基于人工智能的EUS弹性成像在胃肠道间质瘤风险分层中的应用

《Endoscopic Ultrasound》：Risk stratification system of gastrointestinal stromal tumors under EUS elastography based on artificial intelligence

　　本研究开发了基于AI的胃肠间质瘤（GISTs）风险分层系统，通过EUS-E自动提取弹性值（EUS-E-AI）实现肿瘤分类与区域分割，验证其客观评估恶性潜能的效能。分类准确率95.8%，Dice系数0.967，最佳截断值0.224区分低/高风险GISTs的准确率达92.6%。EUS-E-AI与NIH病理分类负相关（r=-0.619），显著优于单纯尺寸评估（AUC 0.94 vs 0.73）。

　　胃肠间质瘤（GISTs）是一种具有潜在恶性特征的肿瘤，其在消化系统中较为常见，是所有间叶源性肿瘤中最普遍的一种。每年的发病率约为每百万人口4至20例。这些肿瘤通常起源于间质细胞或其前体细胞，可以在整个消化道中出现，其中约50%至60%位于胃部。GISTs的生物学行为复杂，从偶然发现的小肿瘤到高度侵袭性的肉瘤都有可能出现。因此，准确的术前风险评估对于临床决策和患者预后至关重要。

当前，术前风险分层主要依赖于国家卫生研究院（NIH）共识分类系统，该系统根据肿瘤大小和分裂计数等因素将肿瘤分为四个风险等级：高风险、中等风险、低风险和极低风险。然而，术前样本通常通过内镜超声引导的细针穿刺或活检（EUS-FNA/B）或计算机断层扫描（CT）引导的经皮方法获得。由于肿瘤的异质性和活检样本本身的局限性，这些方法可能无法全面反映肿瘤的整体特征。此外，由于GISTs往往质地脆弱，活检过程可能导致诸如出血、破裂或腹膜种植等并发症。因此，开发一种非侵入性、可重复且准确的术前风险评估方法对于GISTs的临床管理具有重要价值。

尽管CT和磁共振成像（MRI）在GISTs的诊断中起着关键作用，但它们提供的信息往往有限。相比之下，内镜超声（EUS）因其能够进行壁贴合扫描而成为评估黏膜下肿瘤（SMTs）的最准确方法之一。随着EUS技术的进步，EUS弹性成像（EUS-E）已广泛应用于临床，用于评估组织硬度，并帮助区分良性与恶性病变。EUS-E的应用潜力在于其能够提高GISTs的识别和风险分层的准确性。然而，目前EUS-E的解读仍存在挑战，因为通常需要操作者手动选择病变区域以获取弹性值，这种依赖性和主观性可能影响整体诊断的准确性。

为了解决这一问题，本研究开发了一种基于人工智能（AI）的系统，用于通过EUS-E进行GISTs的准确识别和风险分层。该系统结合了深度学习模型，实现了自动化的病变分类和分割，同时提取了病变区域的弹性值（EUS-E-AI）。通过使用ResNet进行图像分类和Unet++进行图像分割，该系统在区分GISTs与其他SMTs方面表现出较高的准确率，达到了95.8%。在分割方面，Dice系数达到了0.967，表明模型在病变边界识别上具有良好的一致性。进一步的分析显示，EUS-E-AI值在低风险恶性组（0.268 [IQR, 0.243–0.333]）显著高于高风险恶性组（0.186 [IQR, 0.176–0.199]，P < 0.001）。通过ROC曲线分析，确定了一个最佳的截断值0.224，该值在区分低风险和高风险恶性GIST患者时表现出92.6%的准确率（95% CI, 89.1–96.1）。这些结果在小GISTs中也得到了验证，表明该方法适用于不同大小的GISTs。

在该系统中，弹性值的提取基于EUS-E图像的颜色特征。具体来说，通过将分割标记从B模式图像映射到EUS-E图像，再结合颜色特征进行计算，从而获得一个从0到1的弹性值范围。这一弹性值不仅反映了组织的硬度，还提供了一个客观的评估标准，减少了操作者的主观影响。在对临床病理特征与EUS-E-AI值的相关性分析中，发现EUS-E-AI值与NIH风险分类以及分裂计数之间存在显著的负相关，这进一步支持了该系统在风险分层中的有效性。

此外，研究还对小于2厘米的小GISTs进行了亚组分析。在这些患者中，EUS-E-AI值的中位数在低风险恶性组为0.283（IQR, 0.246–0.387），而在高风险恶性组为0.168（IQR, 0.160–0.217），差异具有统计学意义（P < 0.001）。当应用0.224的截断值时，该系统在区分小GISTs的低风险与高风险恶性潜能方面表现出75.0%的敏感性、81.5%的特异性和80.65%的准确率，其ROC-AUC值为0.842（95% CI, 0.667–1.000），显示出良好的诊断性能。这一结果表明，EUS-E-AI不仅适用于较大的GISTs，也能有效用于较小的病变，为临床决策提供了更多的依据。

在讨论部分，研究者指出，尽管近年来已有多个研究探讨了CT和MRI在GISTs预后预测中的应用，但大多数放射组学模型仍依赖于手动提取的特征，其性能受到特征提取和分类过程中缺乏标准化解决方案的限制，从而降低了临床适用性。相比之下，EUS能够提供更全面的诊断信息，并被认为是评估SMTs的首选方法。然而，EUS-E在GISTs风险分层中的应用尚未被广泛报道。本研究通过引入AI技术，克服了传统EUS弹性评估方法中的主观性和操作依赖性，为GISTs的术前风险评估提供了一种新的、客观的工具。

研究还提到，EUS-E的初步应用是一种定性技术，其中绿色区域代表较软的组织，通常被认为是良性的，而蓝色区域则可能提示恶性病变。然而，这种定性方法依赖于操作者的主观判断，可能导致潜在的偏差。为了减少这种偏差，当前多采用应变比（SR）进行半定量分析，即操作者选择病变区域（A）和一个软组织参考区域（B）来计算SR。尽管这种方法在一定程度上减少了颜色评估中的主观性，但ROI的选择仍然依赖于操作者，且参考区域的大小和位置变化可能显著影响测量的准确性。因此，EUS-E在GISTs中的应用仍面临挑战。

AI技术的引入为解决这些问题提供了新的思路。通过深度学习模型，本研究实现了GISTs的自动识别和边界分割，避免了手动ROI选择的需求，从而减少了操作者的主观影响。此外，基于病变分割，系统提取了病变区域内的所有颜色像素值，并计算其平均值，开发出一种新的弹性成像指标EUS-E-AI。该指标不仅考虑了病变的整体特征，还量化了组织硬度，为临床提供了一个更客观和准确的评估标准。研究结果表明，EUS-E-AI值与GISTs的NIH风险分类之间存在显著的负相关（Spearman相关系数为-0.619，P < 0.001），能够有效识别94.8%的高风险恶性潜能患者。这表明该系统在风险分层方面具有可靠性和临床应用价值。

在对小于2厘米的小GISTs的亚组分析中，研究者发现EUS-E-AI的截断值0.224在区分低风险与高风险恶性潜能方面表现出良好的诊断性能，其准确率为80.65%，与Cai等人的研究结果相似。这一结果表明，EUS-E-AI可以作为评估小GISTs恶性潜能的有效工具。此外，该系统可能在处理接近2厘米的GISTs方面特别有用，因为当前临床指南在这些病例的管理上仍存在争议，是否进行观察或局部切除尚未有明确共识。通过提供一个定量和客观的组织硬度评估，EUS-E-AI可能帮助医生在这些患者中做出更加个体化的治疗决策。

尽管本研究取得了积极成果，但也存在一些局限性。首先，由于本研究为回顾性研究，不可避免地存在选择偏倚，因此需要在前瞻性队列中进一步验证EUS-E-AI的有效性。其次，研究中较小的GISTs样本数量有限，未来的研究应增加样本量，并纳入更多小GISTs患者以更好地评估该系统在该亚组中的应用。此外，本研究采用的是实时应变弹性成像（RSE），这是一种基于手动压缩下组织变形的定性方法。相比之下，剪切波弹性成像（SWE）是一种更近期的定量技术，通过测量剪切波传播速度来评估组织硬度，可能提供更高的可重复性和操作独立性。未来的研究应探索SWE在GISTs中的临床价值，并将其与RSE和基于AI的方法如EUS-E-AI进行比较，以进一步明确弹性成像在术前风险分层和临床决策中的作用。

综上所述，本研究开发了一种基于深度学习的弹性成像指标EUS-E-AI，旨在为GISTs的术前风险评估提供一个客观的工具。该系统通过自动化的图像处理和弹性值提取，显著提高了GISTs识别和风险分层的准确性，为临床医生在诊断、治疗决策和随访计划中提供了有力的支持。未来的研究应进一步验证该系统在更大样本和不同亚组中的有效性，并探索其他弹性成像技术的潜在应用，以完善GISTs的术前评估体系。