神经母细胞瘤(neuroblastoma, NB)是儿童期最常见的颅外恶性实体肿瘤，发病率高，恶性程度大，确诊时即可发生全身转移，临床预后较差。目前常规的辅助检查包括实验室、影像学及病理学检查等，以病理活检为金标准，结合发病年龄、转移部位、N-myc基因扩增等，可对NB进行危险度分层^[1]。不同风险等级决定不同的治疗方案，高危患儿相比低危、中危患儿复发概率大，获得再次缓解的机率更低^[2]。

人工智能(artificial intelligence, AI)是计算机领域中不断学习和更新运算，以真切模拟人类反应的机器。虽然其发展史仅几十年，却已衍生出深度学习、计算机视觉、人机交互等多种技术类型^[3]。其中，机器学习(machine learning, ML)可按照人类的思考方式模仿行为，在人为干预下学习所输入数据的特点并构建预测模型，较常见的算法有：支持向量机法(support vector machine, SVM)、K近邻法、贝叶斯法、逻辑回归等。深度学习(deep learning, DL)是利用多种神经元组成的深度神经网络，从复杂的样本数据中挖掘出不同层面的抽象特征，研究其深层次规律，不断自我学习、推断和优化，在速度、算法等方面均有一定程度的提升^[4]。随着AI技术的提升，许多模型也逐渐应用在医疗领域，如早期筛查、辅助诊断治疗、预测预后等。作为与肿瘤诊疗结合最紧密的辅助技术之一的影像组学，可以对医学图像的成像或纹理特征等进行高通量提取并创建数据集，用于分析疾病的进展及预后。此外，大数据时代的兴起让AI所使用的医疗数据也越来越多样化，如电子健康记录、蛋白质组学和基因组学等多模态数据，算法的分析模式也从单一模式拓展到多模态医学数据融合分析，更能满足患者多样化治疗的需求，提高疾病治愈率。

本文介绍AI在NB辅助诊疗中的研究进展，并结合实际情况分析目前其应用于临床所面临的挑战和困境，展望其在NB诊疗中的未来发展方向。

一、人工智能在NB辅助诊断中的应用

根据《儿童神经母细胞瘤诊疗专家共识CCCG-NB-2021方案》，目前NB的确诊标准有两类：①肿瘤组织在光学显微镜下获得肯定的病理诊断；②骨髓活检或穿刺发现特征性NB细胞，或抗GD2抗体染色阳性，伴有尿香草扁桃酸(vanillylmandelic acid, VMA)、血神经元特异性烯醇化酶(neuron specific enolase, NSE)升高^[1]。其中病理学诊断是金标准，但属于一种有创操作，步骤繁琐，耗费时间较长；同时病理学检查在可见区域中选取较有代表性的几个区域采样，依赖于个人经验，结果具有主观性，可能对异质性较强的肿瘤产生误判。

数字病理学作为医学辅助诊断的一个重要研究方向，其图像分割和图像分类是研究的第一步。Sertel等^[5]收集了45例确诊为NB的H&E染色切片，使用多分辨率法模拟病理学检查的读片方式，基于共现统计和局部二值模式所提取的纹理特征，对病理组织进行分类，根据施旺细胞基质发育程度分为基质贫瘠或基质丰富，并在测试集上进行独立测试，总体分类精度为88.4%。同年，该团队在此基础上对36张NB的H&E染色切片进行分析，通过图像切割、人工标注等预处理，从基于聚类的分割法在颜色、纹理特征空间中识别不同的细胞成分，将图像转化为计算机可量化的参数，为人工智能分割和识别NB病理图像奠定了基础^[6]。此外，Homeyer等^[7]增加了可量化的细胞学特征，以机器学习方法实现了肿瘤切片中坏死组织含量测定，与k-近邻分类器和朴素贝叶斯传统模型相比，具有更好的分类性能，准确率可达88%。不同于上述传统特征提取法，Zormpas-Petridis等^[8]研究线性迭代聚类(simple linear iterative clustering, SLIC)超像素算法，以分割低分辨率图像，在NB转基因小鼠模型上训练深度学习模型-SuperHistopath，从而将病理学分析从定性分析转为定量分析，减少了诊断误判。

除了数字病理图像，影像学结果也可作为辅助诊断的重要依据。肿瘤分割是图像处理的关键步骤之一，Veiga-Canuto等^[9]回顾性研究了132例NB患者的MR图像，使用深度学习架构nnU-Net检测和分割MR图像中的肿瘤组织，通过250次迭代的训练和调优，其自动分割模型的Dice相似性系数达0.965，较人工方法消耗时间减少92.8%，从而节约了临床医师对于疾病初筛的时间和经济成本。

目前，大量研究证实AI在NB诊断上的可行性，使得病理学医师能够将更多时间用在高级别的决策中，如辨别与疾病相关的复杂特征。但当前研究仅限于NB的识别，尚未有模型能够在组织切片中筛查出NB或其他肿瘤。且无论是组织病理切片还是影像学数据，均需要临床医师与人工智能专家的积极配合、大规模的训练数据和不断更新的计算机技术，以提高图像分类、分割的准确性。AI在肿瘤诊断领域尚属于起步阶段，如何建立精准分割、识别并筛选NB模型，将是医学研究的方向之一。

二、人工智能在NB分类分期中的应用

正确的分类、分期决定着肿瘤早期的治疗选择。根据病理形态学，NB可分为神经母细胞瘤、节细胞神经母细胞瘤和节细胞神经瘤。根据核分裂指数(mitosis-karyorrhexis index, MKI)，NB分为3级：低度(核细胞分裂细胞数占比 < 2.0%)，中度(核细胞分裂细胞数占比为2.0%~4.0%)，高度(核细胞分裂细胞数占比>4.0%)。NB的分期常使用国际神经母细胞瘤分期系统(International Neuroblastoma Staging System, INSS)，主要以手术活检结果来确定不同级别，包括L1、L2、M和MS期。由于INSS分期在判断肿瘤是否超过中线部位以及术中寻找淋巴结转移灶方面存在一定困难，对于某些原因不能或暂时未进行手术的患者，提出了国际神经母细胞瘤危险度研究组分期系统(International Neuroblastoma Risk Group Staging System, INRGSS)，即术前以影像学资料进行分级，如X射线、计算机断层扫描(computed tomography, CT)、正电子发射计算机断层扫描显像(position emission tomography-CT, PET-CT)等，一定程度上弥补了INSS的不足^[10]。

Gheisari等^[11]较早提出使用计算机辅助系统对NB病理切片进行肿瘤分型。他们收集了1 043张NB组织病理图像，在卷积深度信念网络(convolutional deep belief network, CDBN)结构的基础上添加特征编码，通过SVM输出NB的五种分型，其精度、召回率和加权平均F值均优于既往经典算法，提高了诊断效率。Liu等^[12]受微观病理图像特殊性的启发，将Unet神经网络和纹理能量度量(texture energy measure, TEM)结合，在73例NB患者的病理切片上训练DetexNet模型，以专家知识作为先验，识别出NB的7种类型，所获性能较其他模型和病理学检查更好，能够减少病理学医师的技术差异所导致的判断误差。此外，Delli等^[13]尝试用数字全息图对NB进行分型，通过LeNet-like深度神经网络训练，跳过经典的重构过程来提取其中信息，将NB分为CHP-134、SK-N-SH两种基因型，可用于生物样本全息采集过程中的实时分类，这提示可以通过使用非传统数据来进行肿瘤分类，从而产生具有更深维度的计算体系结构。在肿瘤分期上，Park等^[14]搜索GEO数据库中NB临床样本共280例，结合患者的临床分期和基因表达谱数据，并构建深度神经网络结构(deep neural networks, DNN)，可能受样本类型、数量的影响，该模型仅能划分出NB 1期和4期，测试集准确率为55.56%，但证明了临床分期与基因表达数据之间的相关性。随着AI技术高通量信息分析能力的增强，现肿瘤分类分期的研究重点不再局限于常规临床病理特征，而延伸到更为复杂的基因及其表型相关方向，从而提升模型对临床结果预测的精确性及可解释性，有助于AI在临床的应用和发展。

三、AI在NB治疗及预后中的应用

目前，NB的治疗手段包括手术切除、放化疗、造血干细胞移植、免疫治疗等。国际神经母细胞瘤风险组(International Neuroblastoma Risk Group, INRG)根据影响预后的13个因素，在统计学上将其分为4个危险层级：极低危组、低危组、中危组和高危组，随着危险度升高，总体生存率依次降低^[15]。随着癌症基因组图谱数据库(Cancer Genome Atlas, TCGA)、有效治疗方法适用性研究数据库(Therapeutically Applicable Research to Generate Effective Treatments, TARGET)等组学数据的发展，研究人员可以从更微观的角度分析肿瘤的复发概率、治疗效果及生存预后，评估患儿的疾病情况，预测复发的可能性，以指导治疗强度，提高长期生存率。而AI作为一项新兴的交叉学科，在大型数据集的分析中有着更加优越的性能和更大的发展潜力。

在肿瘤治疗方面，Bussola等^[16]在常规H&E染色切片中加入免疫组化标记，检测54例NB患者组织切片中CD3 T细胞标记的阳性淋巴细胞，并训练带有EfficientNet编码器的U-Net网络，以量化肿瘤细胞内的免疫含量，客观评估整个切片的淋巴细胞密度，有助于临床医师选择合适的免疫疗法。Stoks等^[17]基于玻连蛋白(vitronectin, VN)和整合素αvβ3在肿瘤微环境中的作用，通过QuPath模型检测异位HR-NB移植瘤小鼠免疫切片，根据染色程度和完整性生成定量评分，可以客观评估肿瘤在不同药物处理下的生长速度，判定该药物能否作为肿瘤生长抑制剂。Su等^[18]设计LDAenDL深度模型，以探究长链非编码RNA(long non-coding RNA, lncRNA)与NB之间的联系，依次计算lncRNA和疾病的相似性网络，结合图卷积网络、图注意力网络、卷机神经网络学习生物特征，结果显示HOTAIR、BNDF-AS可能是NB的潜在生物标志物，为NB的靶向治疗提供了新思路。Ramesh等^[19]则对MIBG扫描图像进行临床分析，使用CNN模型预测高危NB前期诱导化疗反应，尽管该研究队列的样本量有限，缺乏可验证度，但模型预测结果与目前临床前期化疗反应的性能是等效的，有利于临床医师对不同患者进行疗效预测，进而制定个性化治疗方案。

近期研究显示，深度学习模型还可提取癌症基因组数据，分析组间的生物学效应，进行临床预后相关分析^[20]。Tranchevent等^[21]选用GEO高通量基因表达数据库中的转录组学数据，利用DNN深度神经网络提取拓扑特征，对原始数据降维，预测NB的生存结果，准确率达85%~87%，均优于当前最先进的模型。同样，Wang等^[22]针对小样本量、高异质性的多组学数据，提出递归特征消除的深度神经网络作为NB患者生存状态的预测指标，在SEQC和TARGET神经母细胞瘤数据集上分别取得了79%和70%的临床终点预测准确率，证明对于合并不同组学数据集的分析，网络级融合优于特征级融合，展现了多组学在临床预测中的应用潜力。Liu等^[23]回顾性分析了65例NB患者的CT图像，使用深度学习模型提取105个三维影像组学特征以表示肿瘤影像，判断其与NB患者死亡率、NB分化程度、MKI指数、有无MYCN基因扩增等预后因素之间的关系。Pereira等^[24]则在CT影像学基础上，用随机森林(random forest, RF)模型评估患儿MYCN扩增状态，尽管该实验的数据集较小，限制了模型的预测能力，但仍然提示了影像组学预测基因型的可能性。

当前临床治疗和生存预后是肿瘤研究的重点，未来的医学方向可能是结合多模态测量，如蛋白质组学、基因组学、多重标记染色平台等，基于多组学大数据及合适的算法搭建复杂的AI模型，为肿瘤患者提供更全面的辅助诊断和治疗方法。

四、挑战与展望 (一) 模型泛化能力受到限制

常规的AI算法依赖于大量数据进行验证，但由于医学行业的特殊性，以及患者隐私、医疗机构资源竞争等原因，能够共享的数据往往较少。因此，大多数关于NB的AI模型都是基于机构自身的数据进行训练和测试，样本量少，缺乏外部验证，导致模型的稳定性和泛化能力降低。

(二) 模型结果缺乏可解释性

由于“黑箱”原因，许多AI算法因缺乏明确的可解释参数，难以保证性能的一致性。在大量数据的基础上，虽然计算机有较高的预测性能，但由于患者个体差异性，不同平台、不同模型所输出的结果标准不尽相同，可能导致AI系统作出错误的判断。近年来解释性的研究逐渐增多，无论是基于模型本身或基于结果对模型进行解释的研究，本质上都是针对单一模型的解释，具有一定的局限性。

(三) 模型推广需伦理验证

从监管角度来看，AI辅助诊疗将是一个全新的挑战。目前美国食品药品监管管理局(U.S.Food and Drug Administration, FDA)设立了3个等级来分级医疗器械认证^[25]。但基于伦理等原因，目前尚无统一标准用于人工智能预测模型的监管。对患者而言，AI的功能尚不完善、精确度不高，一旦滥用将面临隐私泄露的问题；对医师而言，主观判断会影响所纳入数据的客观性，加上格式不统一性和有限的云储存设施，因而更难全面开展。

虽然目前人工智能在医疗领域的应用存在以上挑战，但随着算法的改进、大数据的积累、计算能力的提高，标准化AI模型最终能够帮助医师提高对NB的理解，改善肿瘤患儿的生活质量和生存预后，并大大节省医疗资源，缓解医师压力，促进临床医学治疗模式和进程的发展，成为开发新时代肿瘤诊疗技术的突破点。

利益冲突  所有作者声明不存在利益冲突