Radiology：人工智能，实现脑转移瘤的“一站式”检测

脑转移发生在约20%-40%的癌症患者中，且由于治疗手段的不断进步，癌症患者的存活期明显延长，因此发病率可能进一步上升。由于全脑放射治疗可导致患者认知能力下降，因此对于脑转移少于4个的患者不推荐使用放射治疗，立体定向放射外科(SRS)是此类患者的首选治疗方法。SRS能有效地治疗转移瘤，并将对正常脑组织的损害降至最低。对脑转移瘤的准确检测和精确分割对于SRS治疗方案的制定至关重要。目前，脑转移瘤的个数和位置是由神经放射科医师手动识别，这是一项耗时且具有潜在挑战性的工作。

深度学习(DL)在医学成像领域的兴趣和应用都出现了爆炸式的发展。最近，DL single-shot detector (SSD)算法被开发用于目标病变的检测。据报道，DL SSD已被用于在CT或扩散MRI中的肺及乳腺病变的检测和恶性肿瘤的分类。然而据我们所知，尚未有关DL SSD检测脑转移的相关援救及报道。

近日，发表在Radiology杂志的一项研究探讨了基于MRI检测脑转移的深度学习(DL)方法，为SRS的治疗方案的制定提供了有价值的参考依据及技术支持。

本项回顾性研究纳入了2011年1月至2018年8月期间接受伽玛刀SRS治疗的患者，每位患者均接受了增强3D T1加权梯度回波MRI扫描。脑转移瘤由神经放射科专家和肿瘤科放疗专家人工识别和勾画轮廓。构建并训练DL SSD算法模型，将轴位MRI图像映射到一组包围转移和相关检测可信度的边界框预测。在50%置信阈值下，比较了不同DL SSDs对每个病灶转移的检测敏感性和阳性预测值(PPV)的性能。对于性能最佳的模型，采用受试者工作特性分析检测性能。

266例患者(平均年龄60岁±14岁[标准差];148名女性)被随机分为80%训练组和20%试验组(分别为212名和54名患者)。对于试验组，最高表现(基线)SSD的敏感性为81%(95%置信区间[CI]: 80%，82%;190/234)，PPV为36% (95% CI: 35%，37%;190/530)。对于直径大于等于6毫米的转移瘤，敏感性为98% (95% CI: 97%，99%;130 / 132)， PPV为36% (95% CI: 35%，37%;130/366)。其他模型(ResNet50 SSD, focal loss SSD，和RetinaNet SSD)的敏感性较低，只有73% (95% CI: 72%，74%;171/234)、77% (95% CI: 76%，78%;180/234)和79% (95% CI: 77%，81%;184/234)，PPVs 也较低，仅有29% (95% CI: 28%， 30%;171/581)、26%(95%CI::26%，26%;180/681)和13%(95%CI:12%，14%;184/1412)。

图1 MRI扫描显示了四名具有代表性测试患者在50％置信度阈值下从基线SSD得出的真阳性结果的示例。转移灶的大小分别为A，4、6、9和28 mm（患者1）； B，3、5和6毫米（患者2）; C，10、20毫米（患者3）; D，7毫米（患者4）。

图2 （A、B） MRI的假阳性结果断的示例(箭头)。假阳性结果通常是：（A）血管(患者5)或（B）脑组织强化的变异(患者6)。（C, D）MRI假阴性结果的示例(箭头)。漏诊的转移灶为：（C） 3mm(患者7)、（D）4mm(患者8)。漏诊的转移灶通常位于大脑的灰-白质或脑-颅交界面。

本研究表明，基于增强T1加权MRI的DL SSD模型可检测到几乎所有6毫米或更大的脑转移瘤，且假阳性率较低，是一个协助临床医生进行脑转移瘤自动检测的有效手段，并为进一步开发基于检测的脑转移瘤自动分割方法开辟了道路。

原文出处：

Zijian Zhou,Jeremiah W Sanders,Jason M Johnson,et al.Computer-aided Detection of Brain Metastases in T1-weighted MRI for Stereotactic Radiosurgery Using Deep Learning Single-Shot Detectors.DOI:10.1148/radiol.2020191479