使用放射组学和深度学习算法可以在脑肿瘤中快速准确地区分原发肿瘤和转移瘤。这是 Karl Landsteiner 健康科学大学 (KL Krems) 现在发表在Metabolites上的一项研究的关键信息。它表明基于磁共振的肿瘤 O 2代谢放射学数据为使用神经网络进行鉴别提供了极好的基础。

这种所谓的“氧代谢放射组学”与特殊人工智能分析的结合在所有基本标准上明显优于人类专家的评估。这更令人印象深刻，因为必需氧含量在肿瘤类型之间没有显着差异——尽管如此，神经元网络仍能够根据这些值做出明确区分。

胶质母细胞瘤(一种原发性肿瘤)和脑转移瘤是成人中最常见的脑肿瘤类型。他们的治疗必须有根本的不同，因此快速和明确的诊断会影响临床结果。然而，它们的区分很困难，因为它们在经典磁共振 (MR) 图像上很难区分。

(相关资料图)

这与所谓的生理代谢MR不同，后者可以记录肿瘤组织中的代谢过程。然而，这提供了如此大量的数据，以至于它在常规诊断中的使用需要人工智能的评估。现在，由 KL Krems 的 Andreas Stadlbauer 教授领导的团队使用专门开发的深度学习算法和基于 MR的两种肿瘤类型 的 O 2代谢数据证明了它们的可靠性。

机器与人类

“事实上，我们的方法成功地实现了比人类专家在比较中能够实现的更好的肿瘤类型区分，”Stadlbauer 教授在总结国际研究的结果时说。KL Krems 教学和研究基地圣珀尔滕大学医院医学放射学诊断中央研究所的医学物理学家继续说道：“在所有重要的区分标准中，例如准确性、灵敏度、特异性和精确度，基于 MR 的氧气评估我们特殊神经网络的数据优于放射科医生。这种方法在 F 值和 AUROC 等统计评估中也优于人工评估。”

这些测量基于该团队专门开发的所谓“卷积神经网络”(CNN)。这是一种特殊形式的人工神经网络，专为机器学习和图像或音频数据处理而设计，并模拟部分生物过程。作为研究的一部分，然后使用来自圣珀尔滕大学医院广泛数据库的肿瘤数据对 CNN 进行了训练，随后用于分析新患者基于 MR 的氧气水平。

尽管存在细微差异，但差异明显

研究期间收集的氧气值包括脑氧转换 (CMRO 2 ) 和线粒体氧饱和度 (mitoPO 2 )，后者提供有关细胞能量转换的信息。“有趣的是，”Stadlbauer 教授说，“这两个参数的均值和中值在两种肿瘤类型之间都没有显着差异——但尽管如此，我们的 CNN 还是设法清楚地区分了这两种肿瘤类型。”

该研究显示了结合这两种方法的巨大诊断潜力。然而，事实上，O 2代谢的放射学数据在日常临床实践中仍然只在非常有限的范围内使用。Stadlbauer 教授和他的团队希望改变这一点，因此已经在计划进行更广泛的研究，不仅会确认现在收集的数据，还会使用更接近临床常规的方法。

Stadlbauer 教授解释说：“在目前的研究中，仍然需要一些手动步骤来准备数据分析。这对于临床常规来说太耗时了，也限制了不同机构之间的可比性。因此，我们计划在此阶段使用 CNN 作为出色地。”

无论是成功完成的研究还是计划中的研究，都最能说明 KL Krems 在肿瘤学领域的研究重点。重点始终放在新方法的临床益处上，其潜力是一致基础研究的结果。