European Radiology：深度学习在多探测器CT上鉴别良恶性椎体骨折的能力及价值

现阶段，鉴别良性和恶性椎体骨折是一个越来越重要的诊断挑战。骨质疏松症的患病率在老龄化人群中不断增加。此外，由于世界范围内癌症发病率的上升、癌症治疗方案的改进以及患者生存期的延长，脊柱转移病变的患病率也在增加。常见的病理生理因素是微结构完整性的破坏，使椎骨在正常生理应激下容易骨折。因此，对骨折原因的准确鉴别对于患者最合适、最及时的护理和防止潜在恶性肿瘤的延误诊断尤为重要。然而，鉴别由肿瘤浸润引起的骨折与良性骨折是一个复杂的诊断决策。

临床上，影像学检查在骨折诊断上起着关键作用。其中，MRI是首选的方式，能够提供高骨髓对比度分辨率，但费用较高且检查时间较长。多探测器CT比MRI更容易获得，成本更低。然而，在多探测器CT图像上区分骨折的类型十分具有挑战性。

有研究显示，基于深度学习的方法在骨质疏松症成像中显示出了重要的价值。然而，获得可重复和客观的方法来区分多探测器CT图像上的良性和恶性椎体骨折是一个未满足的临床需求。

近日，发表在European Radiology杂志上的一篇研究探讨了基于CT的深度学习模型在鉴别良性和恶性椎体骨折方面的可靠性。

本项研究回顾性分析2005年6月至2022年12月两所大学附属医院的良性或恶性椎体骨折患者的CT扫描结果，基于包括组织病理学和影像学信息的综合参考标准。随机选择内部测试集，并从另一家医院获得外部测试集。模型采用三维U-Net编码器-分类器架构，并在训练过程中应用数据增强。使用受试者工作特征曲线(AUC)下的面积评估其表现，并与使用DeLong测试的两名住院医生和一名研究员培训的放射科医生进行比较。

研究共纳入381例患者，平均年龄69.9岁±11.4岁[SD];193例男性)共1307个椎体病变(良性骨折378例，恶性骨折447例，恶性病变482例)。内外部试验共86组(平均年龄66.9岁±12岁;男性45例)、65例(平均年龄68.8岁±12.5岁;39例女性)。两种训练方法的表现较好的模型在内部测试集中的AUC为0.85 (95% CI: 0.77, 0.92)，在外部测试集中的AUC为0.75 (95% CI: 0.64, 0.85)。纳入不确定性类别进一步提高了性能，内部测试集的AUC为0.91 (95% CI: 0.83, 0.97)，外部测试集的AUC为0.76 (95% CI: 0.64, 0.88)。住院医师的AUC值低于内部测试集(AUC, 0.69 [95% CI: 0.59, 0.78]和0.71 [95% CI: 0.61, 0.80])和外部测试集(AUC, 0.70 [95% CI: 0.58, 0.80]和0.71 [95% CI: 0.60, 0.82])中表现最好的模型，只有内部测试集差异显著(P < .001)。接受过奖学金培训的放射科医生的AUC与表现最好的模型相似(内部测试集，0.86 [95% CI: 0.78, 0.93;P = 0.39];外部测试集，0.71 [95% CI: 0.60, 0.82;P = 0.46])。  

图 基于深度学习的自动化流程概述。多检测器CT图像显示(A)原始数据，(B, C)椎体分割、(D-F)预处理过程中的椎体标记

本项研究表明，研究所开发的模型在区分良性和恶性椎体骨折方面具有很高的区分及鉴别能力，可超过或匹配放射科住院医生的诊断表现，并匹配研究员培训的放射科医生的表现。

原文出处：

Sarah C Foreman,David Schinz,Malek El Husseini,et al.Deep Learning to Differentiate Benign and Malignant Vertebral Fractures at Multidetector CT.DOI:10.1148/radiol.231429