Application Advancements of Radiomics in Predicting the Prognosis of Patients with Gastric Cancer
-
摘要:
胃癌是发病率和死亡率较高的肿瘤之一，术前进行精准的预测对预后至关重要。影像组学是一种新型、有效的医学图像解码技术，可以从影像图像中提取难以定量描述的高维特征，并提供肿瘤异质性的评估以及肿瘤微环境的功能信息，在预测胃癌患者的预后中有较高的价值。本文就影像组学在胃癌患者的预后预测中的应用进展进行综述。
Abstract:Gastric cancer has high morbidity and mortality; thus, accurate prognostic predictions before surgery are very important. Radiomics is a new and effective medical image technology that extracts high-dimensional features that are difficult to describe quantitatively from images and provides an evaluation of tumor heterogeneity and functional information on the tumor microenvironment, which has a high value in predicting the prognosis of patients with gastric cancer. This article reviews the application of radiomics for the prognostic prediction of patients with gastric cancer.
-
Keywords:
- gastric cancer /
- radiomics /
- predicting prognosis
-
随着民用航空业的蓬勃发展，保卫航空安全成为日益重要的课题。航空领域的恐怖袭击从20世纪70年代开始就层出不穷，从1988年洛克比空难事件到美国“9·11”恐怖袭击事件，从2001年AA63号航班鞋底炸弹到2010年UPS航空货机打印机炸弹事件，以及2016年的布鲁塞尔机场恐怖袭击等，严峻的安全形势驱动着爆炸物探测安检技术快速进步。在航空安检中，爆炸物探测技术主要包括体探测技术（bulk detection）和痕量探测技术（trace detection），两者分别作为安检中的“眼睛”和“鼻子”，相互配合，交叉验证，以便及时锁定威胁，为安全处置赢得宝贵的时间和机会。前者以X射线成像安检技术为典型代表，可快速发现旅客行李中的疑似爆炸装置或炸药，后者以离子迁移谱技术（IMS）为典型代表，可快速探测肉眼不可见的极微量炸药成分，对前者形成有效的技术补充。
1. X射线成像与痕量探测安检技术概况
X射线安检技术与痕量探测技术，作为两大技术门类，各自包括了多样化的细分技术和工程实现。本文仅简要叙述技术发展历史、应用现状与典型的前沿方向。
1.1 X射线安检技术
X射线于1895年由德国物理学家伦琴首次发现，故亦称“伦琴射线”。1896年，伦琴向弗赖堡大学物理研究所提交了第一张X光照片。1897年，巴黎火车站尝试使用X射线透视来检查旅客手提行李中的爆炸物[1]。而后经过百年发展，伴随着射线源、探测器、微电子、计算机和信息技术的进步，X射线技术在安全检查、医疗健康、工业无损检测等多个领域获得了规模化的应用。X射线技术按照成像原理，主要分为透视成像（X-ray Transmission，XRT）、背散射成像（X-ray Backscatter, XBS）、计算机断层成像（X-ray Computed Tomography, X-CT）、衍射成像（X-ray Diffraction, XRD）、相衬成像（X-ray Phase Contrast, XPCI）。航空安检中目前主要使用X射线透视成像和计算机断层成像。
X射线成像在航空安检的应用始于1974年。20世纪70年代曾被称为“恐怖主义的黄金时代（The Golden Age of Terrorism）”，仅在美国便有超过150架次飞机遭遇劫持[2]。鉴于形势，1974年美国通过航空运输安全法案（Air Transportation Security Act），美国联邦航空管理局（Federal Aviation Administration, FAA）建立强制性的普遍安检（universal screening），机场由此开始部署X射线安检机，对旅客行李实施检查[3]。随着技术进步，在单能单视角X射线成像的基础上，发展出了“双能”、“双视角”、“多视角”成像技术。计算机断层成像（X-CT）于1971年应用于医疗诊断（英国EMI公司推出第一套医用CT），在1994年开始用于安检（美国InVision公司第一套EDS系统）[4]。相比于传统X射线透视成像，CT成像从不同角度扫描被测对象，能够通过图像重建还原出行李物品内部的三维结构特征，解决了传统透视成像中图像重叠和失真的问题。后来的双能CT（Dual Energy CT, DECT）可基于光电效应和康普顿效应的“双效应分解”，解算出被检物质的密度（ρ）和等效原子序数（Zeff），具备更好的空间分辨和物质识别能力，可更加精准地自动探测行李中的爆炸物。
X射线安检设备在民航的具体应用场景，主要包括旅客手提行李检查、旅客托运行李检查、航空货物检查等。行李物品通过安检机时，X光扫描图像被提交给安检员，检查各式各样隐匿的爆炸物。其中，双能双视角、双能多视角和双能CT系统可具备不同水平的爆炸物自动探测能力（Explosive Detection Systems, EDS），作为目前至关重要的爆炸物体探测技术（bulk detection）。美国、欧洲和中国针对EDS系统制定了严格的技术分级，以欧洲民航的旅客手提行李检查标准（Explosive Detection Systems for Cabin Baggage, EDSCB）的公开信息为例[5]，达到EDSCB标准C1的设备要求旅客必须将电子产品和液体及凝胶（Liquid, Aerosols and Gels, LAGs）从行李中取出单独接受X光扫描，达到EDSCB标准C2的设备要求旅客必须将LAGs从行李中取出单独接受X光扫描，达到EDSCB标准C3的设备基于DECT技术，允许旅客将电子产品和LAGs放在行李中接受扫描。
前沿X射线安检技术的研究热点，主要包括静态CT技术（Stationary Gantry CT）[6]、衍射成像（X-ray Diffraction, XRD）[7]、能谱成像（Multi-energy/spectral CT）[8]等。其中XRD以能谱探测器为基础，通过“能量色散”的方式测量散射X射线强度与入射X射线能量关系，来表征被检物质的内部晶体结构信息，该技术可与X射线透视成像或CT成像配合，对嫌疑物品实施在线复检；近年来兴起的静态CT技术，以“分布式X射线源”为基础，相比于传统的滑环CT，彻底解决了传统滑环式结构带来的扫描转速和通道尺寸限制问题，大幅提升成像质量和扫描速度，有望实现高清CT成像；能谱成像以光子计数探测器为基础，可对不同X射线能量分段计数，提升物质识别精度，未来有望取代现有的双能CT技术，发展出新一代能谱CT。
1.2 痕量探测安检技术
1899年，在伦琴发现X射线四年后，英国剑桥大学卡文迪许实验室开展了关于电晕放电电离及气态离子的研究。1929年，美国物理学家范德格拉夫在《自然》杂志上发表了首张离子迁移谱图[9]。在几乎与X射线技术同步的近百年发展中，随着电离源、离子探测器、微电子、计算机和信息技术的进步，痕量探测技术在实验室分析、工业监测、化学战剂探测、安全检查等多个领域获得了广泛的应用。痕量探测技术按照基本原理，主要包括离子迁移谱（ion mobility spectrometry, IMS）、质谱（mass spectrometry, MS）、荧光淬灭（amplifying fluorescent polymer, AFP）等。航空安检目前以IMS技术为主。
IMS技术在航空安检的应用始于1990年。根据Abigail Eiceman的整理，起初在1967年，受到第三次中东战争和冷战的直接影响，美国、英国开始研究化学战剂（chemical warfare agent, CWA）探测。1984年，英美联合研发的基于IMS的化学战剂监测仪（chemical agent monitor, CAM）装备了军队[10]。1988年的洛克比空难事件（270人死亡）被证实为恐怖袭击，根据美国FBI的调查分析，Semtex炸药被放置在东芝牌录音机里，经托运行李进入飞机。这次针对航空器的恐怖袭击直接推动了痕量爆炸物探测系统的研制。1990年，Barringer公司开发的IONSCAN和Ion Track公司的Itemiser作为第一代痕量爆炸物探测设备（Explosive Trace Detector, ETD）进入应用。自此，离子迁移谱逐渐成为航空安检中标准的痕量探测技术，美国“9·11事件”之后在航空安检中获得了广泛应用[11]。随着安检场景的差异化，发展出了台式、便携式等不同的设备形态。在电离源技术上，基于电晕放电（Corona Discharge Ionization, CDI）、介质阻挡放电（Dielectric Barrier Discharge, DBD）、光致电离（Photo Ionization, PI）等原理的非放射性电离源，逐渐取代Ni63等天然同位素放射源，有效提升了探测性能。离子迁移谱无需真空、载气、样品前处理等条件，采样便捷，可在大气压条件下完成快检，系统稳定性较好，适合现场检测。基于质谱分析技术的系统更加精密，质谱一直被用于实验室化学分析，通常与液相或气相色谱相结合作为标准的分析仪器。相比于离子迁移谱，质谱具有更高的分辨力（Rp），即能够在谱图中更好的区分出不同荷质比（m/z）的离子，因此具备更高的检测精度[12]。当然，复杂的真空系统并不利于提升系统的鲁棒性，给现场应用带来了一定的挑战。基于质谱技术的ETD在2019年初次达到了欧洲民航标准（European Civil Aviation Conference, ECAC），获得了航空安检的准入[13]。该技术目前也是美国国土安全部（Department of Homeland Security, DHS）、国防高级研究计划局（Defence Advanced Research Projects Agency, DARPA）的研究重点，在应用上仍处于导入期。
![]()
图 2 使用痕量爆炸物探测安检设备检查旅客行李Figure 2. Using explosive trace detector to inspect passengers’ baggageETD设备在民航的具体应用场景主要包括旅客人身检查、旅客手提行李检查、旅客托运行李检查、航空货物检查、航站楼出入口防爆检测等。在检查过程中，安检员使用采样介质从旅客、行李物品、货物表面擦拭提取痕量样本，并将采样介质送入痕量设备分析得到检测结果，以便及时发现肉眼不可见的极微量炸药成分，作为后续安全处置的依据[14]。痕量探测设备普遍被用于清除X射线安检设备等一级在线设备扫描中自动或人工发现的疑点（alarm resolution, AR），作为复检（recheck）的重要手段[15]，针对性的检查有嫌疑的对象，从而对一级在线安检设备形成有效的技术补充。当然，痕量设备也可用于一级检查，即通过普检筛查来搜寻爆炸物的痕迹线索，例如国内常态化的航站楼出入口防爆检测（民航规〔2018〕8号）。美国、欧洲和中国针对ETD系统制定了严格的技术标准[16]，以欧洲民航的痕量爆炸物安全检查设备技术标准的公开信息为例，按照探测对象分为旅检（Passenger）、货检（Cargo），按照采样方式分为手持采样介质直接取样（Hand Swabbing）、使用取样器装载采样介质取样（Wand Swabbing）。
痕量探测安检技术的研究前沿热点，主要包括爆炸物蒸气探测（explosive vapour detection, EVD）、无人值守以及多技术联用。EVD技术以吸入式气体采样为基础，配合离子迁移谱或质谱等检测技术，实现对一定体积空间内的爆炸物进行探测，免去繁琐的人工擦拭采样，实现航空货物的不开箱检查，有望大幅提升货检的效率[17]；无人值守主要是以自动化痕量气体、颗粒采样为基础，使用离子迁移谱、质谱等检测技术，实现对旅客人身或行李物品的自动检查[18]，这种旅客与设备自主交互并通过安检的形式接近“无感安检”，旅客体验更好，目前在智慧机场建设进程中备受关注，将可能部分替代传统的人工检查，并增强痕量探测技术在普检中的应用；多技术联用，以模块化的痕量探测器为基础[19]，实现不同原理技术的集成，例如气相色谱-离子迁移谱（GC-IMS）、离子迁移谱-质谱（IMS-MS）[20]，能够在二维参数平面上（保留时间-迁移率、迁移率-荷质比）表征被测物质，从而比单一技术更加精准，有效地降低误报率。
1.3 痕量探测与X射线安检技术对比
站在航空安检应用的角度，将目前已经部署的X射线行李安检设备与痕量探测设备进行横向对比，可直观地展现这两类技术的能力与比较优势。即痕量探测技术作为安检“嗅觉”，擅长“见其微”，用于捕捉线索，而X射线技术作为安检“视觉”，擅长“知其著”，用于发现实物（表1）。
表 1 X射线安检设备与痕量探测安检设备对比Table 1. Comparison of X-ray scanner and trace detection equipment项目 X射线成像安检设备 痕量探测安检设备 技术原理 ● X射线透视成像
● X射线CT成像● 离子迁移谱
● 质谱检查对象 ● 行李物品 ● 行李物品
● 旅客人身检查方式 ● 非接触式检查
● 行李物品自动通过设备
● 违禁品自动报警与人工判图相结合
● 支持AI算法自动识别违禁物（APIDS）
● 支持远程集中判图（CIP）● 接触式检查
● 人工检查旅客人身、行李物品
● 擦拭采样后将样品送入设备检测
● 设备自动完成样品分析，提供结论违禁品探测 类别 ● 体探测（Bulk detection） ● 痕量探测（Trace detection） 特征 ● 密度（ρ）
● 等效原子序数（Zeff）
● 形状、纹理● 迁移率（K0）
● 荷质比（m/z）灵敏度 ● 百克级[21] ● 纳克级（ng） 误报率 ● 6-20%[22] ● < 1% 2. 痕量探测与X-CT成像安检技术融合
本文在分析现有行业发展趋势和安检系统的瓶颈的基础上，重点阐述痕量探测与X-CT成像安检技术深度融合的新理念，并简要介绍业内关键的驱动性技术创新案例。
2.1 安检发展的瓶颈与问题
自美国“9·11事件”起，全球安全形势日益严峻。恐怖主义组织自身在不断演进，其技术和策略水平持续提升，朝着国际化、专业化的方向发展。例如2003年，英国警方查获的基地组织 “训练手册”，已可系统性地给不同地区的恐怖分子提供培训[23]；2010年在UPS货机中发现的炸弹，恐怖分子将炸药（PETN）伪装藏在了打印机的墨盒中[24]，躲过了正常安检程序；在2016年，恐怖分子将自制爆炸装置（内含TATP炸药）隐匿于行李中，规避了行李安检，有策略地在布鲁塞尔机场航站楼大厅内引爆[25]。尽管2001年以来，爆炸物的种类并未显著增加，但是自制爆炸装置（improvised explosive device, IED）的形态却在不断翻新，总是倾向于超越现有的认知水平。应形势要求，安检技术的进步必须与不断升级的威胁形式相匹配。
同时民航运输业亦在快速发展。根据国际民航组织（International Civil Aviation Organization, ICAO）的全球统计数据，全球旅客人次已达到44.86亿（2019年），年增长率为3.6%[26]。根据《民航行业发展统计公报》，中国民航旅客运输量已达到6.6亿人次（2019年），年增长率为7.9%[27]。新冠疫情结束后，航空运输业逐渐复苏。旅客量的增加给机场带来了更高的运行压力，客观上要求安检技术的进步能够兼顾民航运输的效率和旅客体验。在安全形势不断加剧和民航运输业持续发展的双重背景下，以人工智能和大数据等信息技术为基础，航空安检智慧化的趋势已经明朗并成为了国际共识。国际机场协会（Airport Council International, ACI）在2019年正式发布“智慧安检”（Smart Security）项目文件[28]，中国民航在2022年发布《智慧民航建设路线图》（民航发〔2022〕1号）。智慧安检旨在运用先进的信息化技术和安检设备，通盘考虑技术、组织和经济条件，以达到安检效能、通行效率、旅客体验的综合最优。通常以X射线安检设备（包括双视角、多视角、CT型）、金属探测门、毫米波成像人体安检设备、痕量爆炸物探测设备、液体安检设备、自动托盘回传系统等各类分立的安检设备为基础[29]，基于其能力范围，扬长避短，统筹规划，设计最佳流程加以组织运用。典型安检系统工作流模型如图4所示。
然而，深入分析安检系统便可发现瓶颈和问题。以图4所示的行李检查为例，安检效能方面，X射线安检技术爆炸物自动探测（EDSCB）的灵敏度有限，低于其检出限的炸药难以被自动探测。若自动报警失效，则只能依赖于人工判图检出。但作为一项视觉搜索任务（visual search task），根据Hättenschwiler、Buser、Horowitz、Wolfe等人不同的研究，人工判图的效能受到训练水平[30]、主观感受（如疲劳、痛苦）[31]、目标流行率（target prevalence）[32]等因素影响，检出率（hit rate）有限。在Wolfe的研究中，目标流行率与漏报率、误报率的关系如图5所示，当流行率持续降低时，视觉搜索的漏报率（实心）加速升高，误报率（空心）降低。这与“大海捞针难上难”的经验相符。
![]()
图 5 流行率影响漏报率、误报率[33]Figure 5. Influence of target prevalence on the probability of false negatives and false positives受Wolfe的研究启发，由于爆炸物在安检中的流行率极低，且IED很可能被恐怖分子精心伪装成常见的生活用品，在人工判图中被直接识别出来的难度将会越来越大。那么，在一级检查漏检的不利情况下，作为复检的痕量探测技术很难发挥作用，即使监管机构要求机场使用痕量探测设备按照一定规则进行强制性的随机抽检，也只能覆盖一部分风险，依靠有限的人力必然无法做到100%普检。因此，依靠分立设备和流程衔接构成的传统安检系统存在一定的安全风险。
同时，传统安检系统的效率与旅客体验也不尽如人意。在安检效率方面，根据Schwaninger等人的研究，EDSCB存在6-20%的误报率（表1）。在报警的情况下，实施人工复检，复检时间通常在1分钟以上，加上旅客人身检查及其整理、收纳行李的时间延迟，旅检通过率存在确定的限制。在安检等级提升的情况下，人工检查时间更长，通过率将进一步降低。旅客体验主要受排队时间、安检时间（通过率）、检查方式影响，在传统安检的基础上具有较大的提升空间。2019年，英国交通运输部（Department for Transport, DfT）发布的《旅客安检体验调查》显示，6%的旅客对当地机场的排队时间长不满意，4%的旅客对安检时间长不满意[34]。
2.2 理念革新：“嗅觉”与“视觉”融合
为了克服传统安检系统的问题，行业界正在实施一系列举措，包括升级安检设备、优化安检流程以及提高信息化水平。例如以新型的X-CT成像安检设备替换传统的X射线透视成像设备；以毫米波人体成像安检设备替换传统的金属探测门；以鞋底金属及爆炸物探测设备（Shoe Metal and Explosive Detector, SMED），免去旅客脱下鞋子安检；以基于自动托盘回传系统（Automatic Tray Return System, ATRS）的智能旅检通道替换传统的非机动辊道；以“TSA-pre”（美国）和“易安检”（中国）[35]为代表的差异化安检，替代无差别式安检；以 “开放架构”（Open Architecture）提升安检设备和系统的互用性（interoperability）[36]；以联网集中管理，提高现场多台安检设备的整体运营效率。
本研究提出另一种思路，即将痕量探测安检技术与X-CT成像安检技术融合，作为一级在线系统，在一次扫描中完成痕量探测（嗅觉）与X-CT成像扫描（视觉）。典型的运行概念（Concept of Operations, CONOPS）如图6所示，在旅客手提行李检查中，全自动痕量探测系统（Automatic Trace Detection System, ATDS）架设于ATRS之上，部署在X-CT安检系统的入口侧。当载有行李的托盘经过ATDS通道时，ATDS将自动完成痕量探测。总系统综合ATDS痕量探测信息、X-CT成像探测信息以及安检员决策，形成检查通过或开包复检的结论。
![]()
图 6 痕量探测与X-CT成像安检技术融合运行概念图Figure 6. Concept of fusing trace detection with X-CT in security inspection在融合系统中，痕量探测自动完成，无需人工操作，可实现100%普检，同步检测固体微粒和蒸气。由于痕量探测的检查规程不再依赖于一级设备报警触发，有利于检查出低于X-CT检出限的少量爆炸物，降低总系统漏检的风险；检查过程无需人工采样，有效节省了专门使用痕量设备进行开包检查的人力和时间；ATDS架设于ATRS之上，还可节省传统ETD设备占用的物理空间；此外，ATDS的检查过程不再与旅客产生交互，这种“无感安检”在心理体验上比传统安检更加友好。因此，相比于传统安检系统，融合系统可同时提升安检效能、安检效率和旅客体验。
2.3 技术融合建模及效用预测
为了预测上述技术融合的效用，本研究采用定性分析的方法对比融合系统与传统安检系统，融合系统的工作流模型如图7所示。
在安检效能方面，技术融合通过增加信息维度延展了一级检查的探测能力，有效提升系统级的探测灵敏度，从而增加爆炸物检出率。在传统系统中，爆炸物检出率包括算法自动报警和人工判图两部分。考虑真实的应用场景，如表2所示，爆炸物被恐怖分子精心伪装成生活用品，在视觉搜索中不易辨识，且有效质量可能低于自动探测算法的检出限。在这种情况下，依靠自动探测（检出率为P1）和人工判图（检出率为H1）检出爆炸物都比较困难，P1、H1大幅降低。
表 2 恐怖袭击中威胁形式的变化Table 2. Evolving forms of terrorist threats年份 恐怖袭击事件 作案装置的形式 1988 泛美航空103号航班洛克比空难 Semtex炸药隐匿于盒式录音机中 2001 美国航空63号航班鞋底炸弹（未遂） C-4炸药隐匿于鞋底中 2009 挪威航空“内裤炸弹”事件（未遂） PETN、TATP炸药隐匿于内裤中 2010 也门打印机墨盒炸弹事件（未遂） PETN炸药隐匿于打印机墨盒中 2013 波士顿马拉松恐袭 装有炸药、铁钉、钢珠的高压锅IED 2016 布鲁塞尔机场恐袭 40磅TATP炸药隐匿于托运行李中 2017 澳大利亚恐袭阴谋（未遂） 化学反应装置快速产生大量有毒气体 2024 黎巴嫩Bp机炸弹事件 少量高爆炸药被预先植入于传呼机 而在图7所示的融合系统中，ATDS放置在X-CT的前级，有可能从行李物品的表面直接探测到极微量的爆炸物或与爆炸物相关的物质。参考ETD目前的技术发展水平，本研究假定ATDS对固体颗粒和蒸气的探测灵敏度分别在ng-µg级、ppm级。ATDS在EDSCB自动探测算法不报警时发现痕迹，ATDS的爆炸物检出率为T1。安检员可根据ATDS报警线索，针对性地在扫描图像中寻找疑似爆炸物，并通过开包检查确认违禁品。ATDS的提前预警可为安全处置赢得宝贵的时间和机会。
如表3中的推导，技术融合带来的检出率提升与EDSCB、人工判图的检出率负相关，与ATDS的检出率正相关，即技术融合能够在EDSCB、人工判图表现不佳的情况下发挥更强的作用，ATDS的能力越强，增益越大。在某些极端的情况下，假定EDSCB与人工判图对某种目标流行率极低的违禁品检出率趋近于0，总系统的检出将完全依赖于ATDS，检出率提升比例则趋近于无穷大，说明技术融合可突破原有系统难以检出的局限性。
表 3 融合系统与传统系统级检出率对比Table 3. Comparison in probability of detection: fused system vs conventional system安检系统 传统安检 技术融合 X-CT成像安检设备 痕量探测 X-CT成像 人工判图 自动探测 人工判图 自动探测 检出率 P1 H1 T1 P1 H1 总检出率 $ {PoD}_{1}=1-\left(1-P1\right)(1-H1) $ $ {PoD}_{2}=1-(1-T1)\left(1-P1\right)(1-H1) $ 检出率提升 $ \Delta PoD={PoD}_{2}-{PoD}_{1}=\left(1-P1\right)\left(1-H1\right)T1 $ 提升比例%* $ \Delta PoD\%=\displaystyle\frac{{PoD}_{2}-{PoD}_{1}}{{PoD}_{1}}=\displaystyle\frac{\left(1-P1\right)\left(1-H1\right)T1}{1-\left(1-P1\right)(1-H1)}\times 100\% $ 注：*当$ P1\to 0,H1\to 0 $时，$ \Delta PoD\to T1,\mathrm{ }\Delta PoD\mathrm{\%}\to +\mathrm{\infty } $。 在安检效率方面，技术融合有希望通过降低开包率（Reject rate）提升安检通过率。受限于技术原理，X-CT成像基于密度和等效原子序数，只能进行粗略的物质识别，对不同材料的分辨能力有限。根据国标要求，X-CT安检设备对于不同尺寸的同一物质的等效原子序数测量差异不超过15%，密度分辨率小于等于3%[37]。由于部分生活用品的密度、等效原子序数与炸药相近，相应的算法参数存在一定的重叠区域，可能导致自动探测时发生误报警，典型干扰物如表4所示。根据Hättenschwiler等人在2016年的研究，EDSCB算法在现场实际应用中，当检出率接近90%时，误报率为15%～20%[38]。X-CT系统误报警会导致行李物品接受复检，限制旅检通过率提升。
物质名称 类别 X-CT成像 痕量探测 ρrel Zeff K0 m/z 梯恩梯（TNT） 军用炸药 1.7 7.1 1.54 [TNT-H]- 226 [TNT-H]- 黑索金（RDX） 军用炸药 1.8 7.2 2.68 [NO2]- 1.46 [RDX+Cl]-
1.43 [RDX+NO2]-46 [NO2]- 257,259 [RDX+Cl]-
268 [RDX+NO2]-太安（PETN） 军用炸药 1.7 7.2 1.29 [PETN- NO2+H+Cl]- 1.24 [PETN- NO2+H+NO3]- 1.15 [PETN+Cl]- 1.17 [PETN+NO3]- 306,308 [PETN- NO2+H+Cl]- 333 [PETN- NO2+H+NO3]- 351,353 [PETN+Cl]-
378 [PETN+NO3]-硝酸铵（AN） 工业炸药 1.8 7.4 2.08 [HNO3+NO3]- 125 [HNO3+NO3]- 三过氧化三丙酮（TATP） 自制炸药 1.2* 6.7 2.25 [(CH3)2 CNH2]+ 2.16 [C3 H6 O2]+
2.12 [C4 H9 O2]+58 [(CH3)2 CNH2]+ 74 [C3 H6 O2]+
89 [C4 H9 O2]+六甲氧胺（HMTD） 自制炸药 1.6 7.0 2.32 [NC2 H2 O2]- 2.08 [NC2 H2 O2+H+Cl]-
1.85 [HMTD-NC3 H6 O3+H+Cl]-72 [NC2 H2 O2]- 108,110 [NC2 H2 O2+H+Cl]-
140,142 [HMTD-NC3 H6 O3+H+Cl]-山梨糖醇（Sorbitol） 干扰物 1.5 6.9 1.405 [C6 H14 O6+Cl]- 181 [C6 H14 O6-H]- 甘油（Glycerin） 干扰物 1.26 6.9 1.76 [C3 H8 O3+Cl]- 91 [C3 H8 O3-H]- 木糖醇（Xylitol） 干扰物 1.52 6.9 1.499 [C5 H12 O5+Cl]- 151 [C5 H12 O5-H]- 赤藓糖醇（Erythritol） 干扰物 1.45 6.9 1.624 [C4 H10 O4+Cl]- 121 [C4 H10 O4-H]- 果糖（Fructose） 干扰物 1.5 7.0 1.31 [C6 H12 O6+Cl]- 179 [C6 H12 O6-H]- 甘露醇（Mannitol） 干扰物 1.49 7.0 1.41 [C6 H14 O6+Cl]- 181 [C6 H14 O6-H]- 蔗糖（Saccharose） 干扰物 1.6 6.9 1.67,1.51,1.35,1.30 （多个负离子峰） 179 [C6 H12 O6-H]- 341 [C12 H22 O11-H]- 注：TATP的密度可能随不同工艺发生较大的变化，从而与干扰物的特征更加接近。 在融合系统中，ATDS基于迁移率（K0）、荷质比（m/z）等分子尺度的特征识别，可对X-CT自动探测误报警的物质实施更加准确的鉴别。针对表4中的干扰物样品，结合Browne等人的研究[41]、Pubchem数据库公开的质谱图[42]，本研究同时使用欧洲民航安检标准的高通量IMS痕量爆炸物探测仪与实验室级离子阱质谱仪进行测试验证，基于脉冲电晕放电离子源（CDI）与高温热解吸附（210℃），分别得到样品的IMS谱图（K0）、MS谱图（m/z），证实在痕量探测视角下，使用合理的算法参数，能够避免上述干扰物的误报警。
参考行业中ETD设备目前的技术发展水平，ATDS自身的误报率预期可控制在1%以内[43]。那么经过训练的安检员在综合评估X-CT扫描图像、ATDS检测信息以及基于大数据的风险评估后，有概率在线清除明显的误报警（On-screen Alarm Resolution, OSAR）。按照这样的估计，开包率能够在现有基础上有效降低（表5），从而实现更高的安检通过率。
表 5 融合系统与传统系统的开包率对比Table 5. Comparison of reject rate: fused system vs. conventional system安检系统 传统安检 技术融合 X-CT成像安检设备 痕量探测 X-CT成像 人工判图 自动探测 人工判图 自动探测 误报率 f1 f2 f0 f1 f2 开包率(Reject rate) $ {R}_{1}=f1+\left(1-f1\right)f2 $ $ {R}_{2}=\left(1-f0\right)\left(1-f1\right)f2+(f0+f1-f0\cdot f1)(1-OSAR) $ 开包率降低* $ \Delta R={R}_{1}-{R}_{2}=f1+f0\left(1-f1\right)f2-(f0+f1-f0\cdot f1)(1-OSAR) $ 注：*当$ \mathrm{f}0\ll \mathrm{f}1,\mathrm{ }\mathrm{f}0\ll \mathrm{f}2 $时，$ \Delta \mathrm{R}\approx \mathrm{f}1\cdot \mathrm{O}\mathrm{S}\mathrm{A}\mathrm{R} $。例如$ \mathrm{f}1=20\mathrm{\%},\mathrm{ }\mathrm{O}\mathrm{S}\mathrm{A}\mathrm{R}=50\mathrm{\%}\mathrm{时}，\Delta \mathrm{R}\approx 10\mathrm{\%} $。 参考Ruiz等人的研究方法[44]，本研究开发了SimLane航空安检仿真平台，建立了基于离散事件仿真（discrete event simulation）模型，同步模拟融合系统（Lane 1）和传统系统（Lane 2），粗略地预测融合系统降低开包率对提升旅检通过率的效用。
如图8模型所示，Lane1和Lane2均采用X-CT成像设备、ATRS、毫米波成像人体安检设备，具备相同的通道长度与整理位、收集位，唯一的不同是Lane1在ATRS上集成了ATDS并与X-CT融合。假定技术融合能够将开包率降低5-15%，基于表6所示的仿真模型参数，在不同的人均托盘数（Image per Passenger, IPP）条件下，通过率可得到不同程度的提高。IPP更高时，降低开包率所带来的效率增益更大，相对值如图9所示。
![]()
图 8 融合系统与传统系统离散事件仿真对比Figure 8. Comparison of fused system with conventional system in discrete event simulation表 6 SimLane模型仿真参数Table 6. Input parameters in SimLane simulation model参数 定义 仿真参数 IPP 人均托盘数
（Image per pax）1, 1.25, 1.5, 1.75, 2 Belt speed 带速 0.2 m/s Divest time 整理行李时间
（单个托盘）15 s Reject rate 开包率 5%, 10%, 15%, 20% Recheck time 复检时间 60 s Collect time 收纳行李时间
（单个托盘）10 s Ssc scan time 人体安检时间 6 s Ssc AR 人体安检报警率 25% Hand search time 手检时间 15 s Pax limit 最大旅客数量
（单个通道）20 3. 技术挑战与关键进展
尽管痕量探测技术与X-CT成像安检技术融合，在以上论述中表现了一定的优势，但在应用普及之前，仍然存在相当的技术挑战亟待克服。
3.1 痕量探测自动化的难点
开发ATDS是实现技术融合的先决条件。相比于现有技术标准中依靠人工操作的ETD，ATDS应能够自动地从行李物品表面快速探测到极微量的爆炸物颗粒（particle）或蒸气（vapour）。爆炸物的物理形态与其蒸气压有关，Ewing等人的研究总结如表7所示。其中饱和蒸气压低的军用爆炸物主要以颗粒的形式附着在行李物品表面，饱和蒸气压较高的炸药及示踪剂（taggant）主要以气体分子的形式存在，可能从行李物品的缝隙中散发出来。
表 7 典型爆炸物分子的蒸气压[45]Table 7. Vapor pressure of typical explosives物质名称 类别 蒸气压/ppb 梯恩梯（TNT） 军用炸药 9.15 黑索金（RDX） 军用炸药 0.00485 太安（PETN） 军用炸药 0.0107 硝酸铵（AN） 工业炸药 14.7 硝化甘油（NG） 工业炸药 645 三过氧化三丙酮（TATP） 自制炸药 63100 对硝基甲苯（p-MNT） 示踪剂 647 ATDS的技术难点包括提高探测灵敏度（sensitivity）、行李适应性（adaptability）、通过率（throughput）三个方面。提升灵敏度的关键举措包括但不限于提升接触采样效率、样品预浓缩以及提高后端检测器性能；同时，ATDS应能够快速检测运动中的行李，兼容不同行李物品的尺寸、形状以及材质；ATDS需匹配带速高达0.2 m/s[46]的ATRS，对于托运行李检查，带速达到0.5 m/s[47]，ATDS必须能够在狭窄的时间窗口内完成采样、检测，其采样效率必须搜集到足够的样品，确保采样质量达到后端探测器的检出限以上；此外，为确保优良的通过率，ATDS的误报率、分析时间、恢复时间、系统可用率必须充分优化，尽量减少检查时间、报警后的系统恢复时间，直到与行李物品连续高通量检查的实际运行环境相适应。
除此之外，由于应用于一级在线扫描，ATDS的系统稳定性、鲁棒性格外重要。ATDS系统还应该具备良好的技术可扩展性，以便能够通过快速集成新技术不断提高系统的探测能力，从而匹配未来智慧安检的新增需求。
3.2 全自动痕量探测技术突破
进入21世纪以来，国内外学术界和工业界针对ATDS开展过多次具有前瞻性的研究。追溯到2001年，在美国FAA的支持下，Barringer公司采用IONSCAN系统（IMS技术）和美国Sandia国家实验室的富集器，开发了第一套ATDS，初步实现了自动扫描传送带上的行李[48]；2013年，美国PNNL国家实验室的Ewing等人开发的AFT-MS系统，基于选择性大气压化学电离（selective-APCI）和质谱技术，实现了在无富集的前提下，直接检测到ppq级的黑索金蒸气[49]；2017年，在欧盟资助的“加速安检站设计集成测试与评估”项目（XP-DITE）中，英国Cascade Technologies公司、瑞典FOI研究局、英国Smiths Detection公司基于QCL技术和拉曼光谱技术，尝试了痕量探测与X射线安检机集成的概念[50]；2019年，西班牙SEADM公司的Fernández等人开发的行李快速扫描系统，基于大范围吹扫行李富集和DMA-MS技术，实现了对行李表面微克级梯恩梯、黑索金的探测[51]。
![]()
图 10 清华大学、同方威视共同研发的ATDS样机与X-CT系统融合Figure 10. ATDS prototype co-developed by Tsinghua University and NUCTECH to fuse with X-CT在本研究中，2023年，由危爆物品探测国家工程研究中心指导，清华大学、同方威视研发出基于分时复用柔性介质采样、IMS探测器阵列的ATDS，该ATDS样机实现了对移动行李的连续高通量扫描，能够充分贴合不同材料和形状的行李表面，可探测微粒、蒸气两种形态，通过率达到360次/小时，梯恩梯、黑索金等炸药的灵敏度为ng-µg级，丙酮等危化品蒸气的灵敏度为ppm级，单个托盘的分析时间不超过15 s。在实验中，ATDS与X-CT系统以图7所述的方式融合。测试者分别在行李内放入100 mL丙酮样品，在行李表面沾染黑火药样品，实验中ATDS成功在行李表面探测到了丙酮蒸气、黑火药颗粒，总系统将嫌疑行李分拣至开包台，实现了技术融合基本的概念验证[52]
从2001年发展至今，全自动痕量探测技术持续进步，在系统运行概念、采样方法、探测器、融合策略等关键的问题上取得了实质性突破，沉淀了宝贵的技术积累，拓展了行业认知，技术指标日益接近现场实用，为深度融合痕量探测与X-CT成像安检技术奠定了基础。
3.3 技术融合方式的多样性
不同安检技术的融合方式是另一个重要而深刻的问题。存在不同的融合深度，如图11所示。在I型系统中，ATDS与X-CT作为相对独立的分系统融合，安检员综合多方信息决定是否开包检查，可通过 “在线清除自动报警”（OSAR）[53]降低开包率；在II型系统中，ATDS与X-CT串联融合，前级ATDS的检测信息可指导后级X-CT进行动态参数调整，例如可针对性地改变扫描参数、爆炸物的探测窗口、阈值等，以优化自动探测的性能，从而提高总的检出率，降低平均误报率；亦存在更加深入的融合方式，如III型系统，ATDS与X-CT的探测原理不同，对不同爆炸物的检出率（PoD）、误报率（PfA）存在差异，在探测算法层面存在取长补短的可能。可根据各个违禁品对象的差异，深度融合不同维度的检测数据，开发模块化、更具有针对性的算法，例如进行特定的数值或逻辑运算，再结合卷积神经网络与深度学习等人工智能技术，进一步提高系统检测性能。
![]()
图 11 痕量探测与X-CT成像安检技术不同的融合方式Figure 11. Various forms of fusing trace detection with X-CT inspection technologies本研究认为，I型、II型、III型系统的技术融合深度逐渐增加，自动化水平依次递增，系统的复杂度也相应的不断累加。随着安检技术和应用发展，亦可能进化出新的融合方式。清晰理解不同融合方式的实际系统人机功效（ergonomics），则有待后续更加深入的定性和定量研究。
4. 总结与展望
诚然，痕量探测技术与X-CT成像安检技术的基本原理不同，已经发展出了独立的安检产品和应用方式。但是，若要突破当前单一安检技术的瓶颈，更应该回归到安检的本质，即从技术视角为风险评估提供有效信息，从而形成检查结论。痕量探测与X-CT成像技术深度融合，能够集成被测对象在“嗅觉”和“视觉”维度的信息，为风险评估提供更加丰富的依据，实现“1+1 > 2”，提高整体的安检效能、通行效率与旅客体验。
在安检技术日新月异的今天，新技术正在以空前的速度进入行业应用，汇入到智慧安检的时代潮流中。X-CT成像安检技术正在由托运行李检查（hold baggage screening, HBS）拓展至旅客手提行李检查（cabin baggage screening, CBS）[54]，在“智能旅检通道”中推进应用[55]。欧洲ECAC爆炸物自动探测的技术标准不断更新升级，由原先的EDSCB C1发展到EDSCB C2、EDSCB C3，乃至未来的EDSCB C4。2023年，欧盟新的法案中更是增加了对EDS、ETD设备探测危险化学品的要求[56]。在2024年的黎巴嫩通讯设备炸弹事件中，爆炸物质量远低于EDSCB检出限，传统安检系统效用的局限性已成为业界共识。基于人工智能的违禁物自动探测（automatic prohibited item detection systems, APIDS）[57-58]和远程集中判图（centralized image processing, CIP）正在兴起[59]，可能会逐渐减少安检员人工检查扫描图像的工作。系统自动决策（automated decision）方式、在线清除自动报警（OSAR）这些具有争议的话题，亦受到机构和机场的更多关注[60]。多技术融合、无人值守的趋势越发明显。
理性而乐观地估计，痕量探测或许将在差异化安检[61-63]的快速通道中，例如“易安检”、“TSA-pre”通道，与X-CT安检技术融合。尤其当静态CT技术不断进步，使得X-CT成像不再受制于传统滑环，机架设计将变得更加灵活，可根据成像质量要求设计阵列。痕量探测器有可能作为标准的模块嵌入该系统，作为独立可靠的“嗅觉”视角，与静态CT技术一同普及应用。在远景中，痕量探测、静态CT、人工智能等先进技术深度协同、彼此融合，共同支撑高度自动化的无感智慧安检。在可期的未来，旅客行李经过一级在线扫描便能自动完成痕量探测与X-CT成像安全检查，或成为现实。见其微可知其著，见其著亦知其微。
-
[1] SUNG H, FERLAY J, SIEGEL R, et al. Global cancer statistics 2020: Globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. Ca-A Cancer Journal for Clinicians, 2021, 71: 209-249. DOI: 10.3322/caac.21660.
[2] VEITCH A M, UEDO N, YAO K S, et al. Optimizing early upper gastrointestinal cancer detection at endoscopy[J]. Nature Reviews Gastroenterology & Hepatology, 2015, 12: 660-667.
[3] MENON S, TRUDGILL N. How commonly is upper gastrointestinal cancer missed at endoscopy? A meta-analysis[J]. Endoscopy International Open, 2014, 2(2): E46-E50. DOI: 10.1055/s-0034-1365524.
[4] LI H, FENG L Q, BIAN Y Y, et al. Comparison of endoscopic submucosal dissection with surgical gastrectomy for early gastric cancer: An updated meta-analysis[J]. World Journal of Gastrointestinal Oncology, 2019, 11: 161-171. DOI: 10.4251/wjgo.v11.i2.161.
[5] JÁCOME A A, COUTINHO A K, LIMA E M, et al. Personalized medicine in gastric cancer: Where are we and where are we going?[J]. World Journal of Gastroenterology, 2016, 22: 1160-1171. DOI: 10.3748/wjg.v22.i3.1160.
[6] AERTS H J, VELAZQUEZ E R, LEIJENAAR R T, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach[J]. Nature Communications, 2014, 5: 4006. DOI: 10.1038/ncomms5006.
[7] ASSOCIATION J G C. Japanese gastric cancer treatment guidelines 2018 (5th edition)[J]. Gastric Cancer, 2020, (S1): 1-21.
[8] BENSON A B, VENOOK A P, AL-HAWARY M M, et al. Colon cancer, Version 2. 2021, NCCN clinical practice guidelines in oncology[J]. Journal of the National Comprehensive Cancer Network, 2021, 19: 329-359.
[9] WANG Y, LIU W, YU Y, et al. CT radiomics nomogram for the preoperative prediction of lymph node metastasis in gastric cancer[J]. European Radiology, 2020, 30: 976-986. DOI: 10.1007/s00330-019-06398-z.
[10] GAO X J, MA T T, CUI J L, et al. A CT-based radiomics model for prediction of lymph node metastasis in early stage gastric cancer[J]. Academic Radiology, 2021, 28: e155-e164. 5.
[11] ZHANG A Q, ZHAO H P, LI F, et al. Computed tomography-based deep-learning prediction of lymph node metastasis risk in locally advanced gastric cancer[J]. Frontiers in Oncology, 2022, 12: 969707. DOI: 10.3389/fonc.2022.969707.
[12] CHEN W J, WANG S W, DONG D, et al. Evaluation of lymph node metastasis in advanced gastric cancer using magnetic resonance imaging-based radiomics[J]. Frontiers in Oncology, 2019, 9: 1265. DOI: 10.3389/fonc.2019.01265.
[13] BOKU N. HER2-positive gastric cancer[J]. Gastric Cancer, 2014, 17(1): 1-12. DOI: 10.1007/s10120-013-0252-z.
[14] BANG Y J, Van CUTSEM E,, FEYEREISLOVA A, et al. Trastuzumab in combination with chemotherapy versus chemotherapy alone for treatment of HER2-positive advanced gastric or gastro-oesophageal junction cancer (ToGA): A phase 3, open-label, randomised controlled trial[J]. Lancet, 2010, 376: 687-697. DOI: 10.1016/S0140-6736(10)61121-X.
[15] CHARALAMPAKIS N, ECONOMOPOULOU P, KOTSANTIS I, et al. Medical management of gastric cancer: A 2017 update[J]. Cancer Medicine, 2018, 7: 123-133. DOI: 10.1002/cam4.1274.
[16] CUREA F G, HEBBAR M, ILIE S M, et al. Current targeted therapies in HER2-positive gastric adenocarcinoma[J]. Cancer Biotherapy and Radiopharmaceuticals, 2017, 32: 351-363. DOI: 10.1089/cbr.2017.2249.
[17] LI Y X, CHENG Z X, GEVAERT O, et al. A CT-based radiomics nomogram for prediction of human epidermal growth factor receptor 2 status in patients with gastric cancer[J]. Chinese Journal of Cancer Research, 2020, 32: 62-71. DOI: 10.21147/j.issn.1000-9604.2020.01.08.
[18] GUAN X, LU N, ZHANG J P. Evaluation of epidermal growth factor receptor 2 status in gastric cancer by CT-based deep learning radiomics nomogram[J]. Frontiers in Oncology, 2022, 12: 905203. DOI: 10.3389/fonc.2022.905203.
[19] LIU Q F, LI J R, XIN B W, et al. Preoperative F-FDG PET/CT radiomics analysis for predicting HER2 expression and prognosis in gastric cancer[J]. Quantitative Imaging in Medicine and Surgery, 2023, 13: 1537-1549. DOI: 10.21037/qims-22-148.
[20] COCCOLINI F, COTTE E, GLEHEN O, et al. Intraperitoneal chemotherapy in advanced gastric cancer: Meta-analysis of randomized trials[J]. European Society of Surgical Oncology, 2014, 40: 12-26. DOI: 10.1016/j.ejso.2013.10.019.
[21] KIM S J, KIM H H, KIM Y H, et al. Peritoneal metastasis: Detection with 16- or 64-detector row CT in patients undergoing surgery for gastric cancer[J]. Radiology, 2009, 253: 407-415. DOI: 10.1148/radiol.2532082272.
[22] MIRNIAHARIKANDEHEI S, HEIDARI M, DANALA G, et al. Applying a random projection algorithm to optimize machine learning model for predicting peritoneal metastasis in gastric cancer patients using CT images[J]. Computer Methods and Programs in Biomedicine, 2021, 200: 105937. DOI: 10.1016/j.cmpb.2021.105937.
[23] DONG D, TANG L, LI Z Y, et al. Development and validation of an individualized nomogram to identify occult peritoneal metastasis in patients with advanced gastric cancer[J]. Annals of Oncology, 2019, 30: 431-438. DOI: 10.1093/annonc/mdz001.
[24] CHEN Y, XI W Q, YAO W W, et al. Dual-energy computed tomography-based radiomics to predict peritoneal metastasis in gastric cancer[J]. Frontiers in Oncology, 2021, 11: 659981. DOI: 10.3389/fonc.2021.659981.
[25] HUANG Z X, LIU D, CHEN X Z, et al. Deep convolutional neural network based on computed tomography images for the preoperative diagnosis of occult peritoneal metastasis in advanced gastric cancer[J]. Frontiers in Oncology, 2020, 10: 601869. DOI: 10.3389/fonc.2020.601869.
[26] JIANG Y M, LIANG X K, WANG W, et al. Noninvasive prediction of occult peritoneal metastasis in gastric cancer using deep learning[J]. Jama Network Open, 2021, 4: e2032269. DOI: 10.1001/jamanetworkopen.2020.32269.
[27] LIU D, ZHANG W H, HU F B, et al. A Bounding box-based radiomics model for detecting occult peritoneal metastasis in advanced gastric cancer: A multicenter study[J]. Frontiers in Oncology, 2021, 11: 777760. DOI: 10.3389/fonc.2021.777760.
[28] LI W C, ZHANG L W, TIAN C, et al. Prognostic value of computed tomography radiomics features in patients with gastric cancer following curative resection[J]. European Radiology, 2019, 29: 3079-3089. DOI: 10.1007/s00330-018-5861-9.
[29] JIN Y, XU Y L, LI Y Y, et al. Integrative radiogenomics approach for risk assessment of postoperative and adjuvant chemotherapy benefits for gastric cancer patients[J]. Frontiers in Oncology, 2021, 11: 755271. DOI: 10.3389/fonc.2021.755271.
[30] SHIN J, LIM J S, HUH Y M, et al. A radiomics-based model for predicting prognosis of locally advanced gastric cancer in the preoperative setting[J]. Scientific Reports, 2021, 11: 1879. DOI: 10.1038/s41598-021-81408-z.
[31] JIANG Y M, JIN C, YU H, et al. Development and validation of a deep learning CT signature to predict survival and chemotherapy benefit in gastric cancer: A multicenter, retrospective study[J]. Annals of Surgery, 2021, 274: e1153-e1161. DOI: 10.1097/SLA.0000000000003778.
[32] ZHANG L W, DONG D, ZHONG L Z, et al. Multi-focus network to decode imaging phenotype for overall survival prediction of gastric cancer patients[J]. IEEE Journal of Biomedical and Health Informatics, 2021, 25: 3933-3942. DOI: 10.1109/JBHI.2021.3087634.
[33] CHEN W J, GAO C, HU C, et al. Risk stratification and overall survival prediction in advanced gastric cancer patients based on whole-volume MRI radiomics[J]. Journal of Magnetic Resonance Imaging, 2023, 58: 1161-1174. DOI: 10.1002/jmri.28621.
[34] ZHANG C D, NING F L, ZENG X T, et al. Lymphovascular invasion as a predictor for lymph node metastasis and a prognostic factor in gastric cancer patients under 70 years of age: A retrospective analysis[J]. International Journal of Surgery, 2018, 53: 214-220. DOI: 10.1016/j.ijsu.2018.03.073.
[35] YARDIMCI A H, KOÇAK B, TURAN BEKTAŞ C, et al. Tubular gastric adenocarcinoma: Machine learning-based CT texture analysis for predicting lymphovascular and perineural invasion[J]. Diagnostic and Interventional Radiology, 2020, 26: 515-522. DOI: 10.5152/dir.2020.19507.
[36] CHEN X F, YANG Z Q, YANG J D, et al. Radiomics analysis of contrast-enhanced CT predicts lymphovascular invasion and disease outcome in gastric cancer: A preliminary study[J]. Cancer Imaging, 2020, 20: 24. DOI: 10.1186/s40644-020-00302-5.
[37] JIA H, LI R Z, LIU Y W, et al. Preoperative prediction of perineural invasion and prognosis in gastric cancer based on machine learning through a radiomics-clinicopathological nomogram[J]. Cancers (Basel), 2024, 16: undefined.
[38] HE Y Y, YANG M, HOU R, et al. Preoperative prediction of perineural invasion and lymphovascular invasion with CT radiomics in gastric cancer[J]. European Journal of Radiology, 2024, 12: 100550.
[39] BOSSUYT P K M, REITSMA J B, BRUNS D E, et al. STARD 2015: An updated list of essential items for reporting diagnostic accuracy studies[J]. British Medical Journal, 2015, 351: h5527.
[40] ZHANG Y M, WENG Y, LUND J. Applications of explainable artificial intelligence in diagnosis and s-urgery[J]. Diagnostics (Basel), 2022, 12: 237. DOI: 10.3390/diagnostics12020237.
[41] PANTELIS L, VASILIS P, SOTIRIS K. Explainable AI: A review of machine learning interpretability methods[J]. Entropy (Basel, Switzerland), 2020, 23(1): 18. DOI: 10.3390/e23010018.
下载:
计量
- 文章访问数: 174
- HTML全文浏览量: 33
- PDF下载量: 31
