Radiology：深度学习，实现MR中轴性脊椎关节炎的准确评估！

MRI是早期诊断中轴性脊柱关节炎（axSpA）的重要工具，可通过描述早期炎症变化可以缩短诊断时间。骶髂关节的软骨下骨髓水肿是脊柱关节炎的一个特征性影像学特征，也是满足国际脊柱关节炎评估协会（ASAS）对MRI阳性发现标准的一个必要表现，是axSpA分类标准的一部分。其他活动性的炎症变化（例如，肌腱炎、关节囊炎、关节间隙增强、侵蚀部位的炎症和关节腔积液）也可能存在。结构性损害表现为关节侵蚀、软骨下硬化、强直、侵蚀腔内的脂肪化生或骨内脂肪性病变。然而，这些体征中的许多并不是axSpA的特异性本项。

因此，要正确评价MRI扫描，需要对研究结果进行上下文解释，这对放射科医生或不擅长axSpA的临床医生来说要求很高。因此，临床上十分需要能够帮助解释疑似axSpA患者骶髂关节的MRI扫描的支持性工具。在这种情况下，深度学习有可能为放射科医生和临床医生提供支持性工具。

近日，发表在Radiology杂志的一项研究开发了一个深度神经网络来检测骶髂关节的炎症和结构变化，以克服上述的挑战、实现在MRI上准确检测axSpA的可能。

本项回顾性多中心研究纳入了2006年1月至2020年9月期间在大学和社区医院收集的五个临床怀疑为axSpA患者队列的MRI检查。四个队列的数据被用作训练集，一个队列的数据被用作外部测试集。训练集和测试集中的每个MRI检查分别由六名和七名评分员对炎症变化（骨髓水肿、肌腱炎）和结构变化（侵蚀、硬化）进行评分。本研究开发了一个深度学习工具来检测指示axSpA的变化。首先，训练了一个神经网络来均匀化图像，然后是一个分类网络。使用AUC、敏感性和特异性来评估性能。 P<0.05被认为是有统计学意义的差异。

研究共纳入593名患者（平均年龄，37岁±11[SD]；302名女性）。在训练集中，477名患者中的197名（41%）和477名患者中的244名（51%）发现了炎症和结构变化，在测试集中，116名患者中的25名（22%）和116名患者中的26名（22%）发现了炎症。所有炎症变化的AUC为0.94（95%CI：0.84，0.97），符合国际脊柱关节炎评估协会定义的炎症变化为0.88（95%CI：0.80，0.95），而表明axSpA的结构变化为0.89（95%CI：0.81，0.96）。对于炎症变化，外部测试集的敏感性和特异性分别为25名患者中的22名（88%）和91名患者中的65名（71%）；对于结构性变化，26名患者中的22名（85%）和90名患者中的70名（78%）。

 图 降噪U-Net的结果。有脂肪抑制序列和T1加权图像的示例说明了U-Net的降噪效果

本项研究开发了用于检测中轴性脊柱关节炎（axSpA）相关的MRI异常的深度学习工具，可以协助临床医生更早地发现炎症并正确地对axSpA患者进行适当的治疗，同时可以作为临床试验的分类工具。

原文出处：

Keno K Bressem,Lisa C Adams,Fabian Proft,et al.Deep Learning Detects Changes Indicative of Axial Spondyloarthritis at MRI of Sacroiliac Joints.DOI:10.1148/radiol.212526