北京国家神经病学临床医学中心的高培毅教授等通过开发深度学习系统对18种基于MRI-T1、T2加权和T1加权增强序列成像的分类的颅内肿瘤进行验证，目的是提高影像科医师对颅内肿瘤的诊断准确率。结果发表于2022年8月的 《JAMA Network Open》在线。
——摘自文章章节
长按识别二维码查看原文
【Ref: Gao P, et al. JAMA Netw Open. 2022 Aug 1;5(8):e2225608. doi: 10.1001/jamanetworkopen.2022.25608.】
颅内肿瘤的病理类型多样复杂，而肿瘤的分类对治疗和患者预后都有很大影响。手术、放疗和药物治疗方案的制定依赖于早期诊断和肿瘤的准确分类。MRI成像是诊断颅内肿瘤的非侵入性常规方法，但多种颅内肿瘤在影像学上有相似的表现，仅凭借影像科医生经验识别信息，要准确分辨肿瘤类别仍有一定的难度。北京国家神经病学临床医学中心的高培毅教授等通过开发深度学习系统（DLS）对18种基于MRI-T1、T2加权和T1加权增强序列成像的分类的颅内肿瘤进行验证，目的是提高影像科医师对颅内肿瘤的诊断准确率。结果发表于2022年8月的 《JAMA Network Open》在线。
该研究回顾性分析2000年至2019年在天坛医院诊治的脑肿瘤患者MRI数据。每例患者均为单一类别的颅内肿瘤，并且经过病理诊断证实。采集所有患者的多个各向异性MRI序列成像，包括MRI-T1加权成像、T2加权成像和T1加权增强成像（T1C）。为确保DLS系统对肿瘤诊断与分类的准确性，从天坛医院、山西省医院、吉林大学附属医院和301医院收集MRI数据作为内部或外部测试数据，完成DLS验证系统的测试。研究者开发两个阶段的DLS，第1阶段设计为肿瘤二维分割网络，第2阶段设计为分类网络。第1阶段的分割网络使用肿瘤分割掩码收集的数据进行训练，而分类网络使用75%的训练数据进行训练；其余25%的数据保留作为内部验证，在训练过程中用于模型优化和参数选择。同时，为评估影像科医生肿瘤分类准确性，要求9名具有5-20年经验的影像科医生首先在无DLS辅助的情况下对肿瘤进行分类与诊断；然后在DLS辅助下进行脑肿瘤的分类与诊断，将前后结果进行对比。
研究结果表明，北京天坛医院的300例患者测试数据显示，DLS分类准确率73.0%（95%CI，67.7%-77.7%），而影像科医生的准确率为60.9%（95%CI，46.8%-75.1%）。DLS的敏感性和特异性分别为88.9%（95%CI，85.3%-92.4%）和96.3%（95%CI，94.2%-98.4%）；而影像科医生的两项指标则分别为53.4%（95%CI，41.8%-64.9%）和97.9%（95%CI，97.3%-98.5）。DLS的分类敏感高，特异性与影像科医生相近。三个外院测试数据显示，DLS的平均准确率、敏感性和特异性分别为73.6%（95%CI，70.5%-76.4%）至81.2%（95%CI，70.4%-88.6%）， 72.7%（95%CI，62.1%-83.4%）至87.6%（95%CI，81.0%-94.2%）和84.9%（95%CI，76.3%-93.5%）至96.8%（95%CI，93.0%-100.0%)。对于单一分类的肿瘤，DLS的平均诊断准确率为85.1%（95%CI，83.1%-87.0%），敏感性为84.2%（95%CI，72.3%-93.2%），特异性为 99.1%（95%CI，90.4%-100.0%）。
比较DLS与影像科医生的诊断准确率发现，无DLS辅助的情况下，影像科医生的平均准确率为63.5%（95%CI，60.7%-66.2%），敏感性为63.8%（95%CI，61.1%-65.8%），特异性为95.3%（95%CI，94.2%-96.1%）。当影像科医生获得DLS分类结果后，对自己的诊断进行必要的修正时，准确率提高到75.5%（95%CI，73.0%-77.9%），敏感性提高到81.4%（95%CI，78.3%-83.2%），特异性为97.1%（95%CI，96.4%-97.4%）。较之DLS辅助前，影像科医生的诊断准确率提高18.9%。
综上所述，该研究开发的基于深度学习模型的诊断分类算法平台有良好的诊断准确率、敏感性和特异性，能协助影像科医生提高诊断的准确率；对于脑肿瘤的临床诊断和后续治疗具有潜在的价值。
声明：脑医汇旗下神外资讯、神介资讯、脑医咨询、AiBrain所发表内容之知识产权为脑医汇及主办方、原作者等相关权利人所有。未经许可，禁止进行转载、摘编、复制、裁切、录制等。经许可授权使用，亦须注明来源。欢迎转发、分享。
投稿/会议发布，请联系400-888-2526转3。
