AI可以在全身CT上检测出多发性骨髓瘤病变

　　百检网资讯：2022年6月11日-佛罗里达州基西米-根据6月11日在医学影像信息学年度学会上发表的一份报告，多发性骨髓瘤引起的病变可以通过全身CT检查的人工智能(AI)算法检测到(SIIM)会议。
　　明尼苏达州罗切斯特梅奥诊所的研究人员开发了一种基于深度学习的方法来识别这些病变。在测试中，他们的模型对于检测多发性骨髓瘤病变具有高度敏感性和特异性。
　　“我们开发了一种端到端的深度学习模型，可以在全身CT扫描中检测出多发性骨髓瘤病变，”主持人、博士后研究员ShahriarFaghani博士说。
　　多发性骨髓瘤是第二常见的血液肿瘤。传统上，它是根据明显的终末器官损伤来诊断和治疗的。据Faghani称，骨破坏是这种癌症的一个标志，大约80%的新诊断患者存在骨破坏。
　　在CT检查中，骨破坏被确定为中轴和近端附肢骨骼中的溶解性病变。他说，由于溶骨病的程度反映了肿瘤负荷的等级，国际骨髓瘤工作组*近的建议认为，溶骨性骨病变的放射学存在是骨髓瘤的定义事件。
　　建议将低剂量全身CT作为检测新诊断多发性骨髓瘤患者骨骼受累的初始分期方式。根据Faghani的说法，当怀疑疾病复发时，也建议使用它。然而，在全身CT检查中检测多发性骨髓瘤病变可能既耗时又具有挑战性。
　　假设人工智能可以帮助诊断这些病变，研究人员使用40名患者的数据集开发了一种方法，该方法结合了两种不同的深度学习模型：一种用于骨分割，另一种用于病变检测。训练了一个U-net骨骼分割模型来分割骨骼骨骼并减少背景噪声，以提高病变检测模型的性能。病变检测模型使用您只看一次(YOLO)方法。
　　在40名病理确诊的多发性骨髓瘤患者中，9名患者的图像用于训练骨分割模型，1名参与者的图像用于测试。病变检测模型——一种YOLO对象检测算法——是使用其余30名受试者的图像开发的。(来自24名患者的图像用于训练，来自6名参与者的图像用于测试。)
　　在从颅底到股骨中部随机选择CT图像切片作为训练数据集后，两名肌肉骨骼放射科医师随后通过在大多数病变周围绘制边界框来注释后续切片。这些注释在算法训练期间使用。
　　在测试中，执行的模型产生了0.94的Dice系数得分。它在检测病变方面也表现良好，灵敏度为88%，特异性为86%。
　　“据我们所知，目前还没有其他关于全身CT扫描检测多发性骨髓瘤病变的研究，”Faghani说。
　　Faghani指出，尽管该模型是针对椎体和骨盆病变进行训练的，但它可以检测其他骨骼肌上存在的病变。
　　在下一阶段的评估中，研究人员计划对模型进行外部验证。