“这是第一个针对最常见颅内肿瘤的研究，并直接确定肿瘤类别或从3D MRI体积中不存在肿瘤，”Satrajit Chakrabarty, m.s.，在Aristeidis Sotiras博士和Daniel Marcus博士指导下的博士生，在圣路易斯华盛顿大学医学院Mallinckrodt放射学研究所的计算成像实验室，密苏里州。

六种最常见的颅内肿瘤类型是高级别胶质瘤、低级别胶质瘤、脑转移瘤、脑膜瘤、垂体腺瘤和听神经瘤。每一个都是通过组织病理学记录下来的，这需要通过手术从疑似癌症的部位切除组织，并在显微镜下检查。

根据Chakrabarty的说法，使用MRI数据的机器和深度学习方法可能会自动检测和分类脑肿瘤。

他说:“非侵入性MRI可以作为一种补充，或者在某些情况下，作为组织病理学检查的替代方法。”

为了建立他们的机器学习模型，称为卷积神经网络，Chakrabarty和来自Mallinckrodt放射学研究所的研究人员从四个公开来源开发了一个大型的多机构颅内3D MRI扫描数据集。除了该机构自己的内部数据外，该团队还获得了脑肿瘤图像分割的术前，造影后t1加权MRI扫描，多形性胶质母细胞瘤癌症基因组图谱和低级别胶质瘤癌症基因组图谱。

研究人员将总共2105次扫描分为三个数据子集:1396次用于训练，361次用于内部测试，348次用于外部测试。第一组MRI扫描被用来训练卷积神经网络来区分健康扫描和肿瘤扫描，并按类型对肿瘤进行分类。研究人员使用内部和外部MRI扫描的数据来评估模型的性能。

使用内部测试数据，该模型在7个成像类别(健康类别和6个肿瘤类别)中实现了93.35%(361个中的337个)的准确率。敏感性从91%到100%不等，阳性预测值(即筛查结果呈阳性的患者确实患有这种疾病的概率)从85%到100%不等。在所有班级中，阴性预测值(即筛查结果为阴性的患者确实没有患病的概率)从98%到100%不等。网络关注与所有肿瘤类型的肿瘤区域重叠。

对于仅包含两种肿瘤类型(高级别胶质瘤和低级别胶质瘤)的外部测试数据集，该模型的准确率为91.95%。

Chakrabarty说:“这些结果表明，深度学习是一种很有前途的脑肿瘤自动分类和评估方法。”“该模型在异构数据集上实现了高精度，并在未见过的测试数据上显示出出色的泛化能力。”

Chakrabarty表示，3D深度学习模型通过改进现有的2D方法，更接近于端到端自动化工作流程的目标，后者需要放射科医生在机器处理之前在MRI扫描上手动描绘或表征肿瘤区域。卷积神经网络消除了在分类之前进行肿瘤分割的繁琐和劳动密集型步骤。

该模型的共同开发者Sotiras博士说，它可以扩展到其他脑肿瘤类型或神经系统疾病，可能为增强神经放射学工作流程提供一条途径。

Chakrabarty补充说:“这个网络是开发人工智能增强放射学工作流程的第一步，它可以通过提供定量信息和统计数据来支持图像解释爱博网投官方网站。”