Radiology：人工智能在星形细胞瘤DCE MRI药代动力学参数中的应用

动态增强（DCE）MRI既可以用于星形细胞瘤的分级，又可以用于识别肿瘤的假性进展。更具体地说，源自DCE MRI的药代动力学（PK）参数，例如容积转运常数（K^trans）、血管外细胞外间隙容积分数或每单位组织血管外细胞间隙容积（V_e）以及血浆间隙容积分数（V_p）可以用于评估肿瘤的血管生成（V_p）及微循环的渗透性（K^trans和V_e），还可以通过信号强度（SI）的动态变化对肿瘤进行表征。从DCE MRI得出的PK参数是基于组织间隙中对比影剂的分布，称为PK建模，因此可靠的动脉输入功能（AIF）对PK参数的取得至关重要。

然而，DCE MRI的AIF（AIF_DCE）极易受到噪声的影响，导致PK参数的可靠性降低。在放射组学领域，结合扩散和灌注MRI可以改善胶质母细胞瘤的生存预测和假性进展等预测模型的诊断性能。但是，从DCE灌注MRI获得的放射组学特征因AIF而异，因此可靠性较低。现阶段，一种神经网络模型，对抗网络在各种图像转换任务中表现良好。已有研究表明，对抗网络改善了多项与医学成像相关任务的性能及稳定性。

近日，发表在Radiology杂志的一项研究开发了一种提高AIF在DCE MRI中的可靠性的深度学习模型，并通过改进的AIF在星形细胞瘤分级中验证了PK参数的可靠性和诊断性能。

本项回顾性研究于2010年4月至2018年1月期间纳入了386例经组织病理学分析诊断为星形细胞瘤的患者(平均年龄52岁±16岁[标准偏差];226例男性），每位患者均在术前接受了动态磁敏感对比(DSC)增强和DCE MRI检查。从DSC增强MRI (AIF_DSC)获得AIF，并在DCE MRI (AIF_DCE)上测量AIF。训练模型将AIF_DCE转化为AIF_DSC，并在训练后输出带有输入AIF_DCE的神经网络生成的AIF（AIF_{generated DSC}）。利用三种不同的AIFs，在DCE MRI上提取肿瘤区域的K^trans、V_e和V_p。使用不同的AIFs比较星形细胞瘤分级中PK参数的类内相关系数和受试者工作特征曲线(AUCs)下面积对该模型进行验证。

在星形细胞瘤分级中，由AIF_{generated DSC}、DSC衍生的PK参数比由AIF_DCE衍生的参数的AUC更高(平均K^trans, 0.88[95%置信区间{CI}: 0.81, 0.93] vs 0.72 [95% CI: 0.63, 0.79]，P = .04;平均V_e, 0.87 [95% CI: 0.79, 0.92] vs 0.70 [95% CI: 0.61, 0.77]，P = .049)。在AIF_{generated DSC}中，K^trans和V_e的内部相关系数高于AIF_DCE (0.91 vs 0.38, P < .001;0.86 vs 0.60, P < .001)。在AIF分析中，基线信号强度(SI)、最大SI和快进斜率与AIF_DCE的内部相关系数均高于AIF_DCE (0.77 vs 0.29, P < .001;0.68 vs 0.42, P = 0.003;0.66 vs 0.45, P = 0.01）。

表1 磁共振动态增强药代动力学参数在鉴别高级别和低级别星形细胞瘤的诊断性能。

图1 具有代表性的由（A）AIF_DCE、（B）AIFDSC 和（C）AIF_{generated DSC}衍生的K^trans(左)、Ve(中)和Vp(右)。每行代表三种不同的AIF，每列代表三种不同的PK参数图。需要注意的是，由AIF_{generated DSC}(C)导出的PK参数图与由AIF_DSC (B)导出的PK参数图几乎相同。颜色条表示了该情况下每个PK参数的最高值和最低值。

本研究开发了一种深度学习算法，该算法提高了动态对比增强MRI药代动力学参数的可靠性和诊断性能，并验证了该算法作为一种用于星形细胞瘤分级的临床应用的效能，为临床术前准确制定治疗方案并预测患者预后提供了技术支持，并为进一步更为复杂的如预测神经胶质瘤的假性进展和基因突变等相关研究开辟了道路。

原文出处：

Kyu Sung Choi,Sung-Hye You,Yoseob Han,et al.Improving the Reliability of Pharmacokinetic Parameters at Dynamic Contrast-enhanced MRI in Astrocytomas: A Deep Learning Approach.DOI:10.1148/radiol.2020192763