基于人工智能学习模型在结节性硬化症相关肾血管平滑肌脂肪瘤诊疗中的研究

基于人工智能学习模型在结节性硬化症相关肾血管平滑肌脂肪瘤诊疗中的研究一文创作于：2023-08-16 04:55:44，全文字数：11910。

基于人工智能学习模型在结节性硬化症相关肾血管平滑肌脂肪瘤诊疗中的研究

��对影像数据的学习及分析，减少对人类知识储备及临床经验的依赖，实现机器自主对诊断经验的学习。因此，在AI 辅助下可提升对TSCRAML 的诊断准确性。

4.2 辅助评估TSC-RAML 体积的变化 TSC-RAML的体积大小及依维莫司治疗前后的体积变化均关系着患者的后续诊疗及预后，有效评估TSC-RAML 体积至关重要。目前临床中评估肿瘤体积变化的方法较多，常见的有测量肿瘤的最长直径的变化来衡量肿瘤体积的大小及改变[25]，其次还可利用椭球体积公式（π/6×长×宽×高）来计算肿瘤体积变化的效果[26]，这都是传统的采用肉眼观察测量的方法，应用于临床之中不够精确，存在不可避免的误差。若利用重建模型对肿瘤体积进行评估，可以提高肿瘤体积参数的准确性。基于AI 下的医学影像分割技术如CNN、U-Net 网络等可以很好的完成肿瘤的分割与重建，Lin Z 等[27]基于U-Net 网络对肾肿瘤进行分割，证明肿瘤分割的准确性高，可实现肿瘤各个层面直径及肿瘤体积的自动测量；Houshyar R 等[28]研究表明，CNN 能够快速准确地分割肾脏和肾肿瘤，精确的描绘出肿瘤及肾脏边界，将肾脏与相邻器官分开，并自动进行数据测量，以编程方式提取肿瘤和肾脏体积。对于成分复杂、形状多样的TSC-RAML，若通过智能化分割技术进行模型重建，可获得准确的肿瘤体积参数，为临床诊疗做出指导。

5 智能化模型的优势及特点

5.1 模型分割技术 高效化、精准化传统的三维模型分割方法很多，常见的有阈值分割法、边缘分割法、区域分割法等[29]，这些方法均受到硬件设备及数据的限制，分割时存在很多难点，如成像参数的差异会不可避免的形成伪影及噪声，需要进行大量手工的处理；难以识别边界信息弱的组织和器官，增加分割重建难度等；这将在分割效率及精度上均难以满足临床要求，而基于AI 的智能分割方法可避免这繁琐费力的过程。Da CL 等[30]表明基于DL 的分割算法可以克服传统分割技术的不足，在无需任何人工干预的情况下就完成对病变的准确分割。van Sloun R 等[31]研究显示，基于U-net 模型的算法分割技术具有高分割性与高稳定性，可在短时间内实现高精度的肿瘤分割。由此看来，智能化分割技术具备高效、精准的特点，它仅仅需要借助特征学习和分层抽取等高效算法，依赖于客观数据便可以自动、精准的分割肿瘤，获得精准参数。

5.2 智能化重建 模型具有直观性、可靠性，而人类的观察依赖于视觉中物体的三维空间构象，不同人的三维空间想象能力不同，这对于医生在认知中构建三维立体模型具有很大的挑战，而智能化三维模型可以形象直观的定位肿瘤位置及观察肿瘤体积的大小，重建所得图像可凸显强烈的现实感，并且可以极大的优化成像效果，允许医生可以对图像进行多层次、多角度的观察分析，从而减少对认知理解的依赖。Parkhomenko E 等[32]认为三维模型可极大的增加外科医生对肾脏解剖的认知。而且与传统的评估肿瘤体积方法相比，通过三维重建获得的相关体积参数的可靠性也更高。von Rundstedt FC 等[33]在将重建所得模型与实体肿瘤进行比较时，二者的形状及体积有较高的相似性。Hsiao CH 等[34]研究证明，基于DL 的肾脏分割算法，自动体积计算所得出的体积与实际值相比仅相差1.43%，提示智能化模型的准确程度较高。

6 总结

TSC-RAML 虽然是良性肿瘤，但离不开影像学的支持，随着影像数据的急剧扩增，传统的影像学技术并不能满足于临床的需求，AI 与医学的不断融合引领着智能化诊疗时代的来临，且智能化分割技术的不断发展也将使三维重建水平推向历史顶峰。虽然基于AI 的各种技术尚未广泛普及于临床，但随着更高质量的数据发展及医疗系统完善，相信AI 可使医疗领域完全进入智能时代。

《基于人工智能学习模型在结节性硬化症相关肾血管平滑肌脂肪瘤诊疗中的研究》在线阅读地址：基于人工智能学习模型在结节性硬化症相关肾血管平滑肌脂肪瘤诊疗中的研究