European Radiology：利用人工智能进行多参数MRI的深度学习转诊建议和肿瘤识别

众所周知，对神经放射科急诊病例进行准确的分流和临床转诊至关重要，对病变的误诊会延误适当治疗的开始时间。这对于发生于颅脑的大的轴内肿块样病变（IMLLs）尤其重要，因为肿块和肿块样病变在磁共振成像（MRI）上往往难以区分。临床上对肿瘤或肿块应积极治疗，而肿块样病变（如肿瘤性多发性硬化斑块、脓肿、正在消退的血肿）应该更有针对性地进行治疗以避免不必要的手术及治疗。

在非创伤性神经系统急诊中，多参数MRI有助于正确区分有脑部病变的病例中的肿瘤和非肿瘤情况，提供了关于病变的病理生理特征以及肿瘤周围组织的微观结构的信息。然而，对多参数MRI提供的大量信息的解释是非常复杂的，常常为主观性的，并在不同的读者中也不一致。在这方面，基于深度学习（DL）网络的临床决策支持系统有助于快速识别多参数MRI的细微特征，并利用这些信息提供有用的临床转诊建议。

深度学习网络可以利用成像数据中的高层次潜在特征来提高对各种疾病的诊断性能。然而，大多数DL系统已被用于图像重建、病变检测、或病变分割，在多参数MRI上遇到的众多脑部疾病的诊断中尚未得到充分利用。

近日，发表在European Radiology杂志上的一篇研究将可解释的深度学习（DL）系统应用于多参数MRI以获得IMLLs的临床转诊建议，并在非创伤性急诊神经放射学的环境中对其进行验证。

本项研究在747名IMLLs患者中开发了一个DL系统，这些患者共有30种疾病，所有患者均接受了强化前、后的T1加权（T1CE）、FLAIR和扩散加权成像（DWI）。研究开发了一个DL系统，对IMLLs进行分割、对肿瘤情况进行分类，并建议在手术、系统工作、医疗和保守治疗中进行临床转诊。该系统在130名急诊患者的独立队列中得到了验证，并使用接收器操作特征曲线、精确-回忆曲线分析和混淆矩阵将转诊建议和肿瘤辨别的性能与放射科医生的性能进行了比较。研究分析了在增强T1WI和DWI上叠加的层级相关传播的高相关区域的多参数可解释性可视化。

DL系统为130名患者中的94名（72.3%）提供了正确的转诊建议，其表现与放射科医生相当（准确率72.6%，McNemar检验；p = .942）。在区分肿瘤和非肿瘤方面，DL系统（AUC，0.90和AUPRC，0.94）与人类读者（AUC，0.81~0.92，AUPRC，0.88~0.95）的表现相似。肿瘤的实体部分显示出高度的相关性重叠，但非肿瘤则没有（Dice系数0.77 vs. 0.33，p < .001），证明了DL的决策。

 图 深度学习系统和放射科医生在测试集中提出临床转诊建议的表现

本项研究表明，DL系统可以使用多参数MRI对肿瘤患者进行适当有效的分流，并通过多参数热图提供判析及评估，从而有助于急诊环境下的神经放射学诊断。

原文出处：

Hyungseob Shin,Ji Eun Park,Yohan Jun,et al.Deep learning referral suggestion and tumour discrimination using explainable artificial intelligence applied to multiparametric MRI.DOI:10.1007/s00330-023-09710-0