作者：Vall d'Hebron 肿瘤研究所
神经肿瘤学敏感性对比度增强区域诊断 (DISCERN) 由 Vall d'Hebron 肿瘤研究所 (VHIO) 放射组学组和 Bellvitge 大学医院神经放射科的研究人员联合开发，是一种基于培训的开放式深度学习工具使用来自标准磁共振成像 (MRI) 信息的人工智能模型绘制模式。
|
VHIO 主导的研究结果发表在《Cell Reports Medicine》杂志上，证明了 DISCERN 作为灌注 MRI 准确诊断脑肿瘤的推动者的可行性和准确性，优于传统方法。 脑肿瘤的鉴别诊断多形性胶质母细胞瘤、实体瘤脑转移和原发性中枢神经系统淋巴瘤占所有恶性脑癌的 70%。鉴于每种恶性肿瘤都需要不同的治疗方法，这些不同恶性肿瘤之间的鉴别诊断代表了未满足的临床需求。 Raquel Perez-Lopez 说：“脑肿瘤的非侵入性鉴别诊断目前基于对比剂给药前后磁共振成像的评估。然而，明确的诊断通常需要神经外科干预，这会损害患者的生活质量。” ，VHIO 放射组学小组负责人，也是本研究的通讯作者。 “这项工作是五年多研究的成果，重点是识别创新的磁共振灌注成像生物标志物，以实现脑肿瘤的鉴别诊断。本研究整合了先前其他人工智能研究项目产生的见解，从而产生了开发能够以非常高的精度自动进行术前诊断分类的软件，同时通过为临床医生提供用户友好的界面来促进其临床适用性，”贝尔维奇大学医院临床神经放射学家兼神经放射科研究员 Albert Pons-Escoda 补充道，和这项研究的共同作者。 这种新颖的深度学习工具利用传统 MRI 的完整空间和时间信息来识别每个肿瘤特定的成像行为模式。 “深度学习教会机器通过磁共振成像对已诊断患者检测到的每种肿瘤的特征。例如，如果我们向机器展示数千张狗和猫的图像，它就会了解这两个物种的独特且明确的特征，并且当它看到新图像时，它可以区分这两个图像。” VHIO 放射组学小组的学生，也是本研究的第一作者。 在这种情况下，学习单元是体素，它代表研究 MRI 扫描的最小体积测量值，相当于像素，而是三维显示元素。研究人员对 DISCERN 进行了训练，以通过 40 名确诊患者的 50,000 个体素来了解这三种最常见的脑恶性肿瘤的特征。 Perez-Lopez 观察到：“在另外 500 多个病例中验证了这种深度学习工具，本研究的结果表明这些肿瘤的分类准确率达到 78%，超过了传统方法。” “DISCERN 是一种计算机化诊断支持工具，有助于对脑肿瘤进行分类，以帮助指导多学科团队就确认诊断所需的手术需求和类型做出医疗决策，”临床神经放射学家兼神经放射学研究员 Carles Majós 说道。贝尔维奇大学医院，也是这项研究的合著者。 为了提高研究的可重复性并加速其在临床研究中的采用，VHIO 放射组学小组与 HUB 神经放射学部门的研究人员密切合作开发的拟议方法已在用户友好、开放访问的 DISCERN 应用程序上实施。出于演示目的，可以在此处访问DISCERN 应用程序。 这项研究是与 Bellvitge 生物医学研究所神经放射科的同事合作进行的 - IDIBELL 和 Clínic 医院（西班牙巴塞罗那）、HT Medica（西班牙安达卢西亚）以及放射医学和应用科学及生物工程系加州大学（美国圣地亚哥）。 (责任编辑：泉水) |
