人工智慧透過術前CT影象可同時預測胃癌患者術後腹膜復發和無病生存期
原創 柳葉刀 柳葉刀TheLancet
《柳葉刀-數字醫療》（The Lancet Digital Health）近日發表一項基於人工智慧多工訓練模型預測胃癌患者術後腹膜復發和無病生存期的最新研究。研究創新地開發了一種多工深度學習模型，可透過術前CT影象準確地同時預測腹膜復發和無病生存期，並在多中心內外部資料集中得到出色的驗證。在人工智慧（AI）模型的輔助下，臨床醫生預測腹膜復發的準確度得到了顯著的提高。此外，此AI模型還能夠從II、III期胃癌患者中區分出最有可能從輔助化療中獲益的人群。該模型的開發有望於指導胃癌的個體化治療，並選擇最有可能從新療法（如腹腔熱灌注化療）中受益的患者。本研究由南方醫科大學南方醫院普通外科、廣東省胃腸腫瘤精準微創診療重點實驗室、美國斯坦福大學醫學院放射腫瘤科牽頭，小荷醫療健康、南方醫科大學南方醫院醫學影像中心、中山大學腫瘤防治中心、西北工業大學計算機科學與工程學院、加州大學戴維斯分校、美國斯坦福大學醫學院外科等共同完成。江玉明博士、張志誠博士、袁清玉醫師及王瑋博士為共同第一作者，李瑞江教授、李國新教授及周志偉教授為共同通訊作者。柳葉刀特別邀請作者團隊，為讀者帶來文章解讀。識別二維碼或點選文末“閱讀原文”，瞭解原文更多內容。
文章解讀
研究背景
胃癌是最常見的惡性腫瘤之一，儘管在綜合治療模式下胃癌的治療取得了一定的成效，但是胃癌根治性術後的腹膜複發率仍然很高［1-4］。發生腹膜復發的患者預後極差，中位生存期僅有3-6個月［5］。研究顯示，腹腔熱灌注化療在腹膜轉移疾病的控制和治療上取得了一定的成效，然而其長期獲益仍不清楚，因為該治療會增加術後併發症，如消化道瘻、粘連性腸梗阻和全身性敗血症的發生［6， 7］。倘若能在術前確定哪些患者具有較高腹膜復發風險，將有助於臨床醫生進行早期干預並精準地選擇最有可能從腹腔熱灌注化療等新療法中獲益的患者進行個體化治療，從而改善預後。因此，構建精準的胃癌腹膜復發預測方法對胃癌的個體化治療至關重要。
深度學習是一種從醫學影象中提取資訊的高效方法，可提高預測預後的準確性［8， 9］。然而，傳統深度學習模型大多以執行單個預測任務為主，如預測總體生存率等特定終點，存在過度擬合的缺陷。相比之下，單個模型在多個任務學習中，能夠透過在相關任務之間共享特徵，在提高效率的同時減少過度擬合，並且提高模型的通用性［10］。因此，本研究利用胃癌患者術前CT影象開發了一種多工深度學習模型，用於同時預測腹膜復發和無病生存期，並利用該模型篩選可以從輔助化療中獲益的患者，透過多中心的外部驗證，為臨床腹膜復發預測和個體化治療提供了重要的輔助工具。
研究方法
本研究回顧性地納入了三個獨立佇列中的2，320名胃癌患者，其中訓練佇列包括510名來自南方醫科大學南方醫院的患者，內部驗證佇列包括767名南方醫院的患者，外部驗證佇列包括了1，043名來自中山大學腫瘤防治中心的患者。本研究透過利用訓練佇列中胃癌患者術前的CT影象開發了一種多工深度學習模型，用於同時預測腹膜復發和無病生存期，並在內部驗證佇列和外部驗證佇列中評估了模型預測腹膜復發和預後的準確性。同時，本研究還評估了模型與化療療效的關聯，以及利用該模型是否有助於提高臨床醫生預測腹膜復發的能力（圖1）。
Figure 1。 Study design for the development and validation of a deep learning model to predict peritoneal recurrence and disease-free survival
研究結果
（1）多工深度學習模型的開發與驗證
本研究利用胃癌患者術前CT影象訓練了一個深度卷積神經網路預測腹膜復發和無病生存期。透過迭代方式將監督對比學習策略與動態神經網路相結合，多尺度融合CT影象探索了潛在的特徵，從而開發了預測腹膜復發和無病生存期的人工智慧（AI）模型，並在驗證佇列中得到了出色的驗證。在訓練佇列中，預測腹膜復發方面的受試者操作特徵曲線下面積（AUC）為0。857（95% CI 0。826-0。889），而在內部和外部驗證佇列中，AUC也達到了0。856（95% CI 0。829-0。882）和0。843（95% CI 0。819-0。866）。同時，利用該模型，研究發現在訓練佇列中，腹膜復發評分高的患者的5年累積腹膜複發率顯著高於低評分患者，分別為49。60%和0。75%（p<0。0001），而在內部和外部驗證佇列中也發現了類似的結果（圖2）。
在AI模型的輔助下，臨床醫生預測腹膜復發的能力得到了顯著的提高。在訓練佇列中，臨床醫生在預測腹膜復發方面的靈敏度從0。692顯著提高到了0。915，而在內部驗證佇列和外部驗證佇列中，臨床醫生在預測腹膜復發方面的靈敏度也分別從0。596和0。615提高到了0。938和0。944，並在相應的佇列中保持了相似的特異性。同樣的，研究中的另外兩名臨床醫生在訓練佇列和兩個驗證佇列中預測腹膜復發的靈敏度也均得到了顯著提高（圖2）。
Figure 3： Model accuracy for predicting peritoneal recurrence in the training， internal validation， and external validation cohorts
（2）AI模型能夠準確地區分生存獲益的胃癌患者
本研究評估了AI模型在預測胃癌患者無病生存期方面的效能，發現模型在訓練佇列、內部驗證佇列和外部驗證佇列中預測無病生存期的C指數分別為0。654（95% CI 0。616-0。691）、0。668（95%CI 0。643-0。693）和0。610（95% CI 0。583-0。636）。進一步的分析結果顯示，在訓練佇列中，AI模型高評分患者的無病生存期和總生存期均顯著長於低評分患者，並且在內部和外部驗證佇列中得到了有效的驗證（p<0。001）（圖3）。研究者同時發現，透過整合深度學習模型和臨床病理學風險因素構建的列線圖，能夠為當前臨床實踐中使用的TNM分期系統在個體化的生存預測方面提供顯著的附加應用價值。
Figure 4： Kaplan-Meier analyses of disease-free survival and overall survival
（3）AI模型能夠在II和III期胃癌患者中區分化療獲益人群
本研究除了評估模型在預測腹膜復發和生存期方面的效能外，還進一步評估了模型與II期和III期胃癌患者術後化療療效的相關性。透過整合預測腹膜復發和生存的評分將患者重新分為4類後，發現對於第一類患者（腹膜複發率高且生存率低），輔助化療能夠顯著提高II期（HR 0。543（95% CI 0。362-0。815），p=0。003）和III期患者（HR 0。531（95% CI 0。432-0。652），p<0。0001）的無病生存率。相反，對於第四類患者（腹膜複發率低且生存率高），輔助化療並不影響II期（HR 1。559（（95% CI 0。915-2。655），p=0。098）或者III期患者（HR 1。001（95% CI 0。697-1。439），p=0。990）的無病生存期（圖4）。
Figure 4： Relationship between the deep learning model and benefit from adjuvant chemotherapy in matched patients with stage II and III gastric cancer
研究結論
在這項針對2，320名胃癌患者的回顧性多佇列研究中，研究者們開發和驗證了一種多工深度學習模型，可以根據術前CT影象準確預測胃癌患者根治性手術後的腹膜復發情況和無病生存期。相較於傳統的TNM分期系統，該模型在預測腹膜復發和無病生存期上具有獨特的優勢，即便是在具有相似臨床特徵的患者中，也能精準區分胃癌腹膜復發高風險患者和生存獲益人群，為臨床個體化診療提供了具有決策意義的參考價值。重要的是，該模型整合了腹膜復發和生存資訊後能夠用來區分從常規化療中獲益的胃癌患者，有望於指導胃癌的個體化治療，選擇最有可能從新療法（如腹腔熱灌注化療）中受益的患者，這對當前臨床診療制定新的輔助治療策略具有非常重要的參考意義。這些結果值得在未來的隨機試驗中進行前瞻性驗證，以測試研究的AI模型與臨床病理學標準相結合的臨床效用，從而指導個性化治療。END
參考文獻
1。Bray F， Ferlay J， Soerjomataram I， Siegel RL， Torre LA， Jemal A。 Global cancer statistics 2018： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries。 CA： A Cancer Journal for Clinicians 68， 394-424 （2018）。
2。Noh SH， et al。 Adjuvant capecitabine plus oxaliplatin for gastric cancer after D2 gastrectomy （CLASSIC）： 5-year follow-up of an open-label， randomised phase 3 trial。 The Lancet Oncology 15， 1389-1396 （2014）。
3。Jiang Y， et al。 Association of Adjuvant Chemotherapy With Survival in Patients With Stage II or III Gastric Cancer。 JAMA Surgery 152， e171087-e171087 （2017）。
4。Ikoma N， et al。 Patterns of Initial Recurrence in Gastric Adenocarcinoma in the Era of Preoperative Therapy。 Annals of surgical oncology 24， 2679-2687 （2017）。
5。Thomassen I， et al。 Chemotherapy as palliative treatment for peritoneal carcinomatosis of gastric origin。 Acta Oncol 53， 429-432 （2014）。
6。Mi D-H， et al。 Surgery combined with intraoperative hyperthermic intraperitoneal chemotherapy （IHIC） for gastric cancer： A systematic review and meta-analysis of randomised controlled trials。 International Journal of Hyperthermia 29， 156-167 （2013）。
7。Yang X-J， et al。 Cytoreductive Surgery and Hyperthermic Intraperitoneal Chemotherapy Improves Survival of Patients with Peritoneal Carcinomatosis from Gastric Cancer： Final Results of a Phase III Randomized Clinical Trial。 Annals of surgical oncology 18， 1575-1581 （2011）。
8。Mukherjee P， et al。 A shallow convolutional neural network predicts prognosis of lung cancer patients in multi-institutional computed tomography image datasets。 Nature Machine Intelligence 2， 274-282 （2020）。
9。Lou B， et al。 An image-based deep learning framework for individualising radiotherapy dose： a retrospective analysis of outcome prediction。 The Lancet Digital Health 1， e136-e147 （2019）。
10。Zhao W， et al。 HOTAIR is a predictive and prognostic biomarker for patients with advanced gastric adenocarcinoma receiving fluorouracil and platinum combination chemotherapy。 Am J Transl Res 7， 1295-1302 （2015）。
*中文解讀僅供參考，所有內容以英文原文為準。
