![](http://www.alohadebbie.com/sites/default/files/styles/content_large/public/AI_RSNA.jpeg?itok=OoiEZ0-0)
图中显示了使用GradCAM生成的粗注意图,用于正确分类高级别胶质瘤(HGG)、低级别胶质瘤(LGG)、脑转移瘤(METS)、脑膜瘤(MEN)、听神经瘤(AN)和垂体腺瘤(PA)。对于每一对,显示了对比后t1加权扫描和GradCAM注意图(覆盖在扫描上)。在GradCAM地图中,暖色和冷色分别代表像素对正确预测的高贡献和低贡献。图片由北美放射学会提供
2021年8月12日——一个研究团队在华盛顿大学医学院已经开发了一个深度学习模型,能够将一个脑瘤根据发表在《科学》杂志上的一项研究,它是使用单一3D MRI扫描的六种常见类型之一放射学:人工智能.
“这是第一项针对最常见的颅内肿瘤的研究,并从3D MRI容积中直接确定肿瘤的级别或肿瘤是否存在,”Satrajit Chakrabarty, M.S说阿里斯蒂迪斯·索提拉斯博士,丹尼尔·马库斯博士,在华盛顿大学医学院Mallinckrodt放射学计算成像实验室在密苏里州圣路易斯市。
最常见的6种颅内肿瘤类型是高级别胶质瘤、低级别胶质瘤、脑转移瘤、脑膜瘤、垂体腺瘤和听神经瘤。每一例都是通过组织病理学记录下来的,这需要通过手术从疑似癌症的部位取出组织,并在显微镜下检查。
根据Chakrabarty,机器和深度学习方法的使用核磁共振数据有可能实现脑肿瘤的自动检测和分类。他说:“非侵入性MRI可以作为一种补充,或在某些情况下作为组织病理学检查的替代方法。”
建立他们的机器学习模型,叫做卷积神经网络, Chakrabarty和来自Mallinckrodt放射学研究所的研究人员从四个公开来源开发了一个大型的、多机构的颅内3D MRI扫描数据集。除了该机构自身的内部数据,该团队还获得了脑肿瘤图像分割、癌症基因组图集多形性胶质母细胞瘤和癌症基因组图集低级别胶质瘤的术前、对比后t1加权MRI扫描。
研究人员将总共2105次扫描数据分为三个子集:1396次用于训练,361次用于内部测试,348次用于外部测试。第一组MRI扫描被用来训练卷积神经网络来区分健康扫描和有肿瘤的扫描,并根据肿瘤类型进行分类。研究人员使用来自内部和外部MRI扫描的数据来评估模型的性能。
使用内部测试数据,该模型在7个成像分类(健康分类和6个肿瘤分类)中实现了93.35%(361中的337)的准确性。敏感性在91%到100%之间,阳性预测值,即筛查试验呈阳性的患者真正患病的概率,在85%到100%之间。在所有类别中,阴性预测值(即筛查结果为阴性的患者真正没有患病的概率)从98%到100%不等。网络注意与所有肿瘤类型的肿瘤区域重叠。
对于仅包含两种肿瘤类型(高级别胶质瘤和低级别胶质瘤)的外部测试数据集,该模型的准确性为91.95%。
Chakrabarty说:“这些结果表明,深度学习是一种很有前途的脑肿瘤自动分类和评估方法。”该模型在异构数据集上取得了很高的精度,并在不可见的测试数据上表现出出色的泛化能力。”
Chakrabarty说,通过改进现有的2D方法,3D深度学习模型更接近端到端自动化工作流程的目标,后者需要放射科医生在机器处理之前手动勾画或表征MRI扫描上的肿瘤区域。卷积神经网络消除了分类前肿瘤分割的繁琐和劳动密集型步骤。
该模型的联合开发者Sotiras说,它可以扩展到其他类型的脑瘤或神经疾病,潜在地提供了一个途径来增加神经放射学的工作流程。
“这个网络是发展一个人工智能-增强的放射学工作流程,可以通过提供定量信息和统计数据支持图像解释,”Chakrabarty补充说。
欲了解更多信息:www.rsna.org