Radiology：无需对比剂也可预测MS病变的活动性？快来看看我们怎么做到的吧！

 多发性硬化症（MS）是年轻人中最常见的非创伤性脱髓鞘性神经系统疾病，在全世界范围内受累人群达250万人以上。MRI通是MS最常用的诊断和治疗监测手段。MS的标志是在T2加权、质子密度加权和FLAIR MRI序列上变现为高信号的病变。然而，并非在这些图像上看到的所有病变都为活动性病变活。活动性病变的准确识别对于有效的治疗至关重要。通常认为，在应用钆剂（GBCA）后，活动性病变在T1加权MRI图像中可见增强。但是，GBCA的使用会产生包括肾功能不全患者的肾源性全身纤维化和各种组织中长期钆沉积等不良并发症。

深度学习（DL）是机器学习的一个子领域，它使用多个非线性处理层来对数据进行分层表示。区别DL和传统机器学习方法的独特功能是DL可以从输入数据中自动学习图像特征，而无需人工识别。现阶段，DL已被用于在减少GBCA剂量的情况下检测MS的增强病变。因此，DL有潜力在不使用GBCA的情况下识别MS的增强病变。

近日，发表在Radiology杂志的一项研究探讨了在不使用GBCA的情况下，DL预测MS增强病变的潜力，为临床进一步优化MS患者的检查及随访流程提供了技术支持。

本项研究涉为现有MRI数据的前瞻性分析。卷积神经网络用于在未增强的MRI扫描上对增强病变进行分类。对每个层面执行此分类，并使用完全连接的网络将切片分数进行组合以生成参与者式的预测。网络输入包括2005年至2009年招募的1008例患者的1970次多参数MRI扫描。增强T1加权图像上的增强病灶作为参考。通过使用五重交叉验证来评估网络性能。网络性能的统计分析包括病变检测率和接收器工作特性曲线（AUC）下面积的计算。

本研究对1008名受试者(平均年龄37.7岁±9.7岁;730名女性)进行了分析。519名参与者中至少观察到一处增强病灶。在五个测试集中，层面级预测的敏感性和特异性平均分别为78%±4.3和73%±2.7。相应的参与者值分别为72%±9.0和70%±6.3。层面级和参与者级增强预测的AUC分别为0.82±0.02和0.75±0.03。

图1 输入到网络的图像示例(T2、FLAIR和T1平扫图像)。增强T1加权图像(T1post)显示真阳性(白色箭头)和假阴性(黑色箭头)增强区域。FN =假阴性增强分类，FP =假阳性增强分类，TP =真阳性增强分类。

本研究通过对大量多发性硬化(MS)患者的MRI数据进行训练和测试，证实了使用深度学习(DL)在未使用钆剂(GBCAs)获得的MRI图像上预测增强病变的可行性，同时增强病变的分类准确率为70%。

原文出处：

Ponnada A Narayana,Ivan Coronado,Sheeba J Sujit,et al.Deep Learning for Predicting Enhancing Lesions in Multiple Sclerosis from Noncontrast MRI.DOI:10.1148/radiol.2019191061