癌栓的研究方法

传统的癌栓研究方法主要是通过影像学技术并结合液体活检观察癌栓的特征、性质等，必要时可联合穿刺活检。例如，B超具有无创、直观的特点，比较适合MVA的筛查，同时可以显示癌栓的位置、大小、范围和边界等。CT具有高分辨率和高定位性，MVA的特征为静脉壁扩张、边缘强化、管腔内显示相对低密度影。磁共振成像（magnetic resonance imaging，MRI）相较于CT具有无辐射、无对比剂、可进行多平面和多参数成像等优势。MRI检查可明确癌栓的大小、侵犯程度、静脉壁有无侵犯以及鉴别栓子性质等。正电子发射计算机体层显像仪（positron emisson tomography and computed tomography，PET/CT）可准确定位全身代谢最旺盛的肿瘤组织，以此可鉴别脉管栓子的良恶性，也可结合血液指标。以肝癌为例，可包含甲胎蛋白（alpha-fetoprotein，AFP）、AFP异质体、凝血酶活动指数（plasminogen activator inhibitor，PAI）和血栓前体蛋白在内的多项预测指标，用于判别肝癌大血管侵犯的发生。由于很难在患者术前获得MVI的明确诊断，即便是术后病理，由于病理取材方式的随机性以及取材人员的经验等影响，也很难全面评估肿瘤周边正常肝组织内部MVI的分布。因此，通过肿瘤的临床特征或患者的血液检测结果预测MVI成为可行的替代解决方案之一。

此外，大病理可能是今后研究MVI的方向和趋势。传统病理因受取材位置、大小、方向等因素限制，使得检出的病理信息无法定位且存在漏检可能。与传统病理相比较，大病理可最大限度地保持病理的完整性，获得更加完整的病理信息。大病理对肿瘤微小病灶和（或）微转移的检出率高，可观察到其发生规律和特点等，还可以观察到肿瘤周边炎症等情况以及治疗干预后的组织变化情况，也可以与肿瘤微环境等研究相结合更加全面地展现微环境与肿瘤间的关系。借助全切片扫描（whole slide imaging，WSI）技术，将数字化的病理资料与数字化的影像资料相结合，最终获得精确的病理学特征在影像学中的特定变化规律。(https://www.daowen.com)

近年来，基于机器学习（machine learning，ML）的医学影像学数据分析为癌栓的研究和早期诊断提供了新的思路。ML是人工智能和统计学衍生出的一个分支，深度学习则是ML的分支。ML算法系统可通过输入的影像学资料来实现影像的正确归类。一旦ML系统成功学习到如何对影像进行分类，并在此基础上构建模型，人工智能系统将会根据模型自动识别新的影像从而帮助识别肿瘤或癌栓类型。目前，ML已被用于多种肿瘤的影像学诊断过程，有研究实现了利用ML以CT、MRI及B超等影像学数据为基础，对实体瘤的良恶性病变进行诊断和鉴别诊断。人工智能的进一步发展可为实体瘤血管侵犯的研究和构建预测标准提供新的思路和方法。