根據發表在《放射學：人工智能》上的一項研究，華盛頓大學醫學院的一組研究人員開發了一種深度學習模型，該模型能夠使用單個 3D MRI 掃描將腦腫瘤歸類為六種常見類型之一 。

“這是第一項針對最常見顱內腫瘤并從 3D MRI 體積直接確定腫瘤類別或不存在腫瘤的研究，”Aristeidis Sotiras 博士指導下的博士生 Satrajit Chakrabarty 說。 D. 和 Daniel Marcus 博士，在密蘇里州圣路易斯華盛頓大學醫學院 Mallinckrodt 放射學研究所的計算成像實驗室。

六種最常見的顱內腫瘤類型是高級別膠質瘤、低級別膠質瘤、腦轉移瘤、腦膜瘤、垂體腺瘤和聽神經瘤。每個都通過組織病理學記錄，這需要通過手術從疑似癌癥的部位取出組織并在顯微鏡下檢查。

根據 Chakrabarty 的說法，使用 MRI 數據的機器和深度學習方法可能會自動檢測和分類腦腫瘤。

“無創 MRI 可用作補充，或在某些情況下，作為組織病理學檢查的替代方法，”他說。

(A) 高級別膠質瘤 (HGG)、低級別膠質瘤 (LGG)、腦轉移瘤 (METS)、聽神經瘤 (AN)、垂體腺瘤 (PA) 的對比后 T1 加權掃描樣本(軸向截面，RAS 方向) 、腦膜瘤 (MEN)、研究中包含的健康 (HLTH) 類別(白色箭頭)、(B) 數據的類別分布，以及 (C) 用于交叉驗證、內部和外部測試的圖像和數據拆分流. BraTS = 腦腫瘤圖像分割，TCGA = 癌癥基因組圖譜，WUSM = 華盛頓大學醫學院。圖片來源：北美放射學會

為了構建他們的機器學習模型，稱為卷積神經網絡，Chakrabarty 和 Mallinckrodt 放射研究所的研究人員從四個公開可用的來源開發了一個大型的、多機構的顱內 3D MRI 掃描數據集。除了該機構自己的內部數據外，該團隊還從腦腫瘤圖像分割、癌癥基因組圖譜多形性膠質母細胞瘤和癌癥基因組圖譜低級膠質瘤中獲得了術前、對比后 T1 加權 MRI 掃描。

研究人員將總共 2,105 次掃描分為三個數據子集：1,396 次用于訓練，361 次用于內部測試，348 次用于外部測試。第一組 MRI 掃描用于訓練卷積神經網絡以區分健康掃描和有腫瘤的掃描，并按類型對腫瘤進行分類。研究人員使用來自內部和外部 MRI 掃描的數據評估了模型的性能。

使用內部測試數據，該模型在七個成像類別(一個健康類別和六個腫瘤類別)中實現了93.35%(361 個中的 337 個)的準確率。敏感性范圍為 91% 至 100%，陽性預測值(或篩查試驗陽性的患者確實患有該疾病的概率)范圍為 85% 至 100%。所有類別的陰性預測值(或篩查試驗陰性的患者確實沒有患病的概率)范圍為 98% 到 100%。網絡注意力與所有腫瘤類型的腫瘤區域重疊。

對于僅包含兩種腫瘤類型(高級別神經膠質瘤和低級別神經膠質瘤)的外部測試數據集，該模型的準確率為 91.95%。

“這些結果表明，深度學習是一種很有前景的腦腫瘤自動分類和評估方法，”Chakrabarty 說。“該模型在異構數據集上實現了高精度，并在看不見的測試數據上顯示了出色的泛化能力。”

Chakrabarty 表示，3D 深度學習模型通過改進現有的 2D 方法更接近于端到端、自動化工作流程的目標，現有 2D 方法需要放射科醫生在機器處理之前手動描繪或表征 MRI 掃描中的腫瘤區域。卷積神經網絡消除了分類前腫瘤分割的繁瑣和勞動密集型步驟。

該模型的共同開發者 Sotiras 博士說，它可以擴展到其他腦腫瘤類型或神經系統疾病，有可能提供一條途徑來增強大部分神經放射學工作流程。

“該網絡是開發人工智能增強放射學工作流程的第一步，該工作流程可以通過提供定量信息和統計數據來支持圖像解釋，”Chakrabarty 補充道。

參考資料：“使用 3D 卷積神經網絡對主要顱內腫瘤類型進行基于 MRI 的識別和分類：回顧性多機構分析”，2021 年 8 月 11 日，放射學：人工智能。

與 Satrajit Chakrabarty 和 Drs 合作。Sotiras 和 Marcus 分別是 Mikhail Milchenko 博士、Pamela LaMontagne 博士和 Michael Hileman 博士