综述:人工智能驱动的肾上腺肿块精准评估:放射组学、深度学习与可解释成像生物标志物
肾上腺肿块的准确评估在内分泌学和放射学中仍是一个重大挑战,因为鉴别诊断涉及广泛的良性和恶性病变。放射组学和深度学习(deep learning, DL)已成为增强肾上腺肿块评估精度的有前景工具,通过提取高维成像特征并实现自动化、数据驱动的分析。本综述总结了放射
肾上腺肿块的准确评估在内分泌学和放射学中仍是一个重大挑战,因为鉴别诊断涉及广泛的良性和恶性病变。放射组学和深度学习(deep learning, DL)已成为增强肾上腺肿块评估精度的有前景工具,通过提取高维成像特征并实现自动化、数据驱动的分析。本综述总结了放射组学和DL技术在肾上腺肿块评估应用中的最新进展。研究人员系统地描述了放射组学特征提取和模型开发的工作流程,强调了它们在鉴别关键病变(如嗜铬细胞瘤/副神经节瘤(pheochromocytomas/paragangliomas, PPGLs)、肾上腺皮质腺瘤和肾上腺皮质癌)中的作用。此外,还强调了这些方法在基因型预测和预后评估中的效用。本综述进一步探讨了DL,特别是卷积神经网络(convolutional neural networks, CNNs),在自动化分割、特征学习和端到端诊断框架中的优势和潜力。最后,讨论了当前挑战,包括技术局限性、临床转化障碍和未来研究方向,旨在为构建智能且精准的肾上腺肿块评估系统提供理论基础。
1 引言:肾上腺肿块在临床实践中常见,涵盖从良性非功能性腺瘤(non-functioning adenomas, NFA)到激素活性肿瘤(如嗜铬细胞瘤/副神经节瘤(pheochromocytomas/paragangliomas, PPGLs))及高度侵袭性恶性肿瘤(如肾上腺皮质癌(adrenocortical carcinoma, ACC))的异质性病变。横断面成像(尤其是计算机断层扫描(computed tomography, CT))的广泛应用导致肾上腺偶发瘤(adrenal incidentalomas, AIs)的检出率激增,一般人群患病率估计为4%至10%。传统成像评估严重依赖形态学特征(如大小、形状、坏死及CT衰减值),平扫CT衰减阈值(如
2 肾上腺肿块评估的传统方法与挑战:2.1 传统成像评估标准及其局限性:CT仍是肾上腺肿块评估的基石成像方式,主要因其广泛可用性、快速采集和高空间分辨率。传统CT评估依赖形态学特征如大小、形状、边缘、坏死或钙化以及以HU测量的衰减值。关键诊断标准是平扫CT衰减值:肾上腺腺瘤通常在非增强扫描中显示低衰减(60%绝对洗脱),而恶性病变通常显示较慢的洗脱动力学。尽管如此,仍存在重叠,尤其是不典型腺瘤和贫脂腺瘤,限制了特异性。磁共振成像(magnetic resonance imaging, MRI),特别是化学位移成像(chemical shift imaging, CSI),在CT结果不确定时作为重要辅助手段。CSI利用脂肪和水质子共振频率差异检测肾上腺病变内的微观脂肪。含细胞内脂质的腺瘤在反相位图像上相对于同相位图像显示信号丢失,为良性提供了敏感标志。该技术特别适用于表征CT上模棱两可的贫脂腺瘤。其他MRI序列(如T2加权成像和扩散加权成像)可提供进一步组织表征,但其诊断准确性可变。然而,这些传统成像标准面临显著局限性。CT和MRI在区分不典型腺瘤与恶性病变(如转移瘤和ACC)方面的敏感性和特异性欠佳。例如,大腺瘤(>
4 cm)、异质性病变或伴有坏死和出血的病变可能在影像上模拟恶性肿瘤。同样,嗜铬细胞瘤(肾上腺髓质的神经内分泌肿瘤)可呈现可变影像特征,有时与腺瘤或癌重叠。此外,传统成像无法预测基因突变或恶性潜能,如嗜铬细胞瘤中SDHx、VHL或RET突变,这些突变影响肿瘤行为和治疗策略。这种诊断“灰色地带”常导致不确定性,引起不必要的活检或手术,或反之,延迟恶性病变的治疗。因此,尽管CT和MRI仍是基础,其局限性突显了先进成像生物标志物和整合诊断方法的必要性,以提高肾上腺肿块评估的准确性。
2.2 临床诊断挑战与未满足需求:随着横断面成像的广泛应用,肾上腺偶发瘤(AIs)的偶然发现日益常见。临床医生在准确区分良性NFA与需要干预的病变(如亚临床嗜铬细胞瘤、早期ACC或转移性肿瘤)方面面临重大挑战。这种区分至关重要,因为管理策略差异巨大,从保守监测到手术切除。传统成像和生化评估在此方面常显不足,导致诊断困境。例如,贫脂腺瘤和转移瘤可能共享重叠影像特征,使无创诊断复杂化,有时引发不必要的侵入性操作或延迟治疗。PPGLs代表一组具有不同遗传背景的异质性肾上腺肿瘤,包括SDHx、VHL和RET基因突变。这些基因型与肿瘤位置、转移潜能和治疗选择相关。然而,传统成像方式缺乏术前预测这些遗传改变或恶性潜能的敏感性,限制了个性化治疗规划。此外,亚临床或生化沉默的嗜铬细胞瘤可能逃避检测,若未被识别,由于儿茶酚胺分泌,会带来围手术期风险。ACC的早期诊断和预后分层仍是巨大挑战。ACC是一种罕见的侵袭性恶性肿瘤,预后差,常因非特异性影像特征和缺乏可靠生物标志物而在晚期被诊断。大小和衰减值等成像标准提供了一定指导,但与良性病变的重叠仍然存在。此外,传统成像无法可靠预测肿瘤生物学或治疗反应,突显了对更精确的无创生物标志物的需求。除诊断挑战外,对于能够整合多模态数据(影像、临床、生化、遗传)以改善风险分层和指导管理的工具,存在未满足的临床需求。当前方法常导致过度治疗(不必要的手术和活检)或治疗不足(对恶性或激素活性肿瘤的延迟干预)。肾上腺病变的异质性,加上传统成像和生化检验的局限性,需要开发包括放射组学和机器学习在内的先进诊断方法,以提高准确性、减少侵入性操作并实现个性化患者护理。
3 放射组学在肾上腺肿块评估中的技术基础与应用:3.1 放射组学分析工作流程与特征提取:肾上腺肿块评估中的放射组学分析遵循系统工作流程,包括图像采集与标准化、感兴趣区域(region of interest, ROI)分割、特征提取与选择,以及最终模型构建与验证。首先,获取高质量成像数据(通常为CT或MRI),努力标准化成像方案以减少变异并增强跨研究和中心的重复性。采集后,对肾上腺病变进行精确分割以描绘ROI,可采用手动、半自动或使用DL算法的全自动方法。最近进展表明,自动分割方法(如两阶段级联网络和3D Res-Unet架构)的可行性和准确性,实现了高Dice相似系数和与手动分割相当的分类性能。精确分割至关重要,直接影响提取特征的质量。一旦ROI确定,提取一组全面的放射组学特征。这些特征分为一阶统计量、纹理特征、形状描述符以及来自滤波图像的高阶特征。一阶特征量化ROI内的体素强度分布,包括均值、中位数、偏度和熵等指标,反映病变的整体强度特征。纹理特征捕捉肿瘤内空间关系和异质性,采用灰度共生矩阵(gray-level co-occurrence matrix, GLCM)、灰度大小区域矩阵(gray-level size zone matrix, GLSZM)和灰度游程矩阵(gray-level run length matrix, GLRLM)等矩阵。这些特征提供了对微观结构异质性、坏死、纤维化和血管模式的洞察,这些无法通过视觉检查单独辨别。形状特征描述病变的几何属性,包括体积、表面积、球形度和不规则性,可与肿瘤侵袭性和生长模式相关。高阶特征在应用滤波器(如小波或高斯拉普拉斯)后导出,增强细微图像模式并进一步表征肿瘤异质性。在肾上腺肿块中,这些放射组学特征能够量化瘤内异质性、边界不规则性和微环境复杂性,这些与潜在病理和分子特征相关。例如,纹理特征中熵和非均匀性的增加与恶性病变和嗜铬细胞瘤相关,反映其复杂的组织结构。提取的特征经过严格选择过程,包括统计检验、最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归和相关分析,以识别最具信息量和非冗余的特征用于模型构建。随后,使用这些特征(通常结合临床参数)训练机器学习或DL模型,开发病变表征的预测工具。通过内部和外部验证评估模型稳健性,报告曲线下面积(area under the curve, AUC)、灵敏度、特异度和F1分数等性能指标。总体而言,肾上腺病变评估中的放射组学工作流程整合了先进图像处理、定量特征提取和复杂建模技术,提供了无创、可重复且客观的肿瘤表征方法。该方法通过捕捉反映肿瘤生物学的细微成像生物标志物,超越了传统成像评估,从而增强诊断准确性并辅助临床决策。
3.2 在病变鉴别诊断中的应用:放射组学在改善肾上腺病变鉴别诊断方面显示出显著潜力,特别是在区分良性腺瘤和恶性肿瘤及其他肾上腺病理方面。多项研究验证了基于CT和MRI的放射组学模型,其性能优于传统成像指标(如单独平扫CT衰减值)。例如,基于CT的放射组学模型在区分肾上腺良恶性肿瘤时,合并敏感性和特异性分别约为80%和83%,AUC达到0.88,表明诊断性能稳健。这些模型利用捕捉肿瘤异质性和微观结构复杂性的纹理和高阶特征,超越了肉眼可见的层面。在区分肾上腺腺瘤与转移瘤时,反映瘤内异质性的放射组学特征(如熵和非均匀性)特别有信息量。研究报告称,与富脂腺瘤相比,恶性病变和嗜铬细胞瘤表现出更高的异质性指标,从而实现更准确的分类。结合放射组学评分与临床因素(如年龄、性别和CT衰减值)的临床-影像-放射组学列线图进一步增强了诊断准确性,在训练和验证队列中AUC均超过0.9。这种整合方法促进了个性化风险分层,并可能减少不必要的侵入性操作。放射组学在区分嗜铬细胞瘤与其他肾上腺肿瘤(包括贫脂腺瘤和ACC)方面也显示出前景。指示坏死、出血和血管模式的纹理特征——如灰度区域强调和边界低灰度强调——已被确定为关键区分因素。值得注意的是,使用最少放射组学特征的可解释人工智能模型在增强CT上区分嗜铬细胞瘤与腺瘤的准确率超过95%,突显了放射组学在此背景下的临床效用。此外,放射组学有助于区分功能性肾上腺腺瘤(如醛固酮腺瘤(aldosterone-producing adenoma, APA))与NFA。基于增强CT的放射组学模型结合临床数据显示出高诊断效能,AUC接近0.99,敏感性和特异性超过90%。类似地,基于MRI的放射组学特征已被开发用于区分自主皮质醇分泌腺瘤与非功能性病变,在特定序列中AUC高达0.99,并在外部验证测试队列中持续显示出有前景的诊断性能。这些进展促进了无创功能评估,可能减少对生化检验的依赖。总之,放射组学通过量化与肿瘤异质性、血管化和微环境变化相关的成像生物标志物,增强了肾上腺病变的鉴别诊断。放射组学特征与临床和影像参数的整合产生了预测模型,其准确性优于传统成像标准。这一进展支持更精确、无创的肾上腺肿块表征,指导适当管理并减少不必要的干预。
3.3 在基因型预测与预后评估中的探索:新兴证据表明,放射组学可能超越病变表征,扩展到肾上腺肿瘤遗传改变和预后结局的预测。在肾上腺肿块患者中,先进分析正从简单病变表征转向无创种系和体细胞基因型预测。虽然初步研究在一般AIs中探讨了种系遗传背景和基因型-表型相关性(涉及ARMC5或ZNRF3等基因变异),但最深刻的放射基因组学映射进展发生在PPGLs中。整合多平台分子谱分析已将PPGLs分为几个分子定义亚型,包括假性缺氧、激酶信号、Wnt改变和皮质混合组,每组具有独特的遗传驱动因子和生物学通路。假性缺氧亚型主要与SDHx、FH、VHL和EPAS1相关改变相关,导致异常缺氧诱导因子信号、血管生成、代谢重编程和更具侵袭性的生物学行为。放射组学上,该表型可能表现为明显的瘤内异质性、不规则边缘和中心囊性坏死变性,这些特征可通过高阶纹理矩阵(如GLCM熵和GLSZM非均匀性)捕捉。相反,激酶信号亚型与RET、NF1、HRAS、MAX和TMEM127等基因突变相关,激活MAPK和PI3K/AKT/mTOR等致癌通路。这些肿瘤通常表现为边界清晰、主要为实性且富血供的肿块,具有相对均匀的强化模式,可量化为一阶衰减特征和形状描述符(如圆形度或球形度)。Wnt改变亚型由MAML3融合或CSDE1突变等改变驱动,与不良生物学行为(包括转移潜能)相关。放射组学和机器学习算法可能捕捉与这些分子表型相关的细微结构、表面积与体积比以及纹理差异,并将其整合到风险分类框架中。通过利用多期CT或MRI放射组学描述符,先进分类器可能有助于无创地区分高风险分子亚型与低风险肿瘤,从而桥接宏观成像表型与潜在基因组和微环境特征。尽管当前数据仍然有限且主要为探索性,但该方法可能促进遗传性或生物学侵袭性肿瘤综合征的早期识别,并指导个体化管理。关于预后评估,放射组学已被应用于预测ACC的病理分级和增殖指数。从CT和MRI提取的放射组学特征与Ki-67增殖指数和肿瘤侵袭性相关,实现风险分层和个体化治疗规划。例如,更高的异质性指标和特定纹理模式与更具侵袭性的肿瘤亚型和较差结局相关。结合放射组学特征与临床变量的机器学习模型在预测无进展生存期和指导治疗决策方面显示出潜力。此外,放射组学可能有助于预测手术复杂性和结局。使用放射组学特征结合临床数据的研究开发了机器学习模型,以预测腹膜后腹腔镜肾上腺切除术的难度,辅助术前规划和风险缓解。这一应用例证了放射组学在诊断之外更广泛的个性化患者管理中的效用。尽管有这些有前景的发展,将放射组学用于基因型预测和预后评估转化为常规临床实践仍受限于回顾性设计和样本稀缺。克服这些方法学异质性并实现多组学精确建模所需的关键方法将在本综述后续部分系统评估。总之,放射组学在肾上腺肿瘤基因突变的无创预测和预后评估方面具有相当大的前景。虽然初步结果令人鼓舞,但需要进一步严格研究以建立经过验证的成像生物标志物,能够可靠地告知遗传风险和临床结局,最终改善患者护理。
4 深度学习在肾上腺肿块评估中的创新作用:4.1 深度学习模型概述:从卷积神经网络到Transformer:CNNs长期以来一直是应用于医学成像(包括肾上腺病变评估)的DL架构的基石。CNNs利用卷积层从图像中自动提取层次化特征,从低层边缘检测到高层语义表示。这种层次化特征学习在医学图像分析中至关重要,其中细微的纹理和形态变化可指示不同病理状态。架构通常包括用于特征提取的卷积层、用于空间维度降低的池化层以及用于分类或回归任务的全连接层。在肾上腺成像中,CNNs已被有效用于区分良恶性病变,以及基于CT或MRI数据对肾上腺腺瘤进行亚型分类。例如,基于ResNet50的CNN模型在区分贫脂肾上腺腺瘤与转移瘤方面显示出高诊断准确性,在内部和外部验证中AUC值超过0.9。除分类外,CNN变体(如U-Net及其衍生网络)革新了医学图像分割。U-Net的编码器-解码器结构带有跳跃连接,能够精确描绘解剖结构和病变,这对于放射组学分析至关重要,因为精确的病变分割直接影响特征提取质量。在肾上腺肿瘤评估中,基于U-Net的模型促进了肾上腺肿块的自动或半自动分割,显著减少了手动勾画的时间和观察者间变异。该分割步骤是后续放射组学和DL分析的关键预处理阶段,实现稳健且可重复的特征提取。最近,最初为自然语言处理开发的Transformer架构已被适应于视觉任务,包括医学成像。视觉Transformer(Vision Transformers, ViTs)采用自注意力机制捕捉图像内的长程依赖性,克服了CNNs的局部性限制。这种建模全局上下文的能力在复杂成像场景中特别有利,其中病变异质性和周围组织特征影响诊断。新兴研究表明,ViTs和混合CNN-Transformer模型在肾上腺病变分析中具有前景,可能增强特征表示和分类性能。尽管仍处于早期阶段,这些架构可能解决CNNs在捕捉整个图像空间关系方面的局限性,为肾上腺成像分析开辟新前沿。总之,从CNNs到基于Transformer的模型的演变反映了向更复杂、更具上下文感知的图像分析技术的发展轨迹。CNNs仍是肾上腺成像的主导架构,因其已证实的有效性和计算效率,特别是在分割和分类任务中。然而,Transformer模型的整合可能通过利用其全局注意力能力进一步提高诊断准确性,预示着肾上腺肿瘤评估中DL应用的新时代。
4.2 端到端诊断与分类应用:DL模型越来越多地被用于肾上腺病变分类的端到端诊断流程,绕过了传统手动特征工程。这些模型接受原始或最小处理的图像输入(如来自CT或MRI扫描的ROI),并直接输出诊断预测,包括二分类(如良性 vs. 恶性)或多类别分类(如腺瘤亚型、嗜铬细胞瘤)。这种方法简化了工作流程,并减少了对手工放射组学特征的依赖,后者可能耗时且易变异。临床研究表明,基于CNN的模型可实现与经验丰富的放射科医生相当甚至更高的诊断性能,尤其是在具有非典型影像特征的挑战性病例中。例如,结合放射组学和临床参数的ResNet50 CNN模型在训练队列中区分贫脂肾上腺腺瘤与转移瘤的AUC高达0.996,在外部验证集中保持稳健性能。类似地,DL模型在区分ACC与大型贫脂肾上腺腺瘤方面显示出高灵敏度和特异性,成功解决了因重叠影像特征引起的诊断挑战。此外,整合来自多种模态(如CT、MRI和PET/CT)的成像数据以及临床和生化参数的多模态DL框架在增强诊断准确性和全面性方面显示出前景。例如,结合18F-Pentixafor PET/CT放射组学和DL特征以及临床数据的模型成功预测了原发性醛固酮增多症中CYP11B2定义的亚型,在测试队列中AUC为0.907,灵敏度完美。尽管AI在核医学中的适用性有时受到争议——主要因为PET示踪剂的高靶本底比通常提供视觉上明确的诊断,似乎不需要算法辅助——但AI通过超越简单视觉检测和最大标准化摄取值(maximum standardized uptake value, SUVmax)阈值而被证明极具价值。AI完全适合核医学,因为它能够量化细微的空间代谢异质性并促进多参数数据融合。AI与特定先进PET示踪剂的整合显著扩展了肾上腺成像的视野:(1)18F-FDG PET与放射组学:通过捕捉复杂的亚视觉糖酵解分布模式,在区分ACC和肾上腺转移瘤与良性腺瘤方面展现出卓越准确性。(2)68Ga-DOTA-SSA和18F-FDOPA:对于评估PPGLs至关重要,将AI应用于这些靶向生长抑素受体和儿茶酚胺合成的示踪剂,可以绘制瘤内代谢异质性图,并可能区分特定遗传簇(如SDHx与VHL突变)。(3)68Ga-Pentixafor:靶向CXCR4,其与AI和放射组学的整合在原发性醛固酮增多症亚型分型和预测CYP11B2表达方面被证明非常有效,从而为手术决策提供无创指导。(4)FAPI-PET:作为一种新兴模态,将AI应用于成纤维细胞激活蛋白抑制剂(fibroblast activation protein inhibitor, FAPI)PET可以精确量化侵袭性肾上腺恶性肿瘤(如ACC)中的基质激活和肿瘤微环境重塑,提供传统成像无法提供的新型预后生物标志物。这种整合方法利用了解剖、功能和分子成像以及患者特异性临床背景的互补信息,实现了更精确和个性化的诊断。DL模型处理原始图像数据和融合多模态输入的能力促进了临床适用工具的开发,可辅助放射科医生和内分泌科医生进行决策。这些模型不仅提高了诊断准确性,还减少了诊断时间和观察者间变异。这些端到端架构的临床转化依赖于无缝克服模型不透明性和泛化性的固有挑战,这将在下面专门的技术演进框架中严格评估。总之,端到端DL应用代表了肾上腺病变诊断的变革性进展,实现了直接从成像数据自动化、准确且全面的分类。多模态数据的整合进一步增强了诊断能力,为肾上腺肿瘤管理中的精准医学方法铺平了道路。
4.3 自动分割与特征学习的优势:由DL驱动的自动分割显著提高了肾上腺病变评估中放射组学工作流程的效率和可重复性。肾上腺肿瘤的手动勾画劳动密集、耗时,且存在观察者间和观察者内变异,这可能损害放射组学特征提取和后续分析的一致性。基于DL的分割模型,特别是基于U-Net架构的模型,能够快速精确地描绘肾上腺肿块,促进高通量和标准化的放射组学研究。分割的自动化不仅加快了工作流程,还减少了手动勾画中固有的主观偏差。这种可重复性的提高对于放射组学的临床转化至关重要,因为一致且可靠的特征提取是诊断和预后建模的基础。例如,自动分割结合放射组学和临床数据已显示可改善贫脂肾上腺腺瘤与转移瘤的区分,组合模型AUC高达0.92。除分割外,DL模型从成像数据中直接学习层次化和复杂特征,这可能捕捉到传统手工放射组学特征范围之外的细微和高维模式。这些学习到的特征更直接地反映潜在病理生理过程,为肾上腺肿瘤表征提供新型成像生物标志物。整合DL特征与放射组学的研究表明,与单独使用放射组学或临床模型相比,诊断性能更优,表明深度特征提供了互补且生物学相关的信息。此外,基于DL的特征学习促进了可能与分子和遗传肿瘤特征相关的新成像标志物的发现,可能实现无创表型分析和个性化治疗规划。例如,结合放射组学和DL特征的模型已被用于预测肾上腺腺瘤的功能亚型(如APA),与激素分泌谱和组织病理学发现相关。总之,自动分割和深度特征学习的优势在于增强工作流程效率、提高可重复性以及发现新的、临床相关的成像生物标志物的潜力。这些进展支持将DL整合到肾上腺成像流程中,最终有助于更准确、客观和个性化的肾上腺肿瘤评估。
5 放射组学与深度学习的整合策略:5.1 “手工特征+机器学习”与“深度学习”方法的比较与整合:放射组学中传统的“手工特征+机器学习”范式因其强可解释性而在肾上腺病变评估中得到广泛应用。该方法涉及从分割的肾上腺病变中手动或半自动提取预定义成像特征(如形状、纹理、强度统计和小波变换),然后输入经典机器学习分类器(如随机森林、支持向量机或梯度提升机)。主要优势在于这些特征的透明性,它们通常具有已知的临床或生物学相关性,促进临床接受和假设生成。例如,反映病变异质性或纹理的放射组学特征已被关联到区分贫脂肾上腺腺瘤与转移瘤或嗜铬细胞瘤,提供有价值的诊断线索。然而,该方法高度依赖专家知识进行特征工程和选择,可能忽略成像数据中嵌入的复杂高维模式。此外,手工特征可能对图像采集协议和分割准确性的变化敏感,限制了稳健性和泛化性。相比之下,DL模型(特别是CNNs)直接从原始或最小处理的成像数据中自动学习层次化特征表示,无需手动特征设计。这种端到端学习能力使DL能够捕捉即使人类专家或传统放射组学也可能无法察觉的细微和复杂成像模式。最近将DL应用于肾上腺肿块区分的研究已显示出有前景的诊断性能,例如区分ACC与贫脂腺瘤或区分嗜铬细胞瘤与其他肾上腺病变,通常实现高准确性和敏感性。然而,DL模型常因其有限的解释性而被批评为“黑箱”,这对临床信任和监管批准构成挑战。此外,DL需要大量、标注良好的数据集以避免过拟合并确保稳健性,这在肾上腺肿瘤研究中由于这些病变的相对罕见性和异质性而难以获得。为了利用两种方法的互补优势,已经提出并验证了融合策略。一种常见方法是将DL模型用于高质量自动分割肾上腺病变,然后从精确描绘的感兴趣体积中提取手工放射组学特征,提高特征可靠性和可重复性。另一种整合策略将CNNs学习的深度特征与手工特征连接起来,将组合特征集输入下游分类器(如XGBoost),通过捕捉显性和隐性成像特征来增强分类性能。然而,尽管这种多模型整合实现了显著的诊断准确性,但其临床适用性仍然较低;对复杂且计算密集的预处理流程的需求使其难以部署在标准、快节奏的临床工作流程中。为了理解这些人工智能途径带来的范式转变,必须将它们与现有的传统诊断方法进行严格对比。传统评估依赖于宏观形态学特征,主要是平扫CT密度阈值≤10 HU以识别富脂良性腺瘤,辅以对比剂洗脱动力学或MRI化学位移信号强度指数。虽然这些经典标准对于直接的富脂肿块高度可靠,但它们缺乏结构粒度,在面对贫脂腺瘤、非典型嗜铬细胞瘤或微转移瘤时灵敏度较低。相比之下,“手工放射组学+机器学习”方法将医学图像分解为高维定量数据,利用先进空间矩阵捕捉细微的亚视觉亚组织异质性和微环境复杂性。这种定量粒度弥合了诊断“灰色地带”,尽管引入了对手动分割和特征选择稳定性的依赖。进一步,“DL”模型完全绕过人工特征工程,从原始数据阵列中自主学习层次化、隐式的像素模式,以分类不确定病变或自动分割边界,具有卓越的体积准确性。虽然传统方法在视觉简单性和即时临床执行方面表现出色,但它们不具备预后分层或分子亚型分型的能力。放射组学和DL牺牲了这种即时视觉简单性,换取了无与伦比的预测深度,开启了对传统成像无法识别的组织病理学变异、治疗反应和基因突变的非侵入性预测。此外,可解释人工智能(explainable artificial intelligence, XAI)技术已被越来越多地整合,以消除这些网络的“黑箱”性质。虽然基于特征的机器学习和混合网络主要利用SHAP量化全局和局部特征重要性,但端到端DL架构也使用像素级归因方法,如梯度加权类激活映射(Gradient-weighted Class Activation Mapping, Grad-CAM)和局部可解释模型无关解释(Local Interpretable Model-agnostic Explanations, LIME),直接在CT或MRI切片上可视化显著诊断区域,从而增加模型透明度和临床可接受性。例如,SHAP分析已阐明临床和影像特征以及DL输出在区分贫脂腺瘤与转移瘤或嗜铬细胞瘤中的贡献,指导临床医生理解模型原理。总之,虽然基于手工特征的机器学习提供了可解释性和临床洞察,但可能遗漏复杂模式,而DL在特征学习方面表现出色,但存在不透明性和数据需求问题。通过分割辅助放射组学、特征融合和XAI进行整合,代表了一种有前景的途径,以利用两者的优势,改善诊断准确性并促进肾上腺肿块评估中的临床转化。
5.2 多中心研究与标准化平台的建设:放射组学和DL模型用于肾上腺病变评估的临床转化关键取决于其在不同患者群体和成像设置中的泛化性和稳健性。实现这一点需要大规模、多中心研究,汇集涵盖不同扫描仪类型、成像方案和患者人口统计学的异质性数据集。这种多中心合作能够实现全面的模型训练和验证,减轻对单中心偏倚的过拟合,并增强外部有效性。例如,最近涉及来自多个三级中心数百名患者的研究通过利用多样化的成像数据,在区分肾上腺腺瘤与转移瘤或嗜铬细胞瘤方面展示了改进的模型性能和适应性。然而,组装此类数据集面临数据隐私、异质性和标准化方面的挑战。为了解决中心间变异,建立统一的成像采集协议至关重要。参数(如层厚、辐射剂量、对比剂时相和重建算法)的标准化减少了可能对放射组学特征稳定性和DL模型性能产生不利影响的技术异质性。包括图像归一化、重采样和伪影校正的预处理流程也应协调一致,以确保一致的输入质量。例如,研究表明,在标准化协议数据上训练的模型比在异质性数据集上训练的模型表现出更高的可重复性和诊断准确性。此外,肾上腺成像的共识指南和质量控制框架可以促进各机构间的协议协调。新兴技术解决方案进一步实现了在保护患者隐私的同时进行协作模型开发。基于云的平台为多中心提供集中式数据存储、标注和模型训练环境,促进高效的数据共享和联合分析。更重要的是,联邦学习技术允许在本地数据集上分散训练机器学习模型,而无需传输原始数据,从而遵守GDPR和HIPAA等隐私法规。这种方法聚合模型更新而非患者数据,使得在保护机密性的同时,跨机构进行稳健的模型开发成为可能。联邦学习已在其他肿瘤成像领域显示出前景,并有望通过克服数据共享障碍来加速肾上腺成像AI研究。总之,构建大规模、多中心、标准化的成像数据库对于开发可泛化的肾上腺肿块评估放射组学和DL模型不可或缺。统一的成像协议、标准化的预处理以及隐私保护协作平台(如云计算和联邦学习)构成了实现AI驱动肾上腺成像诊断临床潜力的基础基础设施。
6 当前挑战与局限性:6.1 技术方法学挑战:放射组学和DL在肾上腺肿块评估中的应用面临显著的技术方法学挑战,阻碍了其广泛临床采用。一个主要关注点是放射组学特征的稳定性和可重复性,这些特征对成像采集参数、扫描仪类型、重建算法和ROI分割方法的变化高度敏感。例如,研究表明,从增强CT或MRI图像中提取的放射组学特征可能因扫描仪供应商和成像协议的不同而显著变化,导致特征值不一致并降低跨中心的可靠性。这种标准化的缺乏使稳健预测模型的开发复杂化,并限制了其泛化性。此外,肾上腺病变的分割(无论是手动、半自动还是全自动)都会引入变异,进一步影响特征提取。尽管自动分割技术已被开发以提高效率和一致性,但其准确性可能因病变异质性、大小和成像伪影而受损,特别是在贫脂腺瘤或不典型肿块中。另一个关键挑战是模型过拟合和有限的泛化性。许多现有研究依赖于样本量较小的单中心数据集,这增加了过拟合的风险,即模型在训练数据上表现良好,但在外部验证队列上表现不佳。例如,一些区分ACC与贫脂腺瘤的DL模型报告了高内部准确性,但由于依赖缺乏外部验证的小型单中心队列,固有地存在高过拟合风险,导致即时临床适用性低。对于罕见肾上腺肿瘤(如ACC或嗜铬细胞瘤),大型多样化数据集的稀缺尤为成问题,其中“小数据”问题限制了以足够