2022年3月24日，柳葉刀子刊《LancetDigitalHealth》報道了北航醫學科學與工程學院王碩副教授、田捷教授在肺癌人工智能研究的最新進展：《MiningWhole-lungInformationbyArtificialIntelligenceforPredictingEGFRGenotypeandTargetedTherapyResponseinLungCancer:AMulticohortStudy》。該研究提出了全肺分析人工智能模型，可利用CT影像無創預測肺癌患者的基突變狀態和接受靶向治療后的個體化療效，最終可輔助肺癌患者的靶向治療決策。研究使用了1.8萬例肺癌患者數據對模型進行訓練和驗證，利用人工智能技術進一步探索了宏觀CT影像與微觀基因信息的關聯。

肺癌作為死亡率最高的癌癥，其中超過一半的患者在確診時已是晚期，此時，表皮生長因子受體（EGFR）靶向治療是推薦的一線治療方案。在靶向治療過程中，首先需對患者進行EGFR基因突變檢測，進而篩選出可以接受靶向治療的患者。

現有的臨床方法通過穿刺取出腫瘤組織再進行基因檢測來確定基因突變狀態，但穿刺只能獲取腫瘤局部組織的信息，由于腫瘤的高度異質性可能產生假陰性結果。此外，一部分晚期肺癌患者其腫瘤所處的位置特殊，或由于癌癥轉移等因素，難以穿刺到合適的腫瘤組織，導致這部分患者錯失靶向治療的機會。因此，亟需一種無創、方便的EGFR基因突變檢測方法，作為對穿刺的補充和輔助。

CT影像作為肺癌診療過程中必不可少的工具，提供了很好的無創分析肺癌的手段，且不會受到腫瘤異質性的影響；但僅憑人眼閱片難以對其中蘊含的高維和微觀信息進行有效挖掘。人工智能技術的發展則充分利用了大數據的優勢，可從影像中挖掘到人眼難以感知的高維微觀信息，構建了宏觀影像與微觀基因信息之間的橋梁。

本文研發了一種全自動的人工智能系統（FullyAutomatedArtificialIntelligenceSystem，FAIS），在大數據驅動下直接對CT影像進行全自動的分析。FAIS使用了基于肺區引導注意力機制的全肺分析深度學習模型，無需人工輔助和標注圖像，對全肺的異常征象進行自動分析，并使用EGFR基因型和基因通路信息對模型進行引導訓練；最終，可利用CT影像無創地預測出患者是否存在EGFR基因突變，并且可對患者接受EGFR靶向治療后的無進展生存期進行預測，進而篩選出靶向治療的獲益人群。

圖1.FAIS人工智能系統的流程圖

該研究納入了國內外9個數據集1.8萬余例肺癌患者進行大數據的訓練和驗證。研究發現，肺癌EGFR基因突變會導致腫瘤以外區域的形態學改變，因此，全肺分析比基于腫瘤的分析方法能挖掘到更多的有用信息。在美國TCIA公開數據集的對比實驗表明，FAIS所使用的全肺分析方法比傳統的基于腫瘤的分析方法性能提升了11.8%。此外，全肺分析方法無需人工勾畫腫瘤病灶，更具有可推廣性。在TCIA數據集上進行的基因通路分析表明，FAIS從CT影像中提取的全肺特征與ERBB、P53、細胞黏附分子通路、ECM受體相互作用通路等靶向治療耐藥和癌癥轉移相關的基因通路都存在關聯，通過大數據學習進一步揭示了宏觀影像與微觀基因信息的關系。最終，FAIS在6個測試數據集8000余例肺癌患者中進行EGFR基因突變預測時達到了AUC=0.813的精度；并且能預測患者接受靶向治療后的無進展生存期，對患者進行預后風險分層。借助FAIS的輔助，可以對原本難以進行穿刺的患者無創地檢測出EGFR基因型，并預測其靶向治療療效；可有效篩選出靶向治療獲益人群，進而提升肺癌患者的生存率。

圖2.FAIS發現EGFR基因突變對宏觀CT征象的影響不僅體現在腫瘤內部（A、B），也可能體現在腫瘤周圍（C-H）

該工作屬于醫工交叉的深入研究，論文第一作者為北航醫學科學與工程學院王碩副教授；華西醫院余何、甘蕓翠博士作為共同一作；共同通訊作者為華西醫院呼吸與危重癥醫學科李為民教授、上海市肺科醫院放射科史景云教授、廣東省人民醫院放射科劉再毅教授、世紀壇醫院呼吸與危重癥醫學科薛新穎教授、大連醫科大學附屬第二醫院呼吸內科王琪教授、云南省腫瘤醫院放射科李振輝博士、301醫院呼吸與危重癥醫學科謝菲教授以及北航醫學科學與工程學院田捷教授。該研究得到國家自然科學基金委重大科研儀器研制項目（62027901）、重點項目（81930053）、青年基金（82001913），科技部重點研發計劃（2017YFA0205200）等科研基金的資助。