编辑推荐：
这篇综述深入探讨了人工智能（AI）在癌症磁共振成像（MRI）领域的应用。从 AI 的基本概念入手，分析其在 MRI 图像采集、重建、配准、分割以及辅助诊断和预后等方面的成果与局限，并讨论了临床应用面临的挑战，为该领域研究和应用提供了全面参考。
人工智能在癌症磁共振成像中的应用综述
一、引言
在医学成像领域，人工智能（AI）发展迅猛，其在磁共振成像（MRI）中的应用也日益广泛。本综述旨在为 MRI 领域的研究人员和临床工作者提供关于 AI 在癌症 MRI 应用中的全面指导，探讨其优势、局限以及未来发展方向。
二、AI 的关键概念
AI 指计算机系统理论与开发，能够执行通常需要人类智能的任务。机器学习（ML）是 AI 的一个分支，通过在相关数据上训练统计模型来完成任务。深度学习则是 ML 的子分支，其神经网络（NN）在医学成像中展现出实用价值。在医学成像中，ML 技术根据可用训练数据类型，分为监督学习和无监督学习。监督学习使用带标签的数据对进行训练，无监督学习则仅使用样本数据，无需标签。
三、基于 AI 的 MRI 数据图像采集和重建
- 图像采集和重建的原理：在 MRI 中，图像采集涉及信号和空间编码，通过调整采集参数可改变图像对比度和采集时间。采集到的原始信号需经过重建算法处理，才能转换为可可视化的图像。然而，由于数据受噪声干扰且常为欠采样，图像重建是一个具有挑战性的逆问题。
- 常见的机器学习技术：在图像采集和重建中，训练 ML 模型通常被视为一个优化问题。在监督学习中，通过最小化损失函数来优化模型参数；无监督学习则仅依赖输入数据进行优化。在图像采集中，监督学习可用于优化采集策略，如寻找最佳射频翻转角度等；无监督学习可用于提高低分辨率图像的质量。在图像重建方面，基于 AI 的技术包括端到端监督、端到端无监督和生成建模等方法。
- 当前临床需求：AI 在 MRI 图像重建中展现出优势，能使用更少的测量数据维持高图像质量，甚至可生成用于特定临床任务的诊断图像。但目前许多 AI 产品仅适用于特定情况，缺乏广泛的通用性。此外，临床还需要能够处理患者运动、分辨细微组织变化以及更好量化图像质量与诊断指标关系的技术。
- 临床应用的障碍：AI 技术在临床应用前仍面临诸多问题，如对数据采集差异的鲁棒性不足，模型需在各种硬件和成像协议变化下进行训练，否则性能会下降。同时，模型的可解释性也需通过不确定性量化来提高，以避免临床误诊。
四、通过 AI 对 MRI 数据进行配准和分割
- 常见的 AI 技术：在肿瘤和组织分割方面，AI 自动化方法通常基于体素特征，使用卷积神经网络（CNN），如 U - Nets，来识别健康组织、癌症和肿瘤内子区域。在图像配准中，经典方法通过估计最优变换来最大化图像间的相似性，而基于学习的方法则试图克服传统方法的缺点，包括监督学习和无监督学习。
- 当前临床需求：基于深度学习（DL）的脑癌 MRI 配准在局部配准方面仍具有挑战性。在肿瘤分割方面，AI 可辅助放疗计划，但在治疗后其性能会下降，需要使用治疗后数据进行训练以实现准确的纵向分割。此外，提高分割的一致性对推进定量成像至关重要。
- 当前方法的缺点：当前 AI - 基于的分割和配准方法的主要缺点是训练和验证数据的局限性，包括目标环境中数据的稀缺、数据质量的变化、成像协议的标准化问题以及数据漂移现象，这些都会影响模型的准确性和可转移性。
五、基于 MRI 数据的 AI 诊断
- 常见的 AI 技术：计算机辅助检测系统（CADe）和计算机辅助诊断（CADx）系统利用 AI 技术对肿瘤进行定位和定量表征。这些技术基于放射组学、ML 和 DL，其中 CNN 是基于 DL 的 CADe 和 CADx 最常用的架构。
- 当前临床需求：AI 在分析标准护理 MRI 数据以进行癌症检测和诊断方面具有潜力，可减少阅片者间的差异，简化诊断过程。在神经肿瘤学中，AI 可辅助鉴别原发性中枢神经系统肿瘤亚型和脑转移瘤；在乳腺癌诊断中，AI 可用于早期检测、筛查和良恶性病变的鉴别。
- 临床应用的障碍：在医学领域，AI 模型的可解释性至关重要。目前，建立 AI 模型的可解释性是临床应用的主要障碍之一。此外，AI 模型在肿瘤特异性场景中的性能还需提高，同时还面临数据问题、计算成本高以及缺乏外部验证等挑战。
六、基于 MRI 数据的 AI 预测
- 常见的 AI 技术：AI 可将成像数据与病理反应、复发时间和总生存等结果相关联。常用的机器学习方法包括支持向量机（SVM）、回归、随机生存森林（RSF）、聚类和 CNN 等。近年来，基于 Transformer 架构或结合注意力机制的 DL 模型也逐渐应用于预测。
- 当前临床需求：在肿瘤学中，通过治疗前或治疗早期识别患者的预后，有助于选择、调整治疗方案和制定个性化的随访计划。基于多参数 MRI 的 AI 分析可解决活检的采样偏差问题，且在某些情况下比标准临床信息具有更好的预测性能。
- 临床应用的障碍：基于 AI 的预测方法在特定队列中的研究通常缺乏外部验证，导致通用性有限。MRI 采集技术的差异、数据共享的限制以及癌症人群的异质性等问题，都阻碍了 AI 模型在临床中的广泛应用。此外，AI 算法缺乏可解释性，模型参数的优化以及与临床工作流程的整合也面临挑战。
七、讨论
AI 在 MRI 的多个领域取得了一定的成功，部分技术已获 FDA 批准用于临床。然而，AI 在癌症 MRI 应用中仍面临三大挑战：模型通用性、模型可解释性和对模型输出的信心。数据和设备的多样性、缺乏标准化的质量保证和控制以及患者特征的差异等因素影响模型通用性；模型的黑箱性质限制了其可解释性；而建立对模型输出的信心不仅与通用性和可解释性相关，还涉及伦理和数据安全问题。
八、结论
AI 在加速 MRI 图像采集和重建、改善图像分割和配准以及辅助诊断和预后方面具有潜力。但在技术的可解释性、通用性以及质量保证和伦理方面仍存在诸多问题，需要进一步研究和改进，以确保在癌症成像和医疗保健中安全有效地应用。
