编辑推荐：
为解决前庭神经鞘瘤（VS）3D 体积分析耗时耗力、准确性欠佳的问题，英国谢菲尔德大学等机构研究人员开展 AI 辅助分析研究。结果显示 AI 模型 DICE 评分达 0.88。该研究为肿瘤评估带来新方法，强烈推荐科研读者阅读。
在医学的神秘世界里，有一种罕见的疾病叫 NF2 相关神经鞘瘤病（NF2-SWN，以前称为神经纤维瘤病 II 型），它是由 22q12 染色体上的 NF2 基因突变引起的，就像在生命的遗传密码里埋下了一颗 “定时炸弹”。这种病会在神经系统中催生各种肿瘤，其中前庭神经鞘瘤（VS）最为常见。得了 VS 的患者可太遭罪了，听力下降、耳鸣、面瘫都可能找上门，连寿命都会受到影响。
在诊断 NF2-SWN 的过程中，影像学检查至关重要，而磁共振成像（MRI）凭借高灵敏度和特异性，已经取代计算机断层扫描（CT），成为诊断和监测 VS 的 “黄金标准”。尤其是钆增强 T1 加权（GdT1W）和高分辨率 T2 加权（T2W）成像技术出现后，肿瘤的 “真面目” 在医生眼前变得更加清晰，肿瘤的对比度和瘤周特征都能一目了然。
不过，要想精准地掌握 VS 肿瘤的大小和生长情况，现有的测量方法却有些 “力不从心”。目前常用的线性分析，就是在 MRI 的轴向或冠状面上测量肿瘤最大直径，但它很容易受到患者体位、肿瘤不规则形状等因素的干扰，就像用一把不太精准的尺子去量东西，误差很大。而且遇到不对称生长的肿瘤，它根本没法准确测量，很多重要信息就这么被遗漏了。
再看看体积分析，虽然它比线性分析多考虑了一个维度，把肿瘤近似看成椭球体来计算体积，对肿瘤进展的检测更灵敏。可 VS 肿瘤的形状千奇百怪，很多时候并不像椭球体，随着肿瘤发展，它会向小脑脑桥角长出额外的管外部分，变成 “冰淇淋蛋筒” 的形状，这样一来，用椭球体近似计算就会高估肿瘤体积。
为了更准确地测量肿瘤大小，3D 体积分析应运而生。它的原理是在每个 MRI 切片上对肿瘤进行分割，然后用切片面积乘以厚度来计算体积，这样能有效避免近似和测量最长直径带来的误差。但这个方法有个大问题，就是手动分割肿瘤太耗费时间和精力了，需要专业的医生和工程师花费大量时间操作，很难在临床实践中广泛应用。
在这样的背景下，来自英国谢菲尔德大学医学院等多个机构的研究人员决心攻克这个难题。他们在《Scientific Reports》期刊上发表了一篇名为 “The development of an artificial intelligence auto-segmentation tool for 3D volumetric analysis of vestibular schwannomas” 的论文，试图用人工智能（AI）的力量来改变现状。
研究人员为了开展这项研究，用到了几个关键的技术方法。首先，他们通过统计功效分析确定了需要 150 个 MRI 图像来构建用于训练 AI 的真实数据集，最终从耶鲁纽黑文医院和公开招募的患者中收集到 143 个 MRI 图像。然后，利用图像处理软件（Simpleware ScanIP）创建肿瘤模型，在这个过程中，使用了阈值算法、“分割区域” 算法等对肿瘤进行分割和调整，还请神经放射科医生进行审核。接着，用这些数据训练名为 DPP V1.0 的 AI 模型，训练完成后，用新的 MRI 扫描数据进行最终测试。最后，开发了可视化工具，通过图像配准算法将患者不同时间的肿瘤模型进行对齐和分析。
下面来看看具体的研究结果：
- 模型准确性提升：在概念验证（POC）阶段，AI 模型的平均 DICE 评分（一种衡量分割准确性的指标）为 0.76（标准差 0.21） 。经过一系列优化和最终测试阶段后，模型有了很大改进，最终平均 DICE 评分为 0.88（范围 0.74 - 0.93，标准差 0.04），这表明 AI 模型在分割肿瘤方面的准确性大幅提高。
- 体积测量对比：研究人员对十个肿瘤肿块的体积进行了测量，分别采用手动分割、基于 AI 的分割和椭球体体积计算三种方法。结果发现，椭球体体积计算与手动分割相比，平均百分比变化高达 60.19%，这说明椭球体计算方法对肿瘤体积的估算偏差很大。而 AI 分割与手动分割相比，平均百分比变化仅为 6.32%，显示出 AI 分割在体积测量上和手动分割结果很接近，准确性较高。
- 可视化效果：开发的可视化工具可以将患者多个扫描的肿瘤模型导入同一文件，通过图像配准算法对齐大脑和肿瘤模型。利用脚本将双侧肿瘤按时间顺序排列并分类，生成肿瘤大小随时间变化的图表，还能展示肿瘤生长的百分比变化和波动性。通过不同颜色区分不同时间的肿瘤模型，更直观地呈现肿瘤的生长情况。
从研究结论和讨论部分来看，这项研究意义重大。研究人员成功开发出一种高效、准确的用于 VS 肿瘤 3D 体积分析的 AI 工具。与手动分割相比，使用这个 AI 工具能更快地完成 3D 体积分析，大大节省了时间。而且它能提供更准确的肿瘤体积测量结果，让医生对肿瘤大小和生长情况有更清晰的认识，在制定治疗方案时能做出更明智的决策。
另外，这个 AI 工具适用范围很广。研究中使用的真实数据集包含了不同患者、不同 MRI 扫描仪（1.5T 和 3T 扫描仪）、不同制造商以及不同体素大小（0.375×0.375×1.0 至 1.0×1.0×1.0）的图像，在这样复杂的数据环境下，AI 工具依然表现出色，这意味着它在各种临床场景中都可能发挥作用。
对于患者来说，这个工具也有很大帮助。通过 3D 建模，患者能更直观地了解自己的病情和肿瘤的发展，增强自我管理疾病的能力，甚至可以更积极地参与到治疗方案的制定中。
当然，目前这个 AI 工具也存在一些局限性。它的 DICE 评分还达不到 1，说明和手动分割相比还是存在一定差异，在遇到脑膜瘤靠近 VS 肿瘤、肿瘤形态特殊（如经过减瘤手术）等情况时，还需要放射科医生或专业研究人员进行验证。但这并不影响这项研究的价值，未来研究人员可以针对这些问题进一步优化 AI 工具。
总的来说，这项研究为 VS 肿瘤的评估和监测带来了新的希望。它就像一盏明灯，照亮了医学领域在肿瘤测量方面的前进道路，让我们离精准医疗的目标又近了一步。相信在不久的将来，随着 AI 技术的不断发展和完善，它会在临床实践中发挥更大的作用，为更多患者带来福音。
