0 引言

       垂体瘤是一组起源于垂体腺的肿瘤，大约占据原发性颅内肿瘤的15%^{[1, 2]}。垂体瘤的发生可能与多种因素有关，包括遗传、环境、内分泌等因素。当垂体瘤增大时，可能会压迫垂体及其周围的神经和组织，导致一系列的症状，如头痛、视力下降、多尿、感觉异常等；此外，如果垂体瘤分泌过多的激素，也可能导致一系列的症状，如肢端肥大症、糖尿病、闭经、不育等。这些肿瘤可以是功能性的，也可以是非功能性的^[3]。MRI被视为首选的影像学检查手段^[4]，其高分辨率的特性使得软组织成像清晰，能够精确展现肿瘤的大小、形态、位置、血液供应情况及其与周边结构的关系。不同类型的垂体瘤在MRI影像中会展现出各自独特的信号特点，这对于肿瘤的性质判断具有非常重要的参考价值^{[5, 6]}，例如：催乳素腺瘤在MRI上通常表现为明显均匀强化，而生长激素腺瘤则可能表现出不均匀的强化。传统的影像学诊断方法对于肿瘤的治疗方案选择和评估预后存在一定的局限性。近年来，人工智能（artificial intelligence, AI）在医疗领域的应用越来越广泛，AI技术在垂体瘤治疗方案的选择及预后预测方面已经取得了一定的成果。本文全面概述了AI在垂体瘤MRI领域中的研究现状，并探讨了其未来的发展方向和潜在趋势，以期为垂体瘤患者治疗方案选择及预后预测提供帮助。

1 深度学习与影像组学

       深度学习是机器学习领域中最主要的研究方法之一，也是AI领域中最值得关注的工作之一^[7]。它通过构建具有多个层次的神经网络来实现复杂的任务。深度学习网络的基本单元是神经元，网络通过将复杂的任务分解成每个神经元处理的小任务，并通过大量数据让每个神经元学习到自己完成任务的特征表达，特征表达在传递到下一层神经元时，会被进一步提炼为更具区分度的特征。通过持续的学习过程，神经网络逐渐优化，从而能够成功执行各项任务^[8]。深度学习中的“深度”指代网络结构中的层级数量。随着层级的增加，模型的表征与学习能力也随之提升，使得模型能够处理更为复杂和抽象的任务^{[9, 10]}。

       影像组学是一种从医学影像中提取大量定量特征的方法，通过对肿瘤的大小、形态、边缘、强化程度等方面的特征提取，可以更全面地了解肿瘤的性质和生物学行为^{[11, 12]}，目前已经在肿瘤学^{[13, 14, 15, 16, 17, 18, 19, 20]}和心血管科学^{[21, 22, 23, 24, 25, 26, 27, 28]}等领域有着广泛的应用。具体而言，首先通过预处理对MRI图像进行标准化，然后使用影像组学方法提取肿瘤的纹理、形状、强度等特征；接下来，利用机器学习或深度学习算法构建疾病预测或诊断模型。最后，通过交叉验证等方法评估模型性能^{[29, 30]}。

2 AI在垂体瘤MRI对治疗方案的选择应用研究

       AI运用特定技术，对肿瘤影像的各项特征进行深入分析，预测肿瘤的质地、Ki-67增殖活性及其侵袭能力，进而为医生制订合适的治疗方案提供有价值的参考信息^{[31, 32]}。

       对于质地较软的垂体瘤，可通过鼻腔途径的抽吸与刮除手术实现完整切除。而质地较韧的瘤体则常需采取开颅手术以确保彻底清除^[33]。因此，通过术前了解肿瘤的软硬度，医生可以更好地规划手术过程，准确评估患者手术的风险，避免不必要的手术并发症。CUOCOLO 等^[34]通过使用纹理分析和机器学习结合的方法，对患有垂体巨腺瘤（pituitary macroadenomas, PMA）的患者进行术前评估，预测肿瘤的质地软硬度。这种方法在评估垂体巨腺瘤软硬度方面取得了93%的准确度、100%的敏感度和87%的特异度。ZEYNALOVA 等^[35]通过机器学习模型对T2加权MRI直方图分析进行评估，以预测PMA的结构软硬度，并将其与信号强度比（signal intensity ratio, SIR）进行比较。研究结果表明，直方图分析在预测PMA软硬度方面的表现优于SIR评估，其AUC值为0.710，能正确分类72.5%的PMA。WANG等^[36]通过自动分割和特征提取工具衍生的模型得到的预测肿瘤软硬度模型比原始模型具有更高的AUC值，具有更高的代表性和稳健性。自动分割获得的临床模型和放射模型在预测垂体瘤软硬度时表现出更高的诊断准确性，AUC值分别为0.840和0.920。

       上述研究仅针对MRI序列中的单一序列进行探讨，MRI相较于其他影像学检查手段，具有多序列成像的优势，有学者^{[37, 38]}采用多参数MRI（multi-parametric MRI, MP-MRI）的放射学分析对垂体瘤的软硬度进行系统评估，并取得了良好的诊断准确性。万涛等^[37]采用基于影像组学建立模型对脑垂体瘤的质地进行评估。研究提取了T1WI、T1加权对比增强成像（contrast enhanced T1 weighted imaging, CE-T1WI）、T2WI的多参数特征。结果显示，MP-MRI特征组合相比单一MRI特征具有更好的分类效果，分类准确率达到89.80%。WAN等^[38]通过对PMA患者进行MP-MRI的放射学分析以评估肿瘤软硬度，通过构建基于MRI T1WI、CE-T1WI、T2WI组合的放射学模型，实现了所有放射学模型中最佳的性能，在测试队列中的AUC为90%，准确度为87%，敏感度为83%，特异度为87%。

       综上所述，放射学模型可术前预测垂体瘤质地，为手术入路的选择提供依据。目前，对垂体瘤质地的预测主要倾向于使用机器学习算法，而深度学习算法应用相对较少。未来可以结合MP-MRI及不同影像模态，探索深度学习算法在垂体瘤质地预测方面的应用。

       Ki-67指数是评估肿瘤增殖能力的重要指标，高Ki-67指数通常表示肿瘤细胞增殖活跃，瘤细胞生长速度快。对于Ki-67指数≥3%的垂体瘤，将采用更广泛的肿瘤切除范围。医生可以根据影像组学术前预测的Ki-67指数制订更具针对性的手术方案，提高治疗效果。赵继平^[39]的研究旨在探讨利用影像组学结合临床特征预测无功能性PMA患者Ki-67高增殖指数的价值。通过建立不同模型进行对比，影像组学模型和联合模型在预测高增殖指数方面具有较高的诊断价值。UGGA 等^[40]通过垂体腺瘤术前MRI提取纹理参数，以预测Ki-67增殖指数等级的准确性。通过对T2W MRI图像进行纹理分析，选择最具信息性的特征。随后，采用k-最近邻（k-nearest neighbors, k-NN）分类器来预测PMA高或低增殖指数。k-NN的总体准确率为91.67%，正确分类患者 33例（总36例）。LI等^[41]旨在探讨基于多参数MRI的深度分割网络和影像组学预测垂体腺瘤 Ki-67增殖指数的可行性。研究发现，使用 CE-T1WI和T1WI的组合模型在训练集中具有最佳的ROC曲线下面积（训练集、验证集和独立测试集分别为0.927、0.831和0.825）。

       上述研究表明，影像学模型可术前无创地预测Ki-67的增殖指数等级，帮助医生更迅速地了解肿瘤的生物学特征，从而指导治疗方案的选择。目前，基于MRI的影像组学技术结合临床特征建立的预测模型对垂体瘤Ki-67表达的准确性和敏感性有待提高。未来有望利用基于多模态成像的影像组学技术及其他临床因素建立更准确的Ki-67表达预测模型应用于临床。

       侵袭性的垂体瘤与非侵袭性垂体瘤相比，通常具有更大的体积和更复杂的生长模式，侵袭性垂体瘤可能需要多模式治疗方案，以有效控制病情^[42]。了解垂体瘤的侵袭性程度有助于预测疾病的进展速度和严重程度，制订个体化的治疗方案，降低复发率。LIU等^[43]通过使用基于动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）的纹理分析，建立了多种模型来评估垂体瘤的血管异质性和侵袭性，其中总模型可以用于预测垂体瘤的侵袭性。总模型的AUC值为0.957，诊断侵袭性PMA具有很高的敏感性和特异性。NIU等^[44]提出了一种基于放射组学方法的预测Knosp Ⅱ级和 Knosp Ⅲ级垂体瘤对海绵窦（cavernous sinus, CS）侵袭的方法。通过提取CE-T1WI和T2WI MRI中的定量成像特征建立预测模型。进一步构建了一个以临床-放射学危险因素和放射组学特征为基础的诊断模型。基于放射组学特征的模型在训练集和测试集中的AUC值分别为0.852和0.826。同时，结合临床-放射学风险因素构建的诊断模型在训练集和测试集中的AUC值分别为0.899和0.871。ZHANG等^[45]通过机器学习分析基于MRI的垂体瘤的纹理参数，开发了一个辅助预测垂体腺瘤浸润程度的放射组学模型，最终的训练集和验证集均获得较高的AUC值，准确率、精确度、召回率和F1值均表现出较高水平。WANG等^[46]通过基于CE T1WI图像结合形态相关特征和纹理特征的放射组学模型评估垂体腺瘤的侵袭性。采用形状相关特征（SHAPE_Sphericity, SHAPE_Compacity）和纹理相关特征（DISCRETIZED_Q3, DISCRETIZED_Kurtosis），结合Knosp分级建立模型，在区分侵袭性和非侵袭性垂体腺瘤方面表现出色，AUC值为0.935，敏感度为94.4%，特异度为82.9%。

       综上所述，影像学模型可以准确预测垂体瘤的侵袭程度，这有助于医生更好地了解肿瘤的生长模式和扩散程度，为制订治疗策略提供重要参考。目前相关研究尚少，需要进行多中心合作研究，建立基于多模态MRI进行垂体瘤侵袭性评估的统一标准。

3 AI在垂体瘤MRI预后预测中的应用

       AI在垂体瘤MRI对垂体瘤复发、早期术后结果预测方面中的应用为垂体瘤预后预测提供了新的可能性。

       超过90%的非功能性垂体瘤（non-functioning pituitary macroadenomas, NFPAs）被诊断为良性肿瘤，但其中25%~55%的肿瘤在术后可能会复发。通过影像组学预测垂体瘤的复发风险，提前干预，有助于提高患者术后生存率及生存质量。ZHANG等^[47]使用放射组学的方法来预测NFPAs的复发，分析了冠状T2WI和CE T1WI图像，支持向量机分类器选择了最显著的三个参数来构建预测模型。研究结果显示，利用放射组学的预测模型在区分有无复发的NFPAs时表现出82%的准确率（AUC=0.78）。MACHADO等^[48]利用MRI放射组学预测NFPAs复发，试验结果表明，使用3D特征训练的模型在准确度上优于使用2D特征训练的模型。这表明3D特征能更好地总结像素分布信息并具有更高的判别能力。

       上述研究仅利用放射组学预测垂体瘤的复发，但垂体瘤的复发受多因素的影响，放射组学结合临床模型可建立更全面的复发预测模型。ZHANG等^[49]使用了MRI基于放射组学-临床病理学模型来预测PMA在5年内的复发情况。模型1包括独立的临床病理风险因素，模型2包括筛选出的放射组学特征和独立的临床病理标志物。在受试者工作特征曲线分析中，模型2的预测性能优于模型1。SHEN等^[50]使用了放射组学和临床数据相结合的方法构建了放射组学-临床模型，用于预测垂体瘤残留肿瘤复发的风险。研究结果表明，放射组学-临床模型在预测残留肿瘤复发方面明显优于单一的临床模型或放射组学模型，该模型在训练集和测试集中的AUC分别为0.929和0.882。CHEN等^[51] 基于深度学习算法，包括多层感知机（multi-layer perceptron, MLP）和卷积神经网络（convolutional neural network, CNN），来预测NFPAs在手术后的进展和复发。将临床的分类和连续数据输入到MLP模型中，通过CNN模型分析术前MRI图像（T2WI和CE T1WI）。研究表明，多模态CNN-MLP模型在预测NFPAs的复发方面表现最佳，准确率达到83%，精确度为90%，AUC为0.85。

       综上所述，通过影像组学模型可以术前预测垂体瘤复发的风险。未来可通过多中心合作整合更多的临床资料和影像信息，以丰富数据量和提高模型的预测效能。此外，HOLLON等^[52]通过机器学习方法建立了一个机器学习分类器，用于预测垂体腺瘤患者的早期术后结果。并获得了87%的准确率，为患者的围手术期管理提供了较可靠的依据。影像组学在垂体瘤早期术后结果预测方面的报道相对较少，将是未来研究的方向。

4 总结和展望

       AI技术在垂体瘤MRI对于治疗方案的选择及预后预测方面已经取得了一定的成果，在预测肿瘤质地、Ki-67增殖活性、侵袭力、复发风险、早期术后结果方面发挥着重要价值，为垂体瘤的诊断和治疗提供有力的支持。尽管AI在垂体瘤放射学领域取得了令人瞩目的成果，但仍面临诸多挑战。首先，医学影像数据标准化程度不足，对MRI图像进行标注需要大量的人力，而标注的准确性对于AI算法的性能至关重要。其次，医学“数据孤岛”与隐私保护导致收集充足且具备代表性的训练数据变得极具挑战性。最后，模型泛化能力不足，生物可解释性差，对于一些深度学习模型，其预测结果不好且可能难以解释，临床医生可能难以理解预测结果的依据，这可能会限制AI在临床中的应用。

       展望未来，AI在垂体瘤放射学中的研究将朝着以下几个方向发展：（1）未来可以通过数据共享，将不同医疗机构的MRI数据整合起来，形成更大规模、更多样化的数据集，从而提高AI算法的性能和通用性；（2）自监督学习算法能够在不需要人工标注的情况下进行训练，未来可以探索这些算法在垂体瘤MRI图像分析中的应用，从而降低标注成本；（3）未来可建立统一标准和验证体系，将更多的精力投入到可解释性算法的研究与应用，以提高AI模型的透明度和可解释性，使临床医生能够更好地理解和信任AI的决策。