病理分析
病理分析作为肝癌诊断的金标准，同时为后续治疗及预后提供关键参考信息。传统模式下，主要依靠在高倍镜下人工识别及解释肿瘤复杂的病理学形态，耗时费力。
近年来AI的应用使得病理切片的分析更加快速准确，且能识别一些肉眼难以辨别的细节和特征纹理。
肝癌的分级至关重要，近年来学者们已经开发了多种机器学习的诊断模型用于肿瘤自动分类分级，主要涉及核分割、特征提取和分类器设计。
如论文《联合多个全连接卷积神经网络与极限学习机进行肝癌细胞核分级》（https://pubmed.ncbi.nlm.nih.gov/28365546/）提出了具有多个完全连接的 CNN极限学习机的肝癌细胞核自动分级框架，并在涉及低中高分化的细胞核中证实该框架提高了分级效果。
四川大学华西医院研究团队则以数字化的全切片图像建立了基于CNN的肝癌病理诊断平台， 其图像由癌症基因组图谱数据集以及肝细胞肝癌组织微阵列构成，该CNN最高能以1.00的AUC自动将肿瘤与周围正常组织区分开，并可用于体细胞突变的预测，后者被认为与肝癌的组织学亚型相关。
AI+肝移植管理
肝移植被认为是终末期肝病的最佳治疗方式，但一直面临着供肝紧缺等问题，如何利用有限的供肝资源获得最大生存获益一直是研究重点。
目前主要基于终末期肝病模型(MELD)进行器官分配，可减少等待移植期间的死亡，但这仅考虑了受体的疾病严重程度，而忽略了供受体间的联系，难以规避潜在风险。
传统医学模式中风险预测主要依靠回归模型，而机器学习尤其深度学习建模更为灵活，如论文《人工神经网络作为肝移植供体-受体匹配方法的验证》（https://pubmed.ncbi.nlm.nih.gov/28921876/）建立的人工神经网络模型对术后生存预测的准确性显著高于MELD和风险平衡分数。
另一方面，为在不改变现有分配政策前提下提供更好的决策支持，如西班牙和英国联合使用机器学习构建了用于预测移植物存活率的AI系统（https://pubmed.ncbi.nlm.nih.gov/28545607/），并创造性地将器官生存期以15、90及365d为时间点序数分类，结合序数人工神经网络和序数过采样技术控制数据集的不平衡性，提高了预测能力。
结语
AI技术已逐渐进入临床并得到广泛应用，亦被多数患者认可。在世界范围内，肝癌的病死率居恶性肿瘤的第二位。我国肝癌的发病率居恶性肿瘤的第四 位 ，病死率居第三。肝癌发病极为隐匿，一旦出现症状已为中晚期，不仅给患者带来极大的痛苦，更给家庭经济带来沉重负担，此类患者需要及时的诊断和治疗。人工智能在肝癌治疗的应用拥有巨大的社会价值。
近期文章
公众号后台回复“进群”备注“公司+称呼”
加入“人工智能读者俱乐部”