Baidu
map

OCR 2024 | 洪楠教授:深度学习在骨肿瘤的研究进展

2024-08-26 MedSci原创 MedSci原创 发表于上海

来自北京大学人民医院的洪楠教授对“深度学习在骨肿瘤的研究进展”进行了详细的分享,本文梳理重点内容,以分享各位同道。

2024年8月24-25日,第十四届东方放射学会议(OCR)在上海隆重举行,本次大会邀请国内外相关领域的著名专家进行分享和交流,共享影像学研究成果,共话影像学发展前景。大会涵盖传统影像、精准医疗、大数据及云医疗、人工智能及介入治疗等多个交叉学科的最新进展和临床应用,力求达到传承经典、聚焦前沿、融合创新、引领发展的目标,为参会者开视野、领略前沿、拓展思路、穷实基础提供一个精彩纷呈的学习交流平台。

在本次大会上,来自北京大学人民医院的洪楠教授对“深度学习在骨肿瘤的研究进展”进行了详细的分享,本文梳理重点内容,以分享各位同道。

1.骨肿瘤概述

骨肿瘤是发生于骨骼或其附属组织的肿瘤,广义上包括骨肿瘤瘤样病变、骨良性肿瘤、骨恶性肿瘤。骨肿瘤具有多种组织学亚型,根据肿瘤起源于细胞或基质进行分类可分为骨性、软骨性、纤维性、肌源性、脂肪源性、血管源性以及未明确性质等。鉴于恶性骨肿瘤的罕见性,由于不同病变的好发年龄和部位存在一定重叠,且临床症状和体征隐匿多样,很少具有特异性,“同病异影,异病同影”的现象普遍存在,导致术前诊断具有一定的挑战性。

2.深度学习概述

深度学习是机器学习的一个子领域,其核心思想是模仿人脑的神经网络结构和学习方式,通过构建多层次的神经网络模型,实现对大规模复杂数据的表征和学习。深度学习自20世纪40年代至今已经历了三代神经网络的发展,自2012年发展进入爆发期。

常见的神经网络包括深度神经网络(DNN)、卷积神经网络(CNN)、递归神经网络(RNN)、深度信念网络(DBN)、生成式对抗网络(GAN)等。卷积神经网络(CNIN)的核心是卷积层和池化层,卷积层通过应用一系列的卷积核(卷积滤波器)对输入数据进行特征提取,池化层用于减小数据的空问维度,全连接层将卷积层和池化层的输出连接到输出层,并进行分类或回归等任务。

深度学习具有以下优点:

1)高度自动化:深度学习能够自动学习和提取特征,减少了手工特征工程的成本和时间;

2)对大规模数据的处理能力强:深度学习模型具有较强的泛化能力,可以处理大规模数据集,识别出更复杂的模式和规律;

3)对非线性关系的建模能力强:深度学习模型通过多层神经元的组合,可以对非线性关系进行建模,能够捕捉到更复杂的数据特征;

3.深度学习在骨肿瘤的应用

近年来,深度学习已应用于骨肌系统病变的检测与分割、疾病的诊断与分类、化疗反应评估、预测复发等方面:

1)诊断支持:通过训练深度学习模型,可以将医学影像数据(如X射线、CT扫描、MRI等)与疾病或病理信息相关联,从而帮助医生进行更准确的疾病诊断

2)疾病预测和进展:深度学习可以利用医学影像数据的时空信息,建立预测模型,用于预测疾病的发展趋势、预后以及治疗效果

3)医学影像重建:通过训练深度学习模型,可以从模糊或低质量的影像数据中重建出更清晰和高分辨率的图像

4)病灶检测和分割:深度学习可用于检测医学影像中的病变和异常,可以自动标记和定位病灶,并将其与正常组织进行区分

von Schacky CE等基于1045例患者的数据开发和验证了一种多任务深度学习模型,利用X线平片的数据,对原发性骨肿瘤进行分割和分类(良、恶性);该模型的分类性能超过了放射科住院医师的水平,与高年资骨放射科医师的水平相当,可以提高诊断的准确性,从而改善原发性骨肿瘤患者的诊断工作流程。

von schacky等基于976例患者的X线平片开发和验证机器学习模型,以区分良性和恶性骨病变,结果显示基于影像组学特征和临床特征相结合的人工神经网络(ANN)的表现最佳,与高级放射科医生相比,该模型的准确性较低,而与初级住院医师相比,该模型的准确性更高。

Eweje等回顾性纳入(5个中心)1060例患者,判别骨病变的良恶性。首先,使用EfficientNet-B0分别基于术前T1WI和T2WI构建两个深度学习模型。之后,基于患者的性别、年龄和病变位置构建一个临床逻辑回归模型。最后,构建了最终的投票集成模型(Voting ensemble model),并将该模型的性能与放射科医生的分类性能进行了比较。结果表明,二者准确性相近,但投票集成模型有助于改变工作流程,并能减少不必要的活检。

Noguchi 等基于319位骨转移患者(共1499处骨转移)和463位无骨转移的人群建立一个基于CT数据的深度学习算法,自动检测骨转移病变。该算法由三个卷积神经网络组成:1)基于2D UNet的骨区域分割网络;2)基于3D UNet的骨转移区域分割网络;3)基于3D ResNet的骨转移分类网络。与9名放射科医生的标注结果进行比较表明,在该算法的帮助下,放射科医生在骨转移检测方面的整体表现得到了提高,同时读片时间明显减少。

Li等基于两个中心的1085张骨肿瘤X线片和345张正常骨X线片,开发基于You Only Look Once (YOLO)的医学深度学习模型,对X线片上的骨病变进行自动检测和分类(正常、良性、中间性或恶性),并与两名放射科医生的诊断性能进行比较。结果表明,YOLO深度学习模型可用于辅助放射科医师在全视野骨X线片中各个阶段的骨病变检测和分类。

Xiong等基于3个中心(846名患者/2111例硬化性骨病变/10662张图像)的CT图像建立2D(single-slice input)和2.5D(three-slice input)深度学习模型鉴别成骨性骨转移和骨岛。结果表明,2.5D深度学习模型性能最佳,可以提高成骨性骨转移的预测能力,有助于临床决策。

Wennmann等基于102个患者的106张全身MRI进行一项多中心回顾性研究,基于深度学习(nnU-Net)进行全身骨髓的自动分割,Dice系数为0.88/0.87/0.83(不同中心),进一步构建多发性骨髓瘤(MM)的影像组学表型,并揭示MM的异常MRI表现和影像组学特征之间的联系。最后根据影像组学表型建立影像组学预测模型,患者的预测身高、体重与实际身高、体重显著相关(P =0.002和P =0.003)。

Chen等纳入197例患者的胸部低剂量CT。首先,基于ResNet50训练自动分割模型分割胸椎体,自动分割的Dice系数为0.87±0.01。其次,基于SVM进行影像组学纹理分析,基于从椎体中提取的影像组学特征开发一个两级分类器(正常组vs异常组;如果异常,骨量减少组vs骨质疏松组)一级和二级分类器的预测准确率分别为0.92±0.04和0.94±0.05。该开发的方法可整合到当前的临床工作流程中,在肺癌LDCT筛查时同时评估是否存在骨质疏松。

Zhong等纳入144例经新辅助化疗(NAC)的骨肉瘤患者,首先建立一个基于nnUNet的深度学习自动分割网络进行ROI的勾画,深度学习分割模型的平均Dice系数分别为0.866和0.869(训练集/测试集)。其次,基于临床和MRI影像组学构建诺莫图预测骨肉瘤患者对NAC的治疗反应,诺莫图的AUC分别为0.872和0.793(训练集/测试集),可以为骨肉瘤患者术前预测NAC病理缓解提供参考依据。

Li等比较了深度信念网络(DBN)算法与其他6种机器学习(DT, GBM,LR,NBC,RF and XGBoost)算法的性能以预测骨肉瘤患者的肺转移。此外,将基于DBN的肺转移预测模型作为参数整合到Cox比例风险模型中,预测骨肉瘤患者的总生存期。

来自洪楠教授团队近期构建了深度学习模型,用于评估骨肉瘤新辅助化疗疗效。研究发现,深度学习影像组学(DLR)模型可以作为一种实用的预测工具,能够识别新辅助化疗反应较差的骨肉瘤患者,协助制定临床治疗决策。

同时,还比较了9种机器学习模型、1个基于卷积神经网络(CNN)模型和1个三维3D CNN模型的性能,并提出了一个两步nnU-Net模型,用于骨肉瘤和尤文肉瘤的自动分割和识别。

4.局限性与展望

首先,深度学习需要依赖大规模的数据集。然而,由于骨肿瘤的发病率和患病率相对较低,而目前开源数据库中未涵盖骨肿瘤的临床数据,这对建立深度学习模型造成了一定的影响。

1)基于深度学习的特征具有“黑盒子”的特点,无准确、完整的公式与定义,因此缺乏生物学可解释性

2)目前普遍缺乏高质量的训练数据:

● 现有的数据集标准多样、系统偏差较大,缺乏对疾病的统一认识

● 缺乏对数据和标注数据统一且清晰的标准化描述,导致机器学习与数据之间产生交互障碍、机器错误解数据的真实含义

3) 模型的泛化性差:

● 可能的原因有很多,如数据的样本量、样本的多样性不足

● 特征筛选方法欠佳,未能找到反映肿瘤异质性的稳定且通用的特征

4)研究现状存在以下不足:

● 原发性骨肿瘤相对比较少见、样本量小且种类繁多,深度学习算法的应用受限,目前针对每种特定肿瘤类型的研究相对较少

● 由于骨结构复杂、边界模糊和形状不规则以及影像伪影和噪声大,导致骨肿瘤相对于其他解剖区域(如肺和脑)在自动分割上更具挑战性,目前针对骨肿瘤自动分割的研究相对较少

● 使用的数据都是回顾性收集的,可能存在选择偏差

未来,基于深度学习能在提升骨肿瘤的识别的能力,需要进行多中心、大样本、前瞻性研究。采用全自动或半自动标注方式,可提高标注的一致性。多种算法的融合(传统组学/深度学习,特征融合/结果融合等)也是未来研究趋势。此外,可解释性方法的开发(SHAP图,Grad-CAM图等),多模态(联合MR、PET、CT)及多组学(联合临床、病理、基因、蛋白组学、代谢组学)数据的融合也是未来一大趋势。

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (1)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=2222505, encodeId=5b072222505ff, content=<a href='/topic/show?id=c30010183810' target=_blank style='color:#2F92EE;'>#骨肿瘤#</a> <a href='/topic/show?id=e4cb6612395' target=_blank style='color:#2F92EE;'>#深度学习#</a> <a href='/topic/show?id=425b118356fe' target=_blank style='color:#2F92EE;'>#OCR 2024#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=93, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=118356, encryptionId=425b118356fe, topicName=OCR 2024), TopicDto(id=66123, encryptionId=e4cb6612395, topicName=深度学习), TopicDto(id=101838, encryptionId=c30010183810, topicName=骨肿瘤)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=cade5395722, createdName=梅斯管理员, createdTime=Mon Aug 26 18:01:00 CST 2024, time=2024-08-26, status=1, ipAttribution=上海)]

相关资讯

肩膀痛?你不是肩周炎而是这种病,教你一招辨别

“肩周炎”是一个过时的概念。由于大家对肩周炎更了解,反而不认识“冻结肩”,所以在门诊的时候,医生为了跟患者方便沟通,有时候还是用“肩周炎”这个说法。

带你认识--骨内髓脂肪瘤

女,24岁,因“发现左肱骨肿瘤12天 ”入院。病例特点:患者女,24岁,无明显症状,偶然发现;入院情况:

【衡道丨病例】一文详解!软骨母细胞瘤(Chondroblastoma)如何诊断?

软骨母细胞瘤(Chondroblastoma)是一种良性骨肿瘤,易发生于骨骺或骨骺区,由软骨母细胞和嗜酸性软骨样基质岛组成。

武大张先正/喻爱喜合作《AFM》:多功能3D打印支架改善骨肿瘤化疗免疫治疗,促进成骨!

多功能3D打印支架实现了肿瘤消除和骨修复的综合治疗,为骨肿瘤的临床治疗提供了一种很有前途的策略。

Radiology:射频消融治疗骨肿瘤真的更安全吗?

经皮射频消融术(RFA)是治疗骨肿瘤的有效方法,现阶段已被广泛应用于发生于包括骨骼在内的多个不同器官的肿瘤。

骨肿瘤里的“流空征”

流空征常见于肾癌骨转移的 MRI图像,由于病变内部或周围存在多发扩张、扭曲的血管,因而在MRI图像上表现为多发点状或管状低信号流空区。

European Radiology:基于YOLO深度学习模型的x线片原发骨肿瘤的检测与分类

人工智能(AI)算法可以在没有人类干预的情况下从数据中学习,因此为肌肉骨骼放射学提供了令人振奋的前景。

European Radiology:深度学习,让平片快速分类骨肿瘤成为可能!

骨肿瘤是导致20岁以下的癌症患者死亡的第三大原因。根据2020年公布的世界卫生组织第五次骨肿瘤分类,骨肿瘤被分为良性、中间型或恶性。

骨肿瘤“模仿者”之先天性/发育性异常丨影像图例~

示意图显示Struthers韧带及肱骨髁上突如何形成一个通道从而压迫正中神经及肱动脉。

JCO:确认影响骨肉瘤患者预后多种因素的划时代研究

使用了合作性骨肉瘤研究组方案治疗的1702例躯干或肢体骨肉瘤患者的随访研究数据,揭示了骨肉瘤的预后受到肿瘤部位和大小、原发转移、化疗反应和手术缓解等多个独立因素的影响,成为该领域一篇划时代的重要论文。

Baidu
map
Baidu
map
Baidu
map