78、前列腺癌组织分类与分级的创新方法

前列腺癌组织分类与分级的创新方法

前列腺癌是一个严重的公共卫生问题，约 14% 的男性在一生中会被诊断出患有前列腺癌。目前，前列腺癌的诊断和分级方法存在诸多挑战，如经直肠超声（TRUS）可能漏诊临床显著疾病，多参数磁共振成像（mp - MRI）虽有较高的阴性预测值，但假阳性率高且难以可靠检测癌症的侵袭程度。因此，寻找更有效的前列腺癌组织分类和分级方法至关重要。

基于隐马尔可夫模型（HMM）的组织分类

为了评估基于隐马尔可夫模型（HMM）的组织分类方法的性能，研究人员进行了一系列实验。他们训练了 9 对 HMM，每对包括一个恶性模型和一个良性模型，训练数据来自 9 名患者中的 8 名。然后，使用每对 HMM 对剩余 1 名患者（测试患者）的感兴趣区域（ROI）进行分类。

模型特征

• 状态分布 ：在学习到的 HMM 中，恶性模型和良性模型的每个状态都有明显不同的观察分布。恶性模型最可能的路径主要在状态 s1 和 s5 之间交替，可能经过 s2，其中 s5 是最中心的状态；而良性模型主要在状态 s1、s3 和 s4 之间交替，s3 是最中心的状态。
• 发射分布差异 ：恶性模型中与 s5 相关的发射分布与良性模型中与 s3 相关的发射分布非常不同，这表明两种模型能够捕捉到恶性和良性组织的 RF 回波的显著差异。

分类结果

患者	准确率	敏感度	特异度
P1	82.1	100	64.2
P2	96.5	96.5	96.5
P3	100	100	100
P4	93.6	87.5	100
P5	90	97.1	82.8
P6	85.9	82.1	89.6
P7	69.5	65.2	73.9
P8	78.3	73.3	83.3
P9	97.1	100	94.1
平均	88.1 ± 9	89.1 ± 12	87.1 ± 11

从结果可以看出，该方法的平均准确率为 88.1%，平均敏感度和特异度分别为 89.1% 和 87.1%。这表明对于大多数 ROI，训练好的模型能够正确区分恶性组织和良性组织。与早期使用支持向量机（SVM）且未明确建模时间序列的方法相比，该方法在大多数情况下性能相当或有显著提高。不过，患者 P8 的敏感度显著较低，但特异度较高，整体准确率相当；患者 P7 的分类性能明显低于其他患者，进一步调查发现是由于该患者恶性组织的组织学标签的真实注册不准确。

基于时间超声的癌症分级方法

研究人员还提出了一种基于时间超声信号分析的前列腺癌分级方法，用于经直肠超声引导的前列腺活检。该方法采用粗到细的分类方法，结合统计分析和深度学习来确定活检目标周围超声图像区域中侵袭性癌症的分布。

数据收集

• 患者招募 ：共招募了 132 名受试者，所有受试者均提供了知情同意书，研究获得了机构研究伦理委员会的批准。
• 检查流程 ：受试者接受了前列腺的诊断性 mp - MRI 检查，由两名独立的放射科医生检查 mp - MRI 序列，以确定原发性和继发性癌性病变，并提供“肿瘤最大直径”。有可疑病变的受试者使用 UroNav MR/US 融合系统进行 MRI 引导的靶向 TRUS 活检。在活检过程中，使用 UroNav 将 T2 加权 MR 图像注册到前列腺的 3D US 体积中。临床医生在前列腺体积中导航至 MR 识别的目标，将 TRUS 换能器保持稳定约 5 秒，以从目标获取 100 帧时间超声数据，然后进行活检。

数据处理流程

graph LR
    A[数据收集] --> B[预处理]
    B --> C[特征学习]
    C --> D[分布学习]
    D --> E[癌症分级]

数据预处理

• 区域选择 ：分析每个活检核心周围 2×10 mm² 的区域，该区域沿 US 图像中的预计针道并以目标为中心。
• ROI 划分 ：将选定区域划分为 20 个大小相等的 1 mm² 的 ROI。
• 频谱计算 ：对每个 ROI 中的 RF 样本对应的所有时间序列进行傅里叶变换，并归一化到帧速率。然后，平均每个 ROI 中 RF 时间序列的傅里叶变换的绝对值。最后，每个 ROI 由 50 个正频率分量表示。

癌症分级步骤

• 特征学习 ：使用深度信念网络（DBN）将每个 ROI 的 50 个频谱分量映射到 6 个高级潜在特征。网络结构包括三层，分别有 100、50 和 6 个隐藏单元，最后一个隐藏层表示潜在特征。在预训练步骤中，学习率固定为 0.001，小批量大小为 5，训练轮数为 100。动量和权重成本分别设置为默认值 0.9 和 2×10⁻⁴。对于判别式微调，添加一个节点表示观察的标签，并使用学习率为 0.01 进行 70 轮训练，小批量大小为 10。最后，使用零相位分量分析对潜在特征进行降维，确定前两个特征向量 f1 和 f2，形成特征空间。
• 分布学习 ：使用训练数据构建高斯混合模型（GMM）来表示特征空间中不同 Gleason 模式的分布。GMM 的初始化方法基于病理学的先验知识，具体步骤如下：
  1. 分析良性核心的 ROI 在特征空间中的分布，使用 k - 均值聚类将其分为两个不同的簇，将包含最多“正常组织”ROI 的簇视为主要良性簇，另一个簇代表其他非癌组织。
  2. 使用对应于 GS 4 + 4 核心的 ROI 确定代表 Gleason 4 模式的主要簇。
  3. 使用对应于 GS 3 + 4 和 GS 4 + 3 核心的其他 ROI 确定特征空间中 Gleason 3 模式的中心。
  4. 将所有簇的质心记为 C = {Cbenign, CG4, CG3, Cnoncancerous}，设置 K = 4 来建模四种组织模式，每个高斯分量的均值 μk 等于每个簇的质心。使用相同的协方差矩阵，将 Σk 设置为 XH 的协方差。每个 ωk 从 [0, 1] 之间的均匀分布中随机抽取，并通过 ∑K k = 1 ωk 进行归一化。

总结

基于 HMM 的组织分类方法和基于时间超声的癌症分级方法为前列腺癌的诊断和分级提供了新的思路和方法。HMM 能够有效区分恶性和良性组织，而时间超声分级方法通过特征学习和分布学习，能够在一定程度上确定癌症的分级。未来，研究人员计划考虑良性组织的异质性，并纳入癌症分级以支持更精细的组织类型分类。同时，增加患者数量并纳入解剖数据可能会进一步提高这些方法的性能。这些方法不仅适用于前列腺癌，还有望应用于其他类型的癌症，如乳腺癌和肝癌。

前列腺癌组织分类与分级的创新方法

方法优势与临床意义

上述两种方法在前列腺癌的诊断和分级中展现出了显著的优势和重要的临床意义。

基于 HMM 的组织分类优势

• 捕捉组织差异 ：HMM 模型能够捕捉到恶性和良性组织在 RF 回波上的显著差异，通过状态分布和发射分布的不同，为准确区分两种组织提供了有力依据。这使得模型能够在大多数情况下正确区分恶性和良性组织的 ROI，提高了诊断的准确性。
• 性能提升 ：与早期使用 SVM 且未明确建模时间序列的方法相比，基于 HMM 的方法在大多数情况下性能相当或有显著提高。这表明该方法在处理前列腺癌组织分类问题上具有更好的适应性和有效性。

基于时间超声的癌症分级优势

• 多技术融合 ：该方法结合了统计分析和深度学习，采用粗到细的分类策略，能够更全面地分析活检目标周围超声图像区域中侵袭性癌症的分布。通过特征学习和分布学习，有效地提取了潜在特征并建模了癌症分级的分布，为癌症分级提供了更准确的依据。
• 临床应用潜力 ：在临床研究中，该方法能够有效地将临床显著疾病与低级别肿瘤和良性组织区分开来，对于准确检测侵袭性癌症、指导治疗决策具有重要意义。例如，对于患有惰性癌症的患者，可以选择主动监测，避免过度治疗。

挑战与改进方向

尽管这两种方法取得了一定的成果，但仍然面临一些挑战，需要进一步改进和完善。

数据方面的挑战

• 患者数量有限 ：目前的研究使用的患者数量相对较少，这可能会影响模型的泛化能力。增加患者数量可以提高模型的稳定性和准确性，使其在更广泛的患者群体中具有更好的应用效果。
• 数据标注不准确 ：如患者 P7 的情况所示，数据标注的不准确会对分类性能产生显著影响。未来需要提高数据标注的准确性，确保模型能够学习到更真实的组织特征。

方法本身的挑战

• 良性组织异质性 ：目前的方法尚未充分考虑良性组织的异质性，这可能会导致在某些情况下对良性组织的分类不准确。未来需要进一步研究良性组织的特征，将其纳入模型中，以提高分类的准确性。
• 癌症分级细化 ：虽然基于时间超声的癌症分级方法能够区分不同级别的癌症，但对于更精细的癌症分级还需要进一步改进。可以考虑纳入更多的癌症分级信息，如癌症的分子特征等，以支持更精确的组织类型分类。

未来展望

随着技术的不断发展和研究的深入，这两种方法有望在前列腺癌的诊断和治疗中发挥更大的作用。

技术拓展

• 多模态融合 ：可以将基于 HMM 的组织分类方法和基于时间超声的癌症分级方法与其他影像学技术，如 mp - MRI、PET 等进行融合，充分利用各种技术的优势，提高诊断和分级的准确性。
• 人工智能辅助诊断 ：结合人工智能技术，如深度学习的其他模型架构，进一步优化特征提取和分类算法，提高模型的性能和效率。

临床应用推广

• 大规模临床试验 ：开展大规模的临床试验，验证这两种方法在不同患者群体中的有效性和可靠性，为其临床应用提供更充分的证据。
• 临床实践整合 ：将这些方法整合到临床实践中，为医生提供更准确的诊断和分级信息，帮助他们制定更个性化的治疗方案。

总结

基于隐马尔可夫模型（HMM）的组织分类方法和基于时间超声的癌症分级方法为前列腺癌的诊断和分级带来了新的突破。HMM 方法通过捕捉组织的 RF 回波特征，有效区分了恶性和良性组织；时间超声分级方法结合统计分析和深度学习，能够在一定程度上确定癌症的分级。然而，这些方法仍然面临一些挑战，如数据数量和标注问题、良性组织异质性和癌症分级细化等。未来，通过技术拓展和临床应用推广，这些方法有望在前列腺癌的诊断和治疗中发挥更大的作用，为患者带来更好的治疗效果。

方法	优势	挑战	未来方向
基于 HMM 的组织分类	捕捉组织差异，性能提升	患者数量有限，数据标注不准确	多模态融合，人工智能辅助诊断
基于时间超声的癌症分级	多技术融合，临床应用潜力大	良性组织异质性，癌症分级细化	大规模临床试验，临床实践整合

graph LR
    A[现有方法] --> B[面临挑战]
    B --> C[改进方向]
    C --> D[未来展望]
    D --> E[临床应用提升]

总之，前列腺癌的诊断和分级是一个复杂的过程，需要不断探索和创新。这两种方法为我们提供了新的思路和方法，相信在未来的研究和实践中，它们将不断完善和发展，为前列腺癌的防治做出更大的贡献。