人工智能(artificial intelligence, AI)在上个世纪便被正式确立为一门包含着计算机科学、数学以及哲学等众多基础学科的学科，随着这些基础学科的发展，AI也在不断的革新并成为了第四次工业革命的核心。AI旨在使用各种方法以及技术来延伸人的能力，并逐步被应用到众多行业，进入人们的生活中[1];其中飞速进展的机器学习以及深度学习算法也逐渐被应用到医学行业之中，带领医学进入智能时代。AI可以辅助临床医生做出决策，从而为解决临床问题提供了新的思路[2]。

听神经瘤(acoustic neuroma, AN)又名前 庭神经鞘瘤(vestibular schwannoma, VS),是起源于前庭神经的施旺细胞良性肿瘤，占中枢神经系统肿瘤的8%,是颅内最常见的神经鞘瘤[3]。常见的症状是听力下降以及耳鸣，随着占位效应的增大可引起后组神经症状，压迫脑干甚至威胁生命。随着磁共振成像(magnetic resonance imaging, MRI)的普及，VS的发现率也不断提高。VS现在的处理方式为随访观察、立体定向放射治疗以及手术治疗，且治疗重点也从降低死亡率、全切肿瘤转到了面听神经功能的保留[4]。选择恰当的治疗方式对患者的预后影响极大。现对AI在听神经瘤中诊断、分割、治疗方式的选择以及预测预后的方法进行综述，并展望AI在VS个体化智慧诊疗中的前景。

1、AI在VS诊断中的应用

1.1 VS的早期筛查

VS早期最常见的症状是听力下降以及耳鸣，但这种临床表现并没有诊断的特异性。目前诊断方法之一就是听力图表现为不对称听力损失后进行MRI评估，但详细解读听力图费时费力，且仍有漏诊的可能性。如果能在听力图检查中实现早期VS的筛查将会极大地提升VS的发现率。有研究纳入了768例VS患者、2 000个非VS患者的听力检查(正常或异常听力图)构建了多个人工智能预测模型并进行比较，最终人工神经网络(artificial neural networks, ANN)相对于随机森林以及逻辑回归取得了最优的成绩，其预测是否患有VS的准确率(模型预测与实际情况一致的数量占总预测数量的百分数)达到了86.2%[5]。这种模型的推广有助于医生早期筛查、早期诊断VS,使患者得到及时治疗。

1.2 VS的影像学诊断

MRI在术前诊断VS的效率是最高的，MRI与AI的结合有利于提升放射科医生以及临床医生的诊断效率，从而减轻临床负担。有研究基于贝叶斯神经网络建立了基于健康人、VS患者、胶质母细胞瘤患者的多参数MRI的诊断模型。在纳入了700人的数据并进行扩充后构建诊断模型，最终模型取得了93%的诊断准确率[6]。类似的研究则是利用卷积神经网络研究了包括VS在内的6种颅内肿瘤患者以及健康人的MRI-T1增强信息，后建立的模型在内外部数据集上均取得了不错的结果[7]。随着越来越多的公开数据集发布，将有众多的病种、数量充足的MRI图像资料纳入，这会使AI的诊断性能进一步提高。

1.3 VS与桥小脑角区脑膜瘤的鉴别诊断

桥小脑角区(cerebellopontine angle, CPA)最常见的占位为VS以及脑膜瘤。尽管两者有可以鉴别的影像学特征，但核磁图像中可能蕴含着更多的信息。江华等[8]收集了包括299例VS患者与89例CPA脑膜瘤患者的增强后T1影像，扩充数据集后使用卷积神经网络进行训练并输出肿瘤的诊断结果，取得了80.26%的诊断准确率。娄云重等[9]则是利用限制对比度自适应直方图提升图像质量，后将其输入到三维的 卷积神经网络，诊断模 型具有91.8%的准确率以及0.913 4的曲线下面积(area under curve, AUC)。 刘颖等人[10]则是优化设计了掩膜区域卷积神经网络(Mask RCNN),基于89例脑膜瘤与218例VS患者的增强后T1影像构建了一个诊断准确率为91.82%的肿瘤诊断模型。诊断的不同可能导致治疗策略上的天差地别，提升鉴别诊断的能力有利于进一步提升AI的综合诊断能力。

2、AI在VS治疗决策选择中的应用

目前VS主要的处理方式为随访观察以及治疗(立体定向放射治疗或手术切除)。选择随访观察，如果患者在此期间无新发症状或者症状加重且肿瘤不再生长，这样的选择则是对患者最有利的；但如果在肿瘤生长后再被动地采取措施则会导致较差的治疗结果。因此，及时收集影响决策的因素对选择恰当的策略至关重要。有研究经过长期的随访患者，纳入了388份病历，经过交叉降维排除了相关性弱的特征后将筛选的临床信息再通过6种特征筛选方式放入6种包括决策树、随机森林在内的分类器，构建了36个模型并提取单次就诊以及随访观察中影响决策的因素：在单次就诊中Koos分级、听力学检查中的纯音测听、言语测听结果为影响因素；而在多次就诊中Koos分级、轴位最大径为影响因素。最终作者在单次就诊以及多次就诊均构建出了具有优异性能的治疗策略选择模型[11]。类似的研究则通过纳入临床信息，利用传统统计学方法筛选了可能的影响因素，建立了准确率为88%的治疗策略选择的决策树模型，并提取除了肿瘤最大径、Koos分级、年龄为重要决定治疗方式的选择参数，其中最大径比Koos分级的优先级更高[12]。提取出的影响因素都与既往文献报道取得了一致的结果，而构建的AI模型也能直接辅助进行策略选择。肿瘤是否快速生长也是决定治疗策略选择的重要因素，有研究基于临床因素以及影像组学特征构建了一个预测VS是否快速增长的模型，其取得了0.69的AUC[13]。

影像组学是可以提取高通量信息的图像分析方法，可用来描述肿瘤形态以及异质性等信息，也被广泛地应用在医学影像研究中[14]。影像组学可以使VS更多的特征被纳入模型，从而进一步提升AI性能。

3、AI在VS分割中的应用

目前临床上VS的治疗策略一般依据肿瘤的最大直径而决定[15]。然而，有文献报道体积测量是更好的衡量肿瘤真实大小的方式，能更好的辅助选择治疗方案以及评估随访。但人为对核磁图像进行分割并测量体积费时费力，目前缺少将自动化分割方法应用到临床的算法。立体定向治疗也是依赖于治疗前对肿瘤的精确勾画：分割越详细，治疗计划也越完善，治疗效果也越佳。一般人工分割基于轴位核磁(即X和Y轴)进行，但直接利用AI进行分割学习难免会导致模型对Z轴的信息提取能力下降(即相邻轴位图像之间缺失的影像学信息)。VS是由T2序列上呈高信号的囊性和T1+c序列上高信号的实性部分组成，使用单独一种序列对VS的重建效果较差。有研究[16]使用2D U-Net与3D U-Net网络结合成2.5D U-Net网络来有效提取Z轴信息同时降低了3D U-Net对计算力的高要求，纳入多参数的核磁信息提升AI精确的勾画肿瘤囊性部分的性能，调整超参数以及设置注意力模块提升模型对小肿瘤的分割能力。最终多参数VS分割模型与作为金标准的人工分割相比，取得了DICE得分0.93(DICE coefficient, 表示了模型分割图像与作为金标准的人工分割图像的契合程度，DICE得分越高，说明模型分割的图像越接近作为金标准的人工分割图像，最高为1)、平均对称表面距离0.199 mm、相对体积差7.03%的优秀结果，且上述结果均明显优于单参数模型。这是作者认为第一篇报道VS分割的研究。后续有研究报道双通道的U-Net比单通道更能提取Z轴的信息，并把T1序列加入后提升了勾画VS不同信号组织的性能。这个双通道+多参数分割模型纳入了518例患者，使用四折交叉验证构建了最佳模型，最终在测试集上取得了DICE得分0.90±0.05的好成绩，且明显优于单通道以及其它参数类型的分割模型[17]。后续的VS分割研究也多基于上述的思路，来自上个研究同一家医院的研究加了新的图像处理方式可裁剪核磁信息从而使模型专注分割肿瘤，并附加了体积测量模块，最终这个多参数+双通道的分割模型也取得了优异的DICE得分，并且体积测量结果也与人工测量差别不大[18]。也有单纯使用单一序列、不同成像机器上的MRI图像，但这些因素以及小样本量最终限制了模型的性能[19]。也有文章提出了新的思路，着重于非全切肿瘤术后的分割并将其用于随访。文章中分别用T1+c、高分辨率T2核磁构建了分割模型，通过不断地调整超参数后，两种模型分别取得了0.89和0.85的DICE得分。术后残留肿瘤基本为实性，验证单参数MRI信息也能训练性能好的模型。因T1+c需要注射对比剂，需要额外的操作时间，且对肝肾功能有着一定的影响，作者最终认为高分辨率T2单独应用于VS诊断以及分割上有着广泛的前景。然而术后瘢痕组织等因素也会干扰术后VS的重建[20]。也有文献充分利用了外部数据集。当利用外部数据集进行模型构建，测试DICE得分为0.87,但测试内部数据集时DICE得分为0.36;而利用内部数据集进行构建，测试DICE得 分为0.82,测试大小匹配的外部数据集的肿瘤DICE得分才为0.85。作者认为不同的扫描机器以及协议导致上述现象的发生，且训练集和测试集的匹配才能取得更好的结果[21]。也有研究基于Transformer构建了VS分割模型并取得了DICE得分95.74的好成绩[22]。更多数据集被纳入有利于提升AI性能，而不同机器或协议的MRI信息则要求AI改善自身结构。未来更优越的算法与影像学结合的模型也将大放异彩。

4、AI在VS预后预测中的作用

4.1 AI预测伽马刀治疗预后

伽马刀也被广泛地应用到VS治疗中，其治疗结局一般分为有效(肿瘤体积缩小>10%)和无效(24个月内肿瘤体积缩小<10%)。即使治疗有效，在治疗后也可伴有肿瘤的假性进展，这时肿瘤通常会在6～18个月内缩小，但暂时性的肿瘤增大可能会加重患者的症状甚至进一步挤压脑干威胁生命。目前没有有效的术前判断伽马刀预后的方式，包括是否有效以及是否伴有假性进展。如果伽马刀治疗无效，放射治疗会加大后续手术治疗的难度，降低患者神经功能的保留率以及切除率；提前判断有无假性进展也有利于与患者沟通。有研究纳入了336例患者，其中治疗效果分为有(n=265)和无(n=71);治疗假性进展分为有(n=130)和无(n=135),统一处理图像后利用影像组学从多参数的MRI影像中提取拟合系数最大的5个放射组学特征放入最适合二分类结果的支持向量机模型中。最终预测治疗效果有无以及治疗有效中是否有假性进展的两个模型均取得了不错的成绩，测试集上的预测结果与实际情况符合的准确率分别为93.3%以及84%[23]。也有研究着重于探究囊实性肿瘤中影响伽马刀治疗的因素，其在处理图像后利用模糊c-均值聚类算法区分囊实性肿瘤，然后通过先单后多变量线性回归模型提取有用的临床因素以及影像组学特征，并提示了囊性成分比例的增加趋向于较好的结局；最终构建的线性回归模型成功的前瞻性地预测了两位患者的治疗结局[24]。也有文献同样利用影像组学提取特征，最终构建的支持向量机建立模型也取得了不错的性能[25]。由此可见，AI在伽马刀的治疗预后预测中有着广阔的治疗前景，随着AI与影像组学的结合，AI判断预后的能力也会进一步提高。

4.2 AI预测VS血供

血供是影响手术结局的重要因素。有研究表明丰富的血供常常预示着术后较差的面部神经功能和较低肿瘤切除率，然而目前对VS血供的术前评估主要是通过对MRI解剖表现和目视判断留空现象。但在临床实践中，这种方法通常不能准确的判断血供情况。在一项研究中，作者在术中通过观察判断血供是否丰富，并通过收集这些患者的术前MRI,经过影像组学特征提取后将其纳入多种机器学习模型，利用5层3折交叉实验最终构建多个可以预测VS血供丰富与否的模型用于测试，取得了与术者术中观察相比准确率为0.87的好成绩[26]。

动态增强核磁(dynamic contrast enhanced-magnetic resonance imaging, DCE-MRI)相对普通MRI更能反应肿瘤血供情况，且比术中人为判定更为客观，未来AI在DCE-MRI中能挖掘更多的信息从而具有更好的预测预后的功能。

4.3 AI预测保听手术的结局

VS的临床表现多为听力下降，而且术中的干扰会进一步损伤蜗神经功能导致听力损伤加重，因此术前有有效听力的患者术后听力保留概率极低。有文献收纳了50例接受保听手术的术前有有效听力的患者，依据临床经验以及既往文献收集了影响因素，将其纳入了不同的机器学习算法中，最终建立了多个与实际情况相比准确率在90%左右的预测手术后听力是否保留的机器学习模型，并提取出术前单词识别评分(word recognition score, WRS)是权重最高的影响因素[27]。也有研究构建了一个预测中颅窝入路术后听力保留的预测模型，并提出术前纯音测听平均值为权重最大的影响因素[28]。上述模型为治疗策略的选择提供了额外的考虑因素。前文已述有研究利用听力学检查做早期的筛查模型，传统的听力学评估中也许隐藏着VS独特的特征，进一步发展的算法可能将其挖掘出来并指导临床。

4.4 AI预测术后面神经功能

随着显微外科技术的发展，VS的诊疗重点已经转移到了神经功能的保留尤其是面神经的功能保留上。面瘫会带来生理性以及心理性的损害，给患者带来沉重的负担。许多国内外文献报道了VS术后面神经的影响因素，但具体哪个因素对面神经影响最大，如何将这些因素有效地应用到临床仍是待解决的问题。因此，一个有助于临床医生进行决策从而最大程度上保留患者的面神经功能准确的预测模型是非常有必要的。有研究纳入了术后随访6个月的128例VS患者，使用经过SMOTE-ENN平衡数据集，以HB-1为好的面神经保留结局，其余均为差，纳入足量的患者基本信息、临床信息、影像学信息后，使用单因素logistic回归筛选有意义的因素然后纳入到了多个机器学习算法中，最后自适应提升算法构建的预测术后面神经功能的预测模型效果最佳[29]。也有研究将肿瘤切除程度以及面神经功能融合成一个新指标即手术结果，构建了在预测手术结果的好坏方面，AUC、准确率、预测率和敏感性均优于传统机器学习模型的多层前馈反向神经网络[30]。既往有文献报道，面神经相对肿瘤的方位、肿瘤形状等也可影响面神经的预后[31]。纳入更多的数据，结合影像组学，优化算法性能会进一步提升AI判断面神经预后的准确性。面神经保留作为现在VS手术治疗的重点，相关的研究不久将出现井喷。

4.5 AI预测延长术后住院时间

目前很少有研究着重于探索影响VS术后住院时间的因素。长的住院时间会导致费用增加，提升院内感染以及下肢深静脉血栓发生的概率。能在术前对这些因素进行有效干预则会有效改善患者的预后。有研究纳入了1 366例患者，通过广泛地收集各种临床因素，研究者通过临床经验纳入了14个可能的因素，再通过统计学方法筛选有意义的因素，最后分别构建多元线性回归模型(逐步回归)以及基于随机森林的预测术后住院时间的模型，最终AI预测方面的性能也优于回归模型。提取出的相关因素包括：是否诊断为双侧肿瘤、体质量指数(body mass index, BMI)、高血压、冠状动脉疾病、术前吸烟、术前肿瘤体积、术前囊性特征和术后主要并发症[32]。

4.6 AI预测VS复发

预测复发在肿瘤相关治疗中非常重要，这一点适用于非全切的VS术后患者。有研究在网上发表问卷，将收集的临床信息通过单因素回归分析筛选，然后分别利用机器学习以及深度学习构建预测VS是否复发的模型，最终研究者的四层前馈反向传播神经网络的模型明显优于传统机器学习构建的模型[33]。

5、小结

AI在VS的诊疗中有着广泛的应用前景。许多学者从VS治疗的难点出发，将临床问题与新兴的算法结合，构建和优化模型以帮助临床医生更好地进行决策。当然现有的研究也有很多局限性：与影像组学结合较少，只有同时纳入影像组学以及临床信息才能构建贴合临床的高性能模型；多数研究使用机器学习算法而非深度学习算法。AI在VS中的进一步应用需要多领域专家共同努力合作。未来AI一定会在包括VS在内的多种颅内肿瘤的诊疗中大放异彩。

参考文献:

[2]耿新,成睿,吉宏明.人工智能在神经外科领域的应用进展[J].中华神经外科杂志,2020,36(7):748-751.

[8]江华,于同刚,吴丽琼,等.基于AlexNet的桥小脑角脑膜瘤和听神经瘤MRI图像的识别研究[J].中国医疗器械信息,2022,28(1):44-47.

[9]娄云重,刘颖,江华,等.基于MRI和深度学习的桥小脑角区脑膜瘤与听神经瘤分类算法研究[J].波谱学杂志,2020,37(3):300-310.

[10]刘颖,陈静聪,胡小洋,等.基于Mask RCNN的桥小脑角区脑膜瘤与听神经瘤分类定位研究[J].波谱学杂志,2021,38(1):58-68.

基金资助:国家重点研发计划(编号:2021YFC2400803);

文章来源:刘东,薛祺,宋刚等.人工智能在听神经瘤诊疗中应用的研究进展[J].现代肿瘤医学,2024,32(01):146-150.