基于深度学习CT图像的成骨性骨转移和骨岛的鉴别诊断
2024-01-19 shaosai MedSci原创
对于有非肿瘤病史的患者来说,诊断骨岛不需要治疗,而诊断成骨细胞骨转移需要找到原发病灶来确定治疗方案。对于肿瘤患者来说,区分骨岛和成骨细胞骨转移可以改变肿瘤的分期和改变治疗方案。
现阶段,计算机断层扫描(CT)已广泛用于恶性肿瘤的检测、评估和分期,而硬化性骨病变经常在CT图像上被偶然发现。临床上,将硬化性骨病变与成骨细胞骨转移或骨岛区分开来,对确定下一步诊断步骤和准备治疗策略至关重要。对于有非肿瘤病史的患者来说,诊断骨岛不需要治疗,而诊断成骨细胞骨转移需要找到原发病灶来确定治疗方案。对于肿瘤患者来说,区分骨岛和成骨细胞骨转移可以改变肿瘤的分期和改变治疗方案。
为了区分骨岛和成骨细胞骨转移,许多方法改善了硬化性骨病的诊断,如正电子发射断层扫描(PET)/CT、双能量CT、识别磁共振(MR)图像中的胡椒盐噪声表现、CT衰减测量和放射组学。然而,PET/CT、双能量CT和MR检查在许多偏远地区无法进行,即使可以进行,也会增加患者的经济负担。此外,放射组学方法和CT衰减测量依赖于感兴趣区域(ROI)的精确划定,这在很大程度上受到人为因素的影响。
相比之下,先进的深度学习(DL)模型通过使用强大的特征学习能力克服了这些问题,并显示出在各种医疗领域的潜力。此外,与放射学方法不同,基于DL的分类模型不需要精确划定肿瘤边界,可以自动学习对图像数据中的特征进行分类,并对病情进行相应诊断。此外,外部验证不需要对病变进行精确划定,增加了在各种医疗机构使用该模型的可能性。
近日,发表在European Radiology杂志的一项研究构建了一个只需要手动选择CT图像中的病变区域、不需要精确的病变边界分割或人为定义特征的DL模型来急性骨岛和成骨性骨转移的鉴别诊断,为临床进行准切、快速的疾病预测及风险评估提供了技术支持。
三家医院的硬化性骨病变(SBLs)患者被回顾性地纳入研究。来自站点1的图像被随机分配到训练(70%)和内在验证(10%)数据集,用于开发二维(2D)DL模型(单片输入)、 "2.5维"(2.5D)DL模型(三片输入)以及内部验证数据集(20%),并用于评估两个模型的性能。使用来自站点1的内部验证集和来自站点2和站点3的额外外部验证数据集评估诊断性能,并对2D和2.5D DL模型的性能进行统计分析。
总的来说,站点1中728名患者的1918个SBLs,站点2中71名患者的122个SBLs,以及站点3中47名患者的71个SBLs被用来开发和测试2D和2.5D DL模型。使用2.5D DL模型获得最佳性能,其AUC为0.996(95%置信区间[CI],0.995-0.996)、0.958(95%CI,0.958-0.960)和0.952(95%CI,0.951-0.953),内部验证集、网站2和网站3的外部验证集的准确性分别为0.950、0.902和0.863。
图 2.5D DL模型评估内部验证集、站点2的外部验证集和站点3的外部验证集中正确和错误的CT图像示例
本项研究表明,基于CT图像输入的DL模型(2.5D DL模型)可以提高对成骨性骨转移的预测,从而促进临床决策及风险评估。
原文出处:
Yuchao Xiong,Wei Guo,Zhiping Liang,et al.Deep learning-based diagnosis of osteoblastic bone metastases and bone islands in computed tomograph images: a multicenter diagnostic study.DOI:10.1007/s00330-023-09573-5
作者:shaosai
版权声明:
本网站所有注明“来源:梅斯医学”或“来源: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:梅斯医学”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。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
#深度学习# #骨岛# #成骨性骨转移#
64