Investigative Radiology：深度学习在多发性骨髓瘤患者骨髓ADC自动测量中的应用

多发性骨髓瘤（MM）是一种复杂的血液肿瘤疾病，在骨髓环境中具有异质的空间分布和各种基因组改变，导致患者的预后变化很大。因此，区分亚型的诊断评估和经常评估疾病状况以适应治疗最为重要。弥散加权成像（DWI）作为全身磁共振成像（wb-MRI）的一部分，在MM患者的成像中具有重要的临床价值，并且越来越多地被推荐用于初始检查和后续成像。弥散加权成像可以评估半定量的表观弥散系数（ADC），该系数已被证明与组织学相关，在不同阶段的单克隆浆细胞疾病之间有显著差异，在不同级别的治疗反应之间有显著差异，并且对无进展生存和总生存具有重要预测价值。骨髓的质地是异质性较高，当放射科医生手动测量ADC时，有大量的骨髓可以放置感兴趣区域（ROI）。 因此有报道称，在骨髓中使用基于ROI的ADC测量的测试重复性和测量者之间的重复性相对较低，这表明人工ROI测量不一定能代表相应的骨髓空间，这限制了人工测量的价值。

近年来，越来越多的用于图像分析的机器学习算法被开发出来，这些算法旨在提供自动、深入和客观的图像评估，从而克服放射学领域的一些如主观性、测量者之间的差异和非代表性手工测量等已知困难。关于MM，最近有人建议使用基于人工智能的骨髓分割和随后的分析工具从全身MRI中获得全面、客观的骨髓特征，而第一项研究已经证明了这种分析在多中心数据中的可行性，并建立了T1加权全身图像的分割算法。这种方法学方法如果应用于ADC图可以自动分割骨髓并计算整个骨髓空间的ADC指标。

近日，发表在Investigative Radiology杂志的一项研究在全身ADC图上建立了盆腔骨髓空间的自动骨髓分割算法，并探讨了自动提取的ADC测量值与基于ROI的手工ADC测量值之间的一致性以及自动提取的ADC测量值与组织学、细胞遗传学或血清学结果之间的相关性。

本项回顾性研究对54名患者的180个MRI进行了（半）手工注释用于一个nnU-Net的训练，对右髋骨、左髋骨和骶骨进行自动、单独分割。使用骰子得分对来自3个中心的15个手动分割的全身MRI进行了自动分割质量的评估。在来自3个中心的3个独立测试组中，共包括312个全身MRI，评估了来自nnU-Net分割的自动提取的平均ADC值和来自2个独立放射科医生的手动ADC测量之间的一致性。构建了Bland-Altman图，并计算了绝对偏差、对平均值的相对偏差、协议极限和变异系数。对56名新诊断的MM患者进行了骨髓活检，用Spearman相关法将ADC测量值与活检结果相关联。 

研究发现，ADC-nnU-Net实现了自动分割，右骨盆、左骨盆和骶骨的平均骰子分数为0.92、0.93和0.85，而测量者间实验给出的平均骰子分数分别为0.86、0.86和0.77。放射科医生的手工ADC测量和自动ADC测量之间的一致性如下：第一个读者和自动方法之间的用于右骨盆、左骨盆和骶骨的偏差为49×10^-6 mm²/s、7×10^-6 mm²/s和-58×10^-6 mm²/s，第二个读者和自动方法之间的偏差为12×10^-6 mm²/s、2×10^-6 mm²/s和-66×10^-6 mm²/s。读者1和读者2之间的偏差为40×10^-6 mm²/s、8×10^-6 mm²/s和7×10^-6 mm²/s，而手动读者之间的平均绝对差异为84×10^-6 mm²/s、65×10^-6 mm²/s和75×10^-6 mm²/s。自动提取的ADC值与骨髓浆细胞浸润明显相关（R = 0.36，P = 0.007）。 

 图 自动提取的表观扩散系数测量值与放射科医生手工测量值之间的一致性

本项研究提出了一种基于深度学习的ADC图的分割算法，在多中心数据集中提供了高质量的髋骨和骶骨的分割。这使得每块骨头的ADC统计数据的自动计算成为可能，与放射科医生的手动ADC测量结果十分一致。这种方法可以为临床试验或大规模临床实践的评估提供自动、客观的ADC测量，并克服了放射科医生的常见局限性。自动提取的ADC测量值与骨髓PCI相关，因此可以了解通常只能通过侵入性骨髓活检获得的组织特征。

原文出处：

Markus Wennmann,Peter Neher,Nikolas Stanczyk,et al.Deep Learning for Automatic Bone Marrow Apparent Diffusion Coefficient Measurements From Whole-Body Magnetic Resonance Imaging in Patients With Multiple Myeloma: A Retrospective Multicenter Study.DOI:10.1097/RLI.0000000000000932