0 引言

       眼眶肿瘤是指位于眼眶内的有机体变异细胞异常增殖而形成的肿块。根据发病部位，眼眶肿瘤可分为眶壁病变及眶内容物病变两大类；根据病因是否已知，眼眶肿瘤可分原发性与继发性两种，在眶原发性肿瘤中以泪腺混合瘤最为常见；另外，根据肿瘤良恶性可分为良性肿瘤与恶性肿瘤。良性肿瘤以海绵状血管瘤及皮样囊肿较为常见；恶性多见非霍奇金淋巴瘤，部分恶性肿瘤可导致视神经损伤，甚至有急性出血的风险^[1]。因此，准确诊断并管理眼眶肿瘤以防止其潜在的并发症，对保护患者的视力，提升患者整体生活质量至关重要^[2]。传统的诊断方法主要依赖于医生的经验和影像学检查，但这些方法存在一定的局限性。一方面，目前临床上对于恶性眼眶肿瘤通常需要通过穿刺活检来达到确诊的目的，该技术是一种具有相关出血风险的侵入性检查，并且通常受到位于远后眼眶的病变的技术挑战的限制^[3]；另一方面，在影像上不同的放射科医生可能对相同的影像学检查结果有不同的解释，从而导致诊断存在潜在差异。

       近年来，机器学习（machine learning, ML）技术在医学影像诊断领域取得了巨大进展，ML可以利用大量的医学影像数据进行训练，自动学习肿瘤的特征，从而实现更准确地诊断^[4]。目前的研究表明，基于MRI的ML诊断方法在识别肿瘤的类型、位置、大小等方面具有较高的准确性和敏感性，不仅可以帮助医生快速准确地进行诊断，还可以为患者提供更准确的个性化治疗方案^{[5, 6, 7]}。本文就ML在眼眶肿瘤的早期诊断、病灶分割、图像重建及预后等方面的应用现状作一综述，以期为临床医生和放射科医生提供诊断思路，提高诊断效率及准确率，从而为眼眶肿瘤的早期诊断、治疗及预后评估提供客观的影像学支持。

1 ML的简介及发展

       ML是人工智能的一个子领域，通过对算法和统计模型的开发从数据中学习并做出决策或预测。第一个自学程序的开发者Arthur Samuel和引入感知器模型的Frank Rosenblatt等的工作为ML的早期发展奠定了基础^{[8, 9]}。ML可根据算法类型分为神经网络算法和非神经网络算法两种^[10]。目前常用的神经网络算法有前馈神经网络、卷积神经网络、递归神经网络及生成对抗网络等。每种算法都针对特定类型的数据和任务：前馈神经网络通常用于分类和回归等任务；卷积神经网络可自动从输入数据中学习特征，用于医学图像处理；递归神经网络用于自然语言处理、时间序列预测和语音识别等任务；生成对抗网络通常用于生成合成数据、实现图像到图像的转换和数据增强等^{[11, 12, 13]}。深度学习作为ML的一个子集依靠神经网络算法在推进人工智能和解决各个领域复杂问题方面都已经取得了不错的成果。对于非神经网络目前常用的算法有逻辑回归、支持向量机（support vector machines, SVM）、随机森林和决策树等。

       ML工作流程如下：（1）图像的收集与预处理；（2）数据拆分与模型选择；（3）模型训练与评估^[14]。其中图像预处理是ML的核心工作之一，主要包括像素归一化、灰度转化、降噪、特征提取及分割；ML的另一项核心工作是模型的拆分和选择。主要包括数据拆分、交叉验证、模型选择及模型评估等。以上每个步骤在提高模型的性能和准确性方面都起着至关重要的作用。

       随着一些分类算法的发展和数据挖掘领域的兴起，ML转向了更实际的应用。目前ML已广泛应用于数据挖掘、语音识别、生物特征识别及自然语言处理等方面^{[15, 16]}。其在医疗领域也已经取得了一些重大进展。有研究表明，利用ML可以帮助放射科医生分析医学图像、肿瘤和其他医疗状况，从而提高诊断的准确性和效率^[17]；其次，ML可用于分析患者数据，以检测糖尿病、阿尔茨海默病和癌症等疾病的早期迹象，从而实现及时的干预和治疗^{[18, 19, 20]}；ML还可以通过分析遗传数据，预测疾病风险，优化治疗计划，并根据个人的基因组成为患者提供个性化疗法^[21]。总之，ML在改善患者治疗效果及推动医疗保健领域等方面有突出的贡献，为个性化医疗和医疗保健带来了巨大的希望。

2 基于MRI的ML在眼眶肿瘤中的应用

2.1 基于MRI的ML在眼眶肿瘤良恶性鉴别中的应用

       由于眼眶肿瘤的复杂性以及病变位置靠近眼球和周围区域，并且部分眼眶肿瘤在临床上表现出的非特异性症状可能类似于其他眼部疾病或全身性疾病，导致其临床诊断有一定难度^[22]；另一方面，良恶性眼眶肿瘤的治疗方案也有一定差异。因此，在制订治疗方案之前，准确鉴别肿瘤良恶性显得尤为重要。MRI因其良好的软组织分辨率及较高的空间分辨率，可以为眼眶良恶性肿瘤的鉴别提供有价值的信息，是表征眼眶病变的首选方式^{[23, 24]}，但当不同类型眼眶肿瘤大小及信号强度相仿时易受到观察偏差的影响可能导致误诊。因此需要一种更高效、更准确的鉴别方法。而基于MRI的ML通过提取和分析广泛的定量成像特征，在区分特定类型的眼眶肿瘤方面显示出巨大的应用前景^[25]。SHAO^[26]等基于MRI图像成功构建了一种ML模型用于区分IgG4相关眼眶疾病（IgG4-related ocular disease，IgG4-ROD）和眼眶黏膜相关淋巴样组织淋巴瘤。该研究先采用t检验、最小绝对收缩和选择算子和主成分分析分别从T1WI、T2WI以及T1WI和T2WI的组合图像中筛选出共计15个影像组学特征用于SVM建模，然后通过受试者工作特征曲线下面积（area under the curve, AUC）比较该模型在各序列上的诊断性能，实验结果显示，T1WI分类器、T2WI分类器的AUC值分别为0.722和0.744，而T1WI与T2WI联合分类器的AUC值可提高至0.821，说明基于T1WI和T2WI序列的ML模型对IgG4-ROD和眼眶黏膜相关淋巴样组织淋巴瘤的鉴别诊断是有效的，突出了基于MRI的ML在眼眶肿瘤鉴别方面的潜力。另外，动态对比增强磁共振成像（dynamic contrast-enhanced MRI, DCE-MRI）由于其可对体内微血管环境相关的生理参数进行定量估计，故被广泛应用于眼眶肿瘤鉴别中。目前已有研究表明从DCE-MRI获得的各种定性、半定量和定量参数在眼眶肿瘤鉴别方面具有实用性^{[27, 28, 29]}；而弥散加权成像由于其可以提供关于组织微结构和细胞密度的信息，在眼眶肿瘤诊断中也颇具优势，有助于区分恶性和良性肿瘤^{[30, 31]}，还可以帮助评估肿瘤的弥散性质，对于区分炎症性假瘤和淋巴瘤等病变具有重要意义^[32]。基于以上理论，O'SHAUGHNESSY等^[33]使用ML方法集成了多参数MRI数据，如动态对比增强、扩散加权成像、体素内不相干运动等，为区分恶性眼眶肿瘤和良性眼眶肿瘤提供了高性能模型。该研究涉及共计46个特征，包括年龄、性别、26个定性影像学特征和18个定量影像学特征。使用随机森林分类器的重复嵌套交叉验证策略建立模型并对模型进行训练和评估。当结合全部46个特征对眼眶肿瘤鉴别时该模型对于恶性眼眶肿瘤的预测性能达0.9。研究人员随后利用SHAP筛选确定了10个最具影响力的特征，其中包括3个定量体素内不相干运动特征，4个定量动态增强特征，1个定量扩散加权成像特征，1个定性扩散加权成像特征和年龄。研究结果表明，使用简化后的10特征模型时，AUC为0.88，其性能接近综合模型，更适用于临床应用。

       从以上研究可以看出基于不同MRI序列的ML在对眼眶肿瘤患者的良恶性鉴别上表现出了良好的性能，有望成为放射科医生的辅助诊断工具，以提高对于眼眶肿瘤的诊断准确性。在未来的研究中，可考虑整合多种类型的数据，如遗传学、临床数据及病理数据等来训练更强大的ML模型。

2.2 基于MRI的ML在眼眶肿瘤病灶分割中的应用

       随着ML算法的不断发展，人们对这些算法在医学图像处理领域，特别是肿瘤病灶分割方面的应用的关注显著增加。近年来，神经网络凭借其强大的学习能力和良好的适应性已成为医学图像处理中的主导方法^[34]，在医学图像分割任务中被广泛应用，特别是使用最新的3D U-Net架构自动提取患者特异性眼部结构和眼部肿瘤信息，包括病理组织的位置、大小、质地、形态和分布^[35]。NGUYEN等^[36]使用具有全连接条件随机场的3D U-Net模型从多序列MRI中分割眼部结构，通过对肿瘤体积进行裁剪和调整不同参数优化分割性能，最终实现了对视网膜母细胞瘤（retinoblastoma, Rb）患者的眼部结构分割。该项研究可同时识别健康区域和肿瘤区域并实现对肿瘤的精准分割。该方法的关键在于3D U-Net与全连接条件随机场框架的结合，通过使用3D U-Net可以有效地提取眼部结构的特征并生成概率图，而全连接条件随机场可实现对分割结果的进一步细化，提高眼部结构分割结果的准确性。另外，该方法还可以很容易地扩展到其他类型的眼眶肿瘤中,如葡萄膜黑色素瘤，可为临床诊断、治疗计划制订和随访提供有效和自动化的支持。同样是针对Rb患者的肿瘤分割，STRIJBIS等^[37]利用多视图卷积神经网络（multi-view convolutional neural network, MV-CNN）在Rb患者中实现自动眼部结构和肿瘤分割。该研究使用多MRI序列和数据增强技术评估了MV-CNN在40只Rb患者和20只健康眼眶MRI图像上的分割性能。结果表明，MV-CNN能够准确分割眼部结构和肿瘤，具有较高的体积和空间性能。其中利用多序列和多尺度信息的MV-CNN模型表现最好，优于基线模型。该研究还分析了基于肿瘤大小和独立验证集的性能，独立验证集的结果显示MV-CNN模型眼和肿瘤体积组内相关系数分别达到0.96和0.97，证实了MV-CNN在体积和空间方面都显示出卓越的性能，这也支持了MV-CNN在自动分割任务中的有效性。另外，模糊C均值（fuzzy C-means, FCM）聚类已被用于在T1加权图像中识别低强度的玻璃体与高强度的晶状体、肿瘤和视网膜脱离中^[38]。HASSAN等^[39]利用FCM开发了一个自动图像处理框架，可自动确定完整的3D肿瘤形状和大小，用于UM患者的治疗。该框架利用FCM对肿瘤与视网膜脱离进行鉴别，并且自动测量肿瘤突出度和基底直径，实现了对UM患者肿瘤形状和大小的自动确认。

       以上这些研究已经证明了基于MRI的ML对于眼眶肿瘤自动检测和分割的有效性，这使得ML模型在提高了MRI影像的解读速度和准确性的同时，还可以有效减轻放射科医生的工作负担。

2.3 基于MRI的ML在眼眶肿瘤图像重建中的应用

       MRI重建对于将原始MRI数据转换为具有高质量、准确性和诊断价值的临床相关图像是必要的^[40]。一方面由于MRI图像容易受到各种伪影的影响，而利用ML算法对MRI图像进行重建可以纠正这些伪影并提高图像的整体质量，以实现准确诊断；另一方面重建算法可以增强图像特征，提高组织对比度，并提供更好的解剖结构可视化，有助于放射科医生和临床医生做出准确的解释和诊断^[41]。迭代重建和变分网络是目前常用的MRI图像重建方法^{[42, 43]}。迭代重建是通过迭代细化图像的初始估计值，从而达到提高图像质量和准确性的目的。其工作流程包括（1）初始化及正向投影；（2）数据一致性评估；（3）背投、迭代；（4）图像重建。变分网络是一种结合了深度学习和变分推理元素的生成模型。通过学习输入数据的概率潜在空间表示，从而生成类似于训练数据分布的新数据点，由于其可以学习复杂的数据分布并生成多样化的输出，被广泛用于图像生成、数据压缩等应用^[44]。ESTLER等^[45]基于以上算法构建了一个基于卷积神经网络的正则化模型，用于重建眼眶MRI图像帮助减少采集时间、提高图像质量。该研究先是使用常规涡轮自旋回波序列（turbine spin echo sequence, TSES）和基于DL的TSES（TSEDL）在轴向T2WI、冠状位T2WI、轴向T1C和冠状位T1C上对数据进行采集，随后利用正则化模型对采集到的图像进行重建，并基于图像质量、诊断置信度、噪声水平、伪影和图像清晰度4个方面建立了李克特量表用于评估重建后的图像。结果表明，基于MRI的ML用于眼眶肿瘤图像重建可有效提高图像质量，减少图像噪声，使图像清晰，并且可显著缩短69%的采集时间。

       虽然该技术在提高成像效率、增强图像质量、校正伪影以及支持各种医疗保健应用中的医学诊断和研究方面发挥着关键作用。但是由于目前针对眼眶肿瘤的图像重建工作并不多，且现有的工作中数据量较少，样本来源单一，所以泛化能力有限，并且有限的重建数据可能导致数据不一致性，即数据之间的差异性较大，进而影响重建算法的准确性和稳健性。未来，可以采用适当的数据增强技术、正则化方法和验证技术帮助我们应对这些挑战，以确保重建算法在有限数据情况下能够产生准确、稳健和高质量的重建结果。

2.4 基于MRI的ML在眼眶肿瘤疗效及预后预测方面的应用

       ML不仅可以准确地识别和定位眼眶肿瘤，还可以通过分析肿瘤的大小、形状、位置和影像序列特征等，对患者的疾病进程和预后进行预测。眼附件淋巴瘤（ocular adnexal lymphoma, OAL）是一种起源于眼睛附近组织的非霍奇金淋巴瘤，是成人最常见的原发性眼眶恶性肿瘤之一，相比于其他类型的淋巴瘤，眼附件受累相对罕见，约占所有结外淋巴瘤的8%^{[46, 47]}。目前放疗是针对OAL的一种常见且有效的治疗方法。多项研究表明，放疗可有效提高患者的肿瘤消退率和长期生存率^{[48, 49]}。另外，台湾流行病学和预后因素的回顾发现，OAL的死亡率受其发病位置的影响，OAL的亚型主要累及眼眶，且相较于其他部位，累及眼眶的OAL通常预后更差^[50]。因此，加强对OAL患者的术后监测管理对于提高患者生存率及生活质量有十分重要的意义。ZHOU等^[51]利用从MRI序列中提取的7个图像特征与122个临床特征相结合，形成患者的综合特征集。然后分别利用逻辑回归、随机森林和化学计量算法等方法从该特征集中提取特征，基于这些精细特征，使用SVM和XGBoost分类器对放疗效果进行分类评估。研究结果表明，SVM分类器在对放疗后的结果评估方面展现出比XGBoost分类器更优的性能，其AUC最高达0.78。另外，结合ML和化学计量方法的综合模型在特征选择上更精确，更全面。葡萄膜黑色素瘤（uveal melanoma, UM）是另一种常见的原发性恶性眼眶肿瘤，具有与皮肤黑色素瘤不同的特征，并且倾向于转移至身体其他部位，尤其是肝脏^[52]。转移性UM患者的预后通常较差，因此加强对UM患者的预后管理对于提高患者的整体生存率很有必要。有研究证明加入3号染色体和染色体8q状态可以提高UM的预后价值^[53]。VAQUERO-GARCIA等^[54]创建了一个结合临床特征、肿瘤特征和染色体信息的交互式预测UM转移风险的工具：PRiMeUM。该工具可以个性化评估UM患者治疗后48个月内发生肿瘤转移的风险。该研究将常规收集到的1227例 UM患者按照临床及肿瘤特征、染色体信息有无分为3组：SET1包括年龄和性别、肿瘤位置、直径和厚度；SET2包括年龄、性别、肿瘤位置、直径和厚度以及3号染色体拷贝数；SET3在SET2特征基础上加入染色体1p、6p、6q、8p和8q数据。该研究使用以上三个数据集进行模型训练，采用ML方法评估预测转移风险的多变量模型，包括逻辑回归、决策树、随机森林和基于生存的回归模型，然后使用10倍交叉验证进行模型评估，基于交叉验证结果开发逻辑回归分类器，用于计算基于临床和染色体信息的个体化转移风险。实验结果表明PRiMeUM对于UM的风险预测准确率为80%~85%。总体而言，PRiMeUM为根据特定特征预测个体转移风险提供了有力的工具，进一步增强了对UM患者的个性化护理。

       总之，ML为增强恶性眼眶肿瘤的预后和管理提供了强大而通用的工具集。通过利用先进的计算技术和数据分析，ML有望为临床医生提供更加精准的预测结果、个性化治疗方案并改善这些具有挑战性的恶性肿瘤患者的整体护理方式。

3 小结

       ML是一种强大的AI工具，很多研究表明ML在医疗影像诊断方面已经显示出巨大潜力。这些研究大大提升了眼眶肿瘤的诊断准确率和诊断效率，为临床医生提供了更精准的参考信息。然而，ML在眼眶肿瘤诊断中的应用还面临一些挑战。第一，数据数量不足且部分质量不佳。目前大多数研究仅基于少量数据或单中心数据源，且由于数据收集中的错误、数据中的偏差等造成的低质量的数据会导致ML模型的性能不佳。故增加样本量，采用多中心数据源会极大地促进ML模型训练的精确度。第二，泛化能力有限。ML模型通常难以泛化到训练外的新数据，此问题称为过拟合，当模型部署在实际应用中时，可能会导致模型可靠性差。对抗过拟合的最有效方法之一是增加训练数据量，更多样化和更具代表性的数据可以帮助模型更好地泛化。另外，数据增强技术（如旋转、翻转、缩放和向训练数据添加噪声）可以帮助创建数据变体，减少过拟合。还有一些常见的方法，比如正则化、批量归一化和交叉验证等都可有效地减少ML中的过拟合问题。第三，计算成本高。ML模型涉及大量参数，需要在训练过程中进行优化，这需要大量的计算资源，这可能会使ML训练变得耗时且昂贵，尤其是对于大规模模型和数据集。总之，尽管基于MRI的ML尽管已经取得了一些可喜的成果，但ML在眼眶肿瘤成像中的应用仍存在一些挑战。

       综上所述，基于MRI的ML无论是在眼眶肿瘤良恶性鉴别、眼眶肿瘤自动分割还是预后等方面都已经取得了重要进展，具有广阔的研究前景。随着多中心大数据集的加入以及各种ML算法的不断更新，基于MRI的ML对于眼眶肿瘤的诊断准确率以及在面对有限数据时的有效性会有进一步提升，有望为临床医生提供更准确、更高效的客观诊断工具，改善眼眶肿瘤的诊断和管理。