在高强度聚焦超声(HIFU)治疗中，由于生物组织复杂的结构及异质性响应，精确可靠地预测损伤灶(lesion)表型及面积仍具挑战。常规监测技术如B型超声(B-mode sonography)无法区分不同HIFU诱导的损伤模式或量化其范围。为解决此局限，研究人员系统改变声学参数——占空比(duty cycle, DC)、脉冲持续时间(pulse duration, PD)、辐照时间及声功率——在离体(ex vivo)牛肝中制备五种不同损伤表型。采集HIFU焦区治疗前后的超声回波信号，提取21个特征并输入三种机器学习(machine learning, ML)模型：随机森林(random forest, RF)、极端梯度提升树(XGBoost)和支持向量机(support vector machine, SVM)。在增广数据集上，XGBoost优于其他模型，平均分类准确率达82.6%，各损伤类别受试者工作特征曲线下面积(area under the receiver-operating-characteristic curve, AUC)均超过0.93。同一模型对损伤面积亦表现出优异预测性能，其中三类表型的决定系数(R2) > 0.84。随后的特征重要性分析显示，每种损伤表型具有独特时–频特征签名，为稳健的损伤分类提供判别信息。本离体(ex vivo)研究表明，结合ML的超声回波特征分析可同时识别HIFU损伤类型并估算损伤面积，为未来术中实时HIFU监测提供方法学基础，并凸显回波特征用于反馈控制治疗的潜力。
论文解读：机器学习驱动的超声回波特征分析用于高强度聚焦超声(HIFU)致损伤灶的准确分类及面积预测——离体(ex vivo)研究
一、研究背景与意义
高强度聚焦超声(high-intensity focused ultrasound, HIFU)是一种无创、无切口、低感染风险且恢复快的治疗方式，已获美国食品药品监督管理局(FDA)批准用于子宫肌瘤、前列腺肿瘤及特发性震颤等治疗。HIFU主要通过热效应（温度迅速升至60℃以上产生凝固性坏死）和空化效应（组织粉碎形成液化性坏死，即histotripsy，组织粉碎术）发挥作用，两者常共存并可经参数调节形成混合模式损伤灶(lesion)。目前临床HIFU监测主要依靠磁共振(magnetic resonance, MR)测温或B型超声(B-mode sonography)。MR测温可测温度分布但无法直接准确勾画凝固性坏死范围，且昂贵耗时；B超虽实时廉价但灰度对比差、伪影多，不能区分不同损伤表型或定量评估面积。现有超声回波监测技术多针对单一机制（热或空化）损伤，难以同时评估多机制混合损伤。此外，以往基于治疗换能器接收焦区原始回波信号的研究仅局限于纯热损伤，对热–空化混合损伤适用性未知。因此，研究人员假设融合超声回波特征与机器学习(machine learning, ML)可同时预测HIFU致损伤灶的类型及严重程度（面积），并开展本研究验证该假设。论文发表于《Ultrasonics》。
二、主要关键技术方法
研究人员采用改良HIFU系统（JC200，治疗换能器频率0.982 MHz，焦距170 mm），通过同轴插入的3.5 MHz凸阵探头进行B超引导，并利用治疗换能器同步发射与接收焦区射频(radio frequency, RF)回波信号。在离体(ex vivo)牛肝上，通过调节占空比(duty cycle, DC)、脉冲持续时间(pulse duration, PD)、辐照时间及声功率，可重复制备五类损伤表型：热凝固性坏死（纯热）、液化性坏死（纯空化/dominant cavitation）、伴汽化中心的热凝固灶（混合）、带热边缘的糊状芯损伤灶（混合）、不带热边缘的糊状芯损伤灶（混合）。采集治疗前后焦区回波信号，计算各点相对变化量（治疗后减治疗前）作为特征输入，共提取21个时域–频域特征。以离体组织轴向切片测得最大坏死面积为金标准(ground truth)，分别训练随机森林(random forest, RF)、极端梯度提升树(XGBoost)及支持向量机(support vector machine, SVM)三种ML模型，完成五分类（损伤表型）与回归（损伤面积）任务，并经交叉验证与特征重要性分析评估模型性能。
三、研究结果
HIFU system（HIFU系统）
研究使用改装的临床型HIFU治疗系统，治疗换能器外径200 mm、内径80 mm、焦距170 mm、中心频率0.982 MHz；中央孔径内置3.5 MHz成像凸阵探头用于同轴B超引导，并通过T型接头连接功率放大器与信号接收模块，使同一HIFU换能器兼具发射治疗脉冲与接收焦区回波功能。
Ex vivo tissue lesions induced by HIFU（离体组织中HIFU诱导的损伤灶）
研究人员通过系统性改变DC、PD、脉冲重复频率(pulse-repetition frequency, PRF)、辐照时间及声功率，在离体牛肝中可重复产生五种典型损伤表型：高DC/长PD促进热沉积产生凝固性坏死；低DC/短PD利于空化主导产生液化性坏死；中间参数组合则产生三种具混合热–空化效应的损伤（带汽化芯的热灶、带热边的糊状芯灶、无热边的糊状芯灶）。离体组织沿焦点平面剖开拍照，测得各损伤最大横截面积作为面积回归的金标准。
Discussion（讨论）
讨论指出，生物组织结构与性质的高度异质性使HIFU疗效预测困难。研究人员提出将ML与定量超声回波特征耦合的新监测策略，经大量实验建立五种不同尺寸损伤表型，ML分析实现所有表型的准确分类与面积估计。XGBoost模型在五类损伤表型分类中平均准确率达82.6%，各类别受试者工作特征曲线下面积(area under the receiver-operating-characteristic curve, AUC)均大于0.93；对损伤面积的预测中，三种表型的决定系数(R2 ) > 0.84。特征重要性分析表明不同损伤表型具有独特的时–频(time–frequency)特征签名，相对回波特征变化携带稳定判别信息。相比传统B超灰度变化，基于治疗换能器采集的焦区回波经多维特征融合与ML可有效克服单参数（如幅值）表征多机制损伤的不足，且对噪声与过拟合有一定抑制。该方法为术中实时HIFU监测及反馈控制治疗提供了方法学依据，未来需向在体(in vivo)及临床环境拓展验证。
Conclusion（结论）
研究人员通过针对治疗目标调节HIFU参数可产生不同损伤表型。本研究提出一种将焦区超声回波特征与ML分析相结合的新型HIFU监测范式。在离体(ex vivo)牛肝中训练RF、XGBoost和SVM三种模型以识别五种损伤表型并量化其面积。实验结果表明，回波特征承载稳定且具有判别力的信息，适用于损伤表型分类与面积预测，其中XGBoost表现最优——平均分类准确率82.6%，各类AUC > 0.93，三类表型面积预测R2 > 0.84。该研究建立的框架可为未来术中实时HIFU监测及反馈控制治疗的发展提供方法学支撑。
打赏
