肾癌是10种最常见的癌症之一。2019年，美国癌症协会估计有73820例肾癌新病例和14770例死于这种疾病。局限性肾癌患者的5年生存率从低风险组的93%降低到高风险组的69%。然而，随着癌症的扩散，这一比例骤降至12%。
对于放射科医生来说，诊断肾癌的基本驱动力仍然是视觉和定性的，这意味着CT扫描(肿块的图像)在很大程度上是基于个人的知识和经验进行评估的。为了提高准确性，通过放射组学对肾脏肿块进行定量评估，从图像中提取可量化的特征，补充了这种视觉分析。
南加州大学的研究人员，包括维奈·杜达尔瓦，该中心主任南加州大学放射组学实验室临床放射学、泌尿学和生物医学工程教授南加州大学凯克医学院和阿萨德奥伯莱，休斯教授在航空航天与机械工程系“，和南加州大学维特比工程学院负责研究的临时副院长，正在将深度学习与现有的对比CT扫描相bob国际首页登录结合，以帮助放射科医生做出更有信心的诊断。他们的研究发表在英国放射学杂志．
造影剂增强CT的广泛使用，将一种类似染料的静脉造影剂注射到肿瘤中，并在四个不同的时间点上成像，导致了肾癌的检测增加，否则这些癌症将无法被发现。研究人员说，虽然通过这种方法鉴定出的许多肿瘤可以相当容易地被标记为良性，但有很大一部分被证明更加复杂，需要进一步的侵入性检测。这种检测可能包括活组织检查，这也可能是不确定的，这促使许多患者宁愿直接手术切除肿瘤，以防它是恶性的。
杜达尔瓦说:“用纯粹的视觉判断，目前美国所有切除的3-5厘米范围内的肿瘤中有20-25%是良性的，不需要切除。”
Oberai和Duddalwar认识到，可以通过更好地利用现有数据来改进这一过程。Duddalwar说:“我们希望将阿萨德的团队在深度学习方面的工作与我的团队在放射组学方面的工作结合起来，以提高诊断的准确性。”
研究人员还希望，这些进展可以帮助更好地了解个体患者在治疗肾癌时的预后，以及在治疗COVID-19等疾病时的预后，在这些疾病中，个体对感染和治疗的反应差异很大。
研究团队还包括:来自凯克医学院临床病理学副教授Manju Aron，神经病学研究副教授Steven Cen，南加州大学泌尿学研究所执行主任Inderbir Gill，放射学系医学学生研究员Christopher Lau和放射学研究助理教授Bino Varghese;南加州大学维特比计bob国际首页登录算机科学系学生托马斯·安杰利尼和放射学和生物医学工程研究助理教授达里尔·黄。
对比增强CT扫描用于识别肿瘤变异
对比增强CT扫描可以帮助诊断特定的癌症，如肾癌，因为在这类癌症中可以看到血管的变化。在通常的工作流程中，Duddalwar的小组会观察在四个不同时间点拍摄的肿瘤图像:注射造影剂前，注射后30-40秒，注射后80-90秒，注射后大约5分钟。造影剂有助于识别与血管有关的特征，例如，有多少血液供应流经肿瘤。研究人员说，与肾脏的其他部分相比，肿瘤的增强和清除的时间有多早，有助于判断患者可能患有哪种肿瘤。
“想象一下，如果你坐在河边，有人往上游注射了一种染料。如果染料很快到达你所在的地方，那么你就知道电流移动得更快。如果染料扩散开来，那么你就知道气流是湍流。所以你可以通过观察染料的变化来了解很多关于流动的情况。用同样的方法来思考血管系统。这是一个闭环流体系统，所以如果你在某个地方注射了一种液体，你可以在其他地方观察到它，”Oberai说。“例如，如果你将染料注射到血管中，但没有在下游观察到它，你可能正在处理阻塞血管并阻碍血液流动的肿瘤。”
染料如何在组织中扩散揭示了许多潜在的病理生理学，有助于确定更准确的诊断。深度学习算法依赖于从四次对比CT扫描中收集的数据，而不是推荐更多的测试和程序。Duddalwar说:“我们没有做任何额外的成像。“我们正在使用已经收集到的图像，然后以不同的方式对其进行评估，因此对患者或医疗系统来说都不会产生额外的费用。”通过这种方式，收集的图像有机会向专家传达比以前更多的数据。
以放射组学定量评价为基础
放射组学计算需要三到四个人大约30-40分钟才能对一个病人的CT扫描得出结果。处理相同数据的人工智能算法可以在几秒钟内产生结果。
但奥伯莱说，效率并不是最重要的因素。“很多时候，专家们都在努力主观地找出肿瘤的位置，边界在哪里，并得到正确的边缘。我们想要做的是节省专家的时间来完成更重要的任务，比如评估其他图像和研究，进行研究和教学，并最终通过优化的工作流程为改善临床护理做出贡献。”
结合深度学习还可以帮助识别新的标记，否则可能不会被发现。Duddalwar说:“当你使用辐射组学时，你会通过选择你想要评估的元素(例如均匀性或不对称性)来预先判断。但在深度学习中，你不需要做这样的假设。你让算法计算出重要的特征是什么，这可能是你从未想象过的对诊断有意义的元素。”
在这项研究中，深度学习算法在诊断最具挑战性的扫描时显示出78%的准确率，与使用放射组学得出的结果相当。
整合病史与影像资料
接下来，研究人员希望整合患者的病史和临床检查信息，不仅有助于提高诊断的准确性，还有助于个人在治疗中的预后。
Oberai说:“我们正在考虑使用所有的成像信息，并将其与临床数据(患者健康史、血液测试、症状学)相结合，以做出更准确的预测。”“这不仅仅是给出肿瘤是良性还是恶性的答案，还要根据所有信息和图像输入得出一个数字，分享算法对其结果的信心程度。”
他补充说:“此外，我们希望能够有一个动态模型，可以随着新信息的到来而更新。例如，癌症患者可能每三个月进行一次扫描。我们希望看到模型基于更新的数据进行更新，并帮助更好地了解每个人的疾病轨迹。”
研究人员希望将这一技术应用于肾癌诊断之外的治疗。Duddalwar说:“我们正在努力寻找潜在的标志物，以帮助我们立即确定最佳治疗方法，而不是在试验和错误上浪费几个月的时间。”“与此同时，我们想看看深度学习算法是否可以帮助识别哪些肿瘤对我们的患者有更好和更差的预后。”
研究人员正在寻求的更紧迫的适应方法之一是如何利用这项工作来更好地诊断和治疗COVID-19。“将患者的症状和临床数据与图像结合起来，你不仅可以更准确地了解诊断，还可以更准确地了解预后。在COVID-19的情况下，收集的数据可以帮助模型预测患者可能会如何做——不仅仅是他们是否会康复或病情加重，还包括患者是否需要去ICU或需要呼吸机。”
该小组将首先研究来自南加州大学健康科学校区的COVID-19患者的数据，其中包括洛杉矶县医疗中心。他们的研究小组包括其他放射科医生、流行病学家和生物统计学家。
由于多种因素，冠状病毒在不同地方的表现不同，医生在治疗期间难以获得和应用。然而，研究人员表示，基于这些数据训练的算法可以引入这些不同的因素，并帮助将所有因素联系在一起。
奥伯莱说:“我们希望我们能有一种工具，可以很快投入使用，这样我们就可以在当前的大流行中提供帮助。”
发布于2020年6月18日
最后更新于2020年6月18日
