基于深度学习CT图像的成骨性骨转移和骨岛的鉴别诊断

现阶段，计算机断层扫描（CT）已广泛用于恶性肿瘤的检测、评估和分期，而硬化性骨病变经常在CT图像上被偶然发现。临床上，将硬化性骨病变与成骨细胞骨转移或骨岛区分开来，对确定下一步诊断步骤和准备治疗策略至关重要。对于有非肿瘤病史的患者来说，诊断骨岛不需要治疗，而诊断成骨细胞骨转移需要找到原发病灶来确定治疗方案。对于肿瘤患者来说，区分骨岛和成骨细胞骨转移可以改变肿瘤的分期和改变治疗方案。

为了区分骨岛和成骨细胞骨转移，许多方法改善了硬化性骨病的诊断，如正电子发射断层扫描（PET）/CT、双能量CT、识别磁共振（MR）图像中的胡椒盐噪声表现、CT衰减测量和放射组学。然而，PET/CT、双能量CT和MR检查在许多偏远地区无法进行，即使可以进行，也会增加患者的经济负担。此外，放射组学方法和CT衰减测量依赖于感兴趣区域（ROI）的精确划定，这在很大程度上受到人为因素的影响。

相比之下，先进的深度学习（DL）模型通过使用强大的特征学习能力克服了这些问题，并显示出在各种医疗领域的潜力。此外，与放射学方法不同，基于DL的分类模型不需要精确划定肿瘤边界，可以自动学习对图像数据中的特征进行分类，并对病情进行相应诊断。此外，外部验证不需要对病变进行精确划定，增加了在各种医疗机构使用该模型的可能性。

近日，发表在European Radiology杂志的一项研究构建了一个只需要手动选择CT图像中的病变区域、不需要精确的病变边界分割或人为定义特征的DL模型来急性骨岛和成骨性骨转移的鉴别诊断，为临床进行准切、快速的疾病预测及风险评估提供了技术支持。

三家医院的硬化性骨病变（SBLs）患者被回顾性地纳入研究。来自站点1的图像被随机分配到训练（70%）和内在验证（10%）数据集，用于开发二维（2D）DL模型（单片输入）、 "2.5维"（2.5D）DL模型（三片输入）以及内部验证数据集（20%），并用于评估两个模型的性能。使用来自站点1的内部验证集和来自站点2和站点3的额外外部验证数据集评估诊断性能，并对2D和2.5D DL模型的性能进行统计分析。 

总的来说，站点1中728名患者的1918个SBLs，站点2中71名患者的122个SBLs，以及站点3中47名患者的71个SBLs被用来开发和测试2D和2.5D DL模型。使用2.5D DL模型获得最佳性能，其AUC为0.996（95%置信区间[CI]，0.995-0.996）、0.958（95%CI，0.958-0.960）和0.952（95%CI，0.951-0.953），内部验证集、网站2和网站3的外部验证集的准确性分别为0.950、0.902和0.863。 

图 2.5D DL模型评估内部验证集、站点2的外部验证集和站点3的外部验证集中正确和错误的CT图像示例

本项研究表明，基于CT图像输入的DL模型（2.5D DL模型）可以提高对成骨性骨转移的预测，从而促进临床决策及风险评估。

原文出处：

Yuchao Xiong,Wei Guo,Zhiping Liang,et al.Deep learning-based diagnosis of osteoblastic bone metastases and bone islands in computed tomograph images: a multicenter diagnostic study.DOI:10.1007/s00330-023-09573-5