基于认知计算框架的微小淋巴结智能识别及转移诊断方法研究

Lymph node metastasis (LNM) status of patients with malignant tumors including the location and number of metastatic lymph nodes is one of the decisive factors in treatment decisions and prognosis. The current bottlenecks of conventional imaging methods to diagnose LNM are: the inefficiencies of lymph node identification in the abdomen background where multiple interstitial spaces and multiple organs exist; there is no consistent LNM diagnosis standard solely based on the characteristics of lymph node itself (size, morphology, density, etc.), especially for tiny lymph node of short diameter less than 5 mm, the LNM diagnostic accuracy was less than 70%, while the latter is a major hidden risk of tumor recurrence and metastasis. Therefore, on the basis of colorectal cancer data, we will design a cognitive computing framework based on machine learning, and make full use of the complementary information from multi-parametric MRI comprising multi-sequence images to automatically detect and three-dimensionally segment lymph node. In the region of the lymph node and the primary tumor, the radiomics and convolutional neural network will be used to extract the image features related with LNM. Then LNM diagnosis models based on single lymph node area and the fusion of lymph node and tumor area are constructed, and the best LNM diagnosis model will be selected. Finally, an fully automatic method for lymph node intelligent identification and diagnosis method will be established. The study is expected to break through the preoperative LNM diagnostic limit of artificiality and provide a more efficient and accurate assessment method for clinical staging.

恶性肿瘤患者有无淋巴结转移（LNM）及LNM的位置与数量是关系治疗方案选择和预后的决定因素之一，正确识别对彻底清除肿瘤和监测肿瘤转移具有重要意义。目前各种常规影像学检查判断LNM的准确性存在严重不足，瓶颈在于：肉眼所能观察的转移性与非转移性淋巴结的形态、密度/信号、强化特点存在较大重叠，断面图像不能完整显示淋巴结（LN）形态，在腹腔多脏器重叠的情况下对小LN（短径小于5mm）的识别效率低下，而后者是肿瘤复发和转移的重大隐患。为此本课题以结直肠癌为例，设计基于机器学习的认知计算架构，充分利用MRI多序列影像的互补信息，实现精准的全自动LN检测和三维分割。在LN和原发肿瘤区域分别利用影像组学和卷积神经网络提取与LNM相关的影像特征，构筑基于LN区域及融合LN和肿瘤区域的LNM诊断模型，从中选择一种最佳转移诊断模型。最终构建一套全自动LN智能识别及转移诊断系统，该研究有望突破现有LNM诊断极限。

恶性肿瘤淋巴结转移是关系肿瘤N分期、治疗方案决策和患者预后的重要因素，影像学检查是术前淋巴结转移诊断的主要方法。由于腹部淋巴结众多，导致传统人工阅片识别费时费力且准确率不高；此外，转移淋巴结界定尚缺乏统一标准，且医生难以同时利用多个特征做出最终诊断，淋巴结转移影像学评价准确性存在严重不足。本课题针对淋巴结转移精准诊断难题，以直肠癌为例，首先开展了淋巴结全自动检测与分割的多中心研究，联合多家医院收集了大样本的临床资料和多参数磁共振（MP-MRI）影像数据，利用Mask-RCNN网络架构，以DWI与T2WI图像配准后融合的三通道图像作为输入，以高年资专家标注结果作为金标准，借助迁移学习方法，构建了淋巴结全自动检测与分割模型auto-LNDS。相较其它公开报道的算法，auto-LNDS可检测的淋巴结尺度更小（短径低至3mm），且精度更高（80.0%和82.0%的检测精度和分割精度），auto-LNDS完成一例患者的淋巴结检测与分割平均时间仅需1.37s，是医生最快速度的97倍，可以大幅提升临床工作效率。在此基础上，本课题随后开展了直肠癌淋巴结转移诊断多中心研究。由于在临床实践中难以确定MRI中每个淋巴结对应的病理结果，无法收集MRI-病理一一对照的大型数据集，不能采用现有深度学习方法进行淋巴结转移诊断模型构建。针对上述难题，本项目提出了一种全新的弱监督模型构建框架WISDOM，从而充分利用MRI上淋巴结的灰度、尺寸和ADC值以及患者级别的病理报告信息，成功构建了用于直肠癌淋巴结转移诊断的WISDOM模型。WISDOM模型的二元N分期总体AUC为0.813，三元N分期总体C-index为0.765。此外，WISDOM模型显著优于初级放射科医生，与高级放射科医生相当。更重要的是，在该模型的辅助下，所有放射科医生的表现都得到了改善，这表明该模型有较大潜力作为淋巴结转移术前影像辅助诊断工具。本课题所提方法有望推广到基于多模态影像的身体各部位肿瘤N分期术前评估，对实现胸腹腔乃至全身淋巴结全自动识别和诊断具有重要意义。