深度学习模型可以对单次MRI扫描的脑肿瘤进行分类

一项新研究显示，华盛顿大学医学院(Washington University School of Medicine)的一个研究小组开发了一种深度学习模型，通过一次3D MRI扫描，就能将脑肿瘤分为六种常见类型。

　　

   

   

图片:(A)高级别胶质瘤(HGG)、低级别胶质瘤(LGG)、脑转移瘤(METS)、听神经瘤(AN)、垂体腺瘤(PA)、脑膜瘤(MEN)、健康(HLTH)类别的t1加权增强扫描(轴向切片，RAS定向)样本(白色箭头)，(B)分类数据分布，(C)用于交叉验证、内部和外部测试的图像和数据分割流程。BraTS =脑肿瘤图像分割，TCGA =癌症基因组图谱，WUSM =华盛顿大学医学院。

橡树溪,病了。-根据发表在《放射学:人工智能》(Radiology: Artificial Intelligence)杂志上的一项研究，华盛顿大学医学院(Washington University School of Medicine)的一个研究团队开发了一种深度学习模型，该模型能够通过一次3D MRI扫描，将脑肿瘤分类为六种常见类型之一。 

Satrajit Chakrabarty m.s.是Aristeidis Sotiras博士和Daniel Marcus博士指导的博士生，他说:“这是第一个研究最常见的颅内肿瘤并直接从3D MRI体积确定肿瘤类别或肿瘤是否存在的研究。”位于密苏里州圣路易斯的华盛顿大学医学院Mallinckrodt放射学研究所的计算成像实验室。 

六种最常见的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。每一个病例都通过组织病理学记录下来，这需要手术从疑似癌症的部位摘除组织，并在显微镜下进行检查。

Chakrabarty表示，利用MRI数据的机器和深度学习方法可能会自动检测和分类脑肿瘤。

“非侵入性MRI可以作为一种补充，或者在某些情况下，作为组织病理学检查的替代，”他说。 

为了建立他们的机器学习模型(称为卷积神经网络)，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、多机构的颅内3D MRI扫描数据集。除了该机构自己的内部数据，该团队还获得了脑肿瘤图像分割、癌症基因组图谱多形性胶质母细胞瘤和癌症基因组图谱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次扫描分为三个数据子集: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肿瘤扫描，并根据类型对肿瘤进行分类。研究人员利用内部和外部MRI扫描的数据评估模型的表现。 

使用内部检测数据，该模型在7个成像级别(一个健康级别和6个肿瘤级别)中获得了93.35%(361个中的337个)的准确率。敏感性从91%到100%不等，阳性预测值或筛查试验阳性的患者真正患有疾病的概率从85%到100%不等。阴性预测值——或者筛查结果为阴性的患者真正没有患病的概率——在所有类别中都在98%到100%之间。网络注意与肿瘤区域重叠的所有肿瘤类型。 

对于只包含两种肿瘤类型(高级别胶质瘤和低级别胶质瘤)的外部测试数据集，该模型的准确率为91.95%。 

Chakrabarty说:“这些结果表明，深度学习是一种很有前途的方法，可以自动分类和评估脑肿瘤。”该模型在异构数据集上取得了很高的准确性，并在未见的测试数据上显示了出色的泛化能力。” 

Chakrabarty表示，通过改进现有的2D方法，3D深度学习模型更接近于实现端到端自动化工作流程的目标。现有的2D方法需要放射科医生在机器处理之前，在MRI扫描上手动描绘或描述肿瘤区域。卷积神经网络消除了在分类前对肿瘤进行分割的繁琐和劳动密集型步骤。 

该模型的联合开发者索蒂拉斯博士说，它可以扩展到其他脑肿瘤类型或神经疾病，可能提供一条途径，以扩大大部分神经放射学工作流程。 

Chakrabarty补充说:“这个网络是开发人工智能增强放射学工作流的第一步，该工作流可以通过提供定量信息和统计数据来支持图像解释。”

“MRI-based Identification and Classification of Major Intracranial Tumor Types Using a 3D Convolutional Neural Network: A Retrospective Multi-Institutional Analysis.” Collaborating with Satrajit Chakrabarty and Drs. Sotiras and Marcus were Mikhail Milchenko, Ph.D., Pamela LaMontagne, Ph.D., and Michael Hileman, B.S.