影像组学是在大数据和人工智能的背景下产生的精准影像分析技术，能挖掘肉眼无法识别的高维定量特征。运用高级数学模型算法转化为具有高分辨率可重复、低冗余可挖掘的高维数据，对特征进行量化分析，从而深入探讨图像中包含的潜在信息。
这是具体的影像组学工作流程图，从图像采集与分割，到深度特征、语义特征、形态特征及纹理特征的提取，再到进行特征筛选与模型构建。特征筛选和建模均有很多方法可供选择。
我们来看一下组学列线图，它是建立在多因素回归分析的基础上，将多个预测指标进行整合，然后采用带有刻度的线段，按照一定比例绘制在同一平面上，从而用来表达预测模型中各个变量之间的相互关系。
在脑脱髓鞘病MRI成像人工智能应用研究中，我们收集到150例患者，其中73例为多发性硬化，77例为视神经脊髓炎。我们以68例患者作为训练集，62例作为验证集，手动勾画病灶，基于组学列线图在T2WI图像的病灶中提取了273个定量组学特征。
最终筛选出11个组学特征和4个临床特征，可以看到训练集AUC和测试集AUC是比较接近的。
另外一个课题对189例的患者进行了研究，其中95例是多发性硬化，94例是视神经脊髓炎，其中以135例患者作为训练集，54例作为验证集，手动勾画病灶之后，同样基于组学列线图，在颈髓T2WI图像显示的病灶中提取了485定量组学特征。
最终筛选出9个组学特征与5个临床特征纳入模型，其鉴别效能较高。
人工智能辅助鉴别诊断同样具有挑战性，主要在于基于单一的临床数据库、基于单一序列、基于单一磁共振仪，组学列线图仍缺乏可解释性，且缺乏人工智能模型和临床医生判读的对比。
宣武医院收集了116例脑脱髓鞘病患者，其中78例为MS，38例为NMO，包含两个数据集，既有1.5T又有3T。我们收集了T1-MPRAGE和T2WI两个序列的影像数据，以及患者的残疾程度评分、病程等临床信息。
我们从T2病灶中提取了1118个定量的组学特征，基于多参数影像表征，构建了随机森林分类模型，将筛选出的9个组学特征和4个临床特征筛选出来纳入模型。
并且对比了神经影像医生阅片诊断和影像组学模型诊断的正确率。医生的鉴别结果准确率为0.709，敏感性为0.615，特异性为0.750。机器学习模型鉴别结果的准确率、敏感性、特异性都有明显提高，优于医生肉眼鉴别的结果。
机器学习模型由高维的组学特征组成，所以其解释性相对来说比较差，不容易理解。SHAP是目前比较流行的一种模型解释方法，通过计算在合作中每个个体的贡献来确定个体的重要程度。本模型具有可解释性，对于case A，随机森林模型判断有89%可能性是MS，其中最主要的贡献来自H-MPR-Log_95这个特征，我们可以把每一个特征的贡献值计算出来。
拓扑就是把实体抽象成与其大小、形状无关的“点”，而把连接实体的线路抽象成“线”，进而以图的形式来表示这些点与线之间关系的方法，目的在于研究这些点、线之间的相连关系。拓扑结构图就是表示点和线之间关系的图，拓扑可以应用在分子结构、地理图、DNA结构和绳结等。
我们也可以将拓扑在脑脱髓鞘疾病的诊断中进行应用。由于MS和NMO两种疾病的发病机制不同，其脑内病灶的空间分布不同，形态、大小也不相同，所以这两种疾病的脑内病灶的拓扑性质并不相同，我们希望能够找到潜在的鉴别诊断突破点。
我们对97例脱髓鞘病例的T2WI数据进行了分析，其中66例MS，31例NMO。这部分数据的结果我们目前还没有发表。具体通过软件勾画病灶，提取MS多发病灶的空间模式。整个DTA的框架是由三个模块组成的，动态层次网络构建、动态拓扑量化以及拓扑模式分析。
我们看到鉴别诊断的拓扑研究结果，与MS患者脑内病灶比较，NMO患者的病灶连接更加紧密，而且病灶的体积更大。拓扑研究具有很多优点，模型和结果可视化、病灶网络连接可视化、病灶体积可视化。
和以往的鉴别诊断模型比较，拓扑模型具有更高的AUC，达到0.875，准确性和特异性也很高。
以前的文献报道中，MS磁共振预测研究的准确率大约为58%~70%，其临床表现和影像学的征象通常不匹配，磁共振的病灶缺乏特异性，T2WI和T1WI上病灶的病理特征也缺乏特异性。
所以我们是不是可以通过基于拓扑的人工智能模型来帮助预测预后。
通过磁共振纵向随访研究发现，慢性病灶具有融合的趋势，而且临床的残疾程度会逐渐增加。所以我们提出假设随着疾病的进展，病灶的拓扑性质发生改变；反之，病灶拓扑结构变化也具有潜在的预测作用。
这部分研究共收集了90例进展的MS和54例非进展MS，如果残疾量表增高1.5分以上就定义为进展，小于1.5分定义为非进展，用T2WI数据进行训练。通过对病灶进行勾画提取多发病灶的空间模式。
结果显示，和非进展的患者相比，进展的MS患者具有更密集的病灶连接，而且病灶的病变体积更大。同时也实现了模型及结果可视化、病灶3D可视化、病灶网络连接可视化和病灶体积可视化。
和既往的研究报道相比，磁共振预测模型同样显示了更高的AUC，达到了0.752，准确性、特异性也较高。
相关阅读 >>
苹果AI主管samy bengio确认将出席nvidia年度gtc会议
《nature》杂志发表中国医药AI公司成果，利用AI优化药物临床试验
snapchat推出聊天机器人my AI，采用openAI技术
作家观察丨修新羽：AI时代 我们应学会“道德判断”和“价值判断”
更多相关阅读请进入《AI》频道 >>
