European Radiology：自动深度学习辅助的放射性颞叶损伤的早期MRI检测

放射性颞叶损伤（RTLI）是鼻咽癌（NPC）患者放疗后常见的迟发性并发症，给诊断和治疗带来了巨大挑战。治疗方式和诊断影像学的进步反而导致放射性颞叶损伤的发生率有所上升。虽然放射性颞叶损伤在早期通常隐匿，但随着时间推移，可能会引发严重的神经系统后遗症，如癫痫发作、颅内出血和脑疝等。尽管使用皮质类固醇和血管生成抑制剂等治疗手段可以减轻早期炎症，但当损伤发展到囊性变或坏死等不可逆阶段时，其疗效就会减弱。因此，早期识别放射性颞叶损伤对于及时干预至关重要。

脑活检虽然是评估放射性颞叶损伤的金标准，但因其具有侵入性，不适合作为常规监测手段。因此，磁共振成像（MRI）被推荐用于放射性颞叶损伤的早期检测和监测。细微的白质病变（WMLs）和小的强化结节（ENs）被认为是放射性颞叶损伤早期的 MRI 特征。T2 加权成像（T2WI）能有效地显示放疗引起的脑白质脱髓鞘和水肿等变化，而对比增强 T1 加权成像（CE-T1WI）则可以显示脑血管损伤和血脑屏障破坏的情况。然而，放射性颞叶损伤的病因复杂，其进展过程多变且临床表现隐匿，这给基于 MRI 的早期诊断带来了很大困难。

人工智能（AI），尤其是深度学习，彻底改变了医学图像分析领域，在检测细微病变方面表现出色，其准确性可与医学专家相媲美。到目前为止，还没有研究利用人工智能来早期检测放射性颞叶损伤。开创性的研究主要集中在使用出现症状前的 MRI 图像开发算法来预测放射性颞叶损伤的发生。因此，开发一种深度学习方法，使放射科医生能够准确检测早期放射性颞叶损伤，有望减少漏诊并改善患者预后。此外，现有的方法依赖于对颞叶的手动分割，这是一个繁琐、耗时的过程，与临床工作流程的实际情况不符。这凸显了开发一种自动识别放疗后 MRI 图像中早期放射性颞叶损伤表现的方法的紧迫性，该方法将提高放射诊断效率，并符合临床实践的需求。

最近，发表在European Radiology 上的一篇文章评估了基于深度学习的自动工具（RTLI-DM）在磁共振成像（MRI）上早期检测放射性颞叶损伤（RTLI）的益处。

研究回顾性纳入 2010 年 1 月至 2021 年 6 月期间在四家医院接受放疗和 MRI 随访的 6483 例鼻咽癌（NPC）患者队列中的 396 例 RTLI 患者和 3181 例非 RTLI 患者。我们利用 RTLI 患者的首次异常 MRI 图像和非 RTLI 患者的最后一次 MRI 图像，开发并验证了一种自动的 RTLI-DM。RTLI-DM 由一个基于 Unet++ 的双侧颞叶分割模型和一个基于改良的 DenseNet-121 网络的诊断模型组成。进行了一项多阅片者研究，以比较四位放射科医生（两名实习医生和两名经验丰富的阅片者）在有无 RTLI-DM 辅助的情况下解读图像的表现。比较了两次阅片过程中的敏感性、特异性、假阳性（FP）和假阴性（FN）情况。

使用 RTLI-DM 辅助阅片显著提高了实习医生和经验丰富阅片者的敏感性（实习医生：60.5% [95% 置信区间：53.6 - 67.0%] 对比 83.5% [95% 置信区间：77.7 - 88.0%]；经验丰富阅片者：79.5% [95% 置信区间：73.3 - 84.5%] 对比 91.5% [95% 置信区间：86.7 - 94.7%]），并降低了假阴性率（实习医生：0.395 对比 0.165；经验丰富阅片者：0.205 对比 0.085）。尽管实习医生的特异性略有下降（99.0% [95% 置信区间：96.2 - 100%] 对比 93.0% [95% 置信区间：88.5 - 95.9%]），假阳性率有所上升（0.01 对比 0.07）（P < 0.05）。与无辅助阅片相比，辅助阅片的平均时间减少了 29 秒。

表 有RTLI-DM辅助和没有RTLI-DM辅助的读者的阅读时间

本项研究表明，对于在 MRI 上早期检测 RTLI，RTLI-DM 辅助工具显著提高了放射科医生的诊断效能，同时缩短了阅片时间。

原文出处：

Fangxue Yang,Rong Hu,Jing Hu,et al.Automated deep learning-assisted early detection of radiation-induced temporal lobe injury on MRI: a multicenter retrospective analysis.DOI:10.1007/s00330-025-11470-y