如何深层学习模型分析医学图像

深层学习,特别是通过神经网络(CNN),从根本上改变了医学图像的诠释方式。 这些模型直接从像素数据中学习层次特征,使其能够发现可能表明淋巴瘤的细微的纹理和形态变化。 CNN通常由分层组成,它们可以提取边缘、形状和规律;集合减少维度的层;以及完全连接的进行最终预测的层。 培训这些模型需要大型、有良好说明的数据集,这些数据集往往来自多个机构,以捕捉扫描器类型、协议和病人人口结构的变异性。

转移学习已成为一种标准技术:在医学成像数据集上对自然图像(如ImageNet)进行预先训练的模型进行微调,这种方法极大地减少了需要的标注数据的数量,加速了趋同,对于淋巴成像,模型被调整为与全身PET/CT扫描工作,肿瘤可能作为高代谢活性区域出现. CNN提取的放射特征往往比传统的手工制作特征要好,特别是在区分攻击性淋巴瘤亚型和无营养淋巴瘤亚型时.

淋巴瘤成像法的数据收集和注释

深层学习系统的质量直接取决于它所训练的数据。对于淋巴瘤检测,主要模式是18F-FDG PET/CT,对比增强的CT,以及核磁共振(包括扩散加权序列 ) 。 每种模式都捕捉不同的生物特性:PET突出代谢活动,CT提供解剖细节,核磁共振在软质对比方面表现优异。 综合数据集必须包括不同治疗阶段的各种扫描仪的图像,并有经证实的组织病理学诊断。

诊断是由划定肿瘤界限(分层口罩)和指定疾病标签(如Hodgkin淋巴瘤对扩散大BQ细胞淋巴瘤)的专家放射学家和病理学家进行的。观测者之间的变异性是一个公认的挑战,因此许多项目都使用共识读数或自动化质量控制。数据增强技术——如随机旋转、缩放和强度转移——有助于改进模型的稳健性并减少过度适应。像癌症成像档案(TCIA)这样的公共数据集提供了一些淋巴瘤病例,但大多数机构由于隐私限制而依赖专有收集。

自动检测:筛选程序

一旦深层学习模型得到训练,它就可以用来筛选新的扫描,以发现可疑的损伤。 检测管道通常包括三个步骤:预处理(正常化、登记到标准空间)、初始候选者生成(使用区域建议网络或滑动窗口),以及将每个候选者分为淋巴瘤或良性。 这个过程类似于计算机辅助检测系统,但敏感度更高,虚假阳性率较低。

自动检测在全身成像中特别有价值,放射学家必须检查数百片。该模型可以在PET扫描上标出超元代菌物,然后将其与CT上的解剖标志联系起来。 研究表明,用于检测节点和节点外淋巴瘤的敏感性超过90%。 然而,假阳性可能来自生理吸收(如棕脂肪、炎症)或良性损伤。 正在进行的研究旨在完善模型结构,并纳入临床前科(如病人年龄、乳酸脱氢酶水平)以减少这种错误。

分化:划定淋巴瘤区域

分化比检测还要远:它准确地概括了每一次损伤的程度。这对于体积评估、反应评价(如多维尔分数、卢加诺分级)和放射治疗规划至关重要。 深层学习分化模型往往基于UQNet或其变体(如注意UQNet、nnUXNet),生成像素XXWE的口罩,将肿瘤与背景区分开来。

训练分化模型需要像素 — — 水平说明,而这种说明制作很费时。 积极的学习策略允许模型请求对最不确定的病例说明,减轻注释负担。训练后,分化模型可以计算总新陈代谢肿瘤体积(TMTV),这是淋巴瘤中一个强的预兆。 自动化分化在多中心研究中达到了大约0.85–0.90的Dice相似系数,接近辐射学家之间的协议。

分类为子类型

不同的淋巴瘤亚型需要不同的治疗方法,并且有巨大的预言. 深层学习模型不仅可以将霍奇金与非霍奇金淋巴瘤进行分类,还可以将扩散性大B ⁇ 细胞淋巴瘤,卵巢淋巴瘤,以及地幔细胞淋巴瘤等细小的亚型进行分类. 分类任务经常利用CNN用于检测的同一种骨干骨干,并增加一个分类头,有些模型结合了临床数据(如安·阿尔博尔阶段,B症状)和成像特征,以提高准确性.

一种方法是训练一个同时进行检测、分化和分类的多任务网络。这迫使模型学习共享表达并能够改进每项任务的业绩。另一个有希望的方向是使用图神经网络来模拟淋巴结站之间的空间关系,模仿放射学家如何评价疾病传播。在已发表的研究中,基于深入学习的PET/CT淋巴亚型分类在曲线(AUC)值下实现了0.90以上的区域,尽管其性能因子类型和数据集大小而不同。

克服临床实施方面的挑战

尽管技术表现强劲,但部署在常规临床实践中的深层学习工具面临若干障碍。 数据异质性仍然是一个主要问题:在应用到社区医院扫描仪时,受过学术中心数据培训的模型往往会退化。 正在探索域内适应和联合学习,以构建跨机构通用的模型,而无需共享患者数据。 解释是另一个关键问题;临床医生需要理解一个模型标注特定区域的原因。 显著地图(如GradTIMAM)和关注机制提供了视觉解释,但并非总能可靠。 监管机构需要严格验证,并往往需要清晰解释算法的决定逻辑。

与现有工作流程结合 也是非“三进制”的。AI输出必须纳入PACS系统,并以能够增强而不是破坏放射学家阅读过程的方式向放射学家介绍。警报疲劳症和过度依赖自动化建议是真正的风险。前瞻性临床试验不仅对显示技术准确性至关重要,而且对诊断周转时间、阅读者协议和病人结果的实际影响也至关重要。包括将AIX辅助阅读与常规阅读进行比较,以便进行淋巴瘤传播。

另一个挑战是类不平衡:一些淋巴瘤亚型是罕见的,难以收集足够的培训实例. 诸如少弹射学习,合成数据生成(例如使用基因对抗网络)等技术,以及过度采样可以有所帮助. 此外,模型必须随着治疗协议的发展而更新——例如,考虑到改变成像外观的新疗法. 持续监测和定期再培训对于保持性能是必要的.

前进之路:新趋势和研究

展望未来,若干趋势有望改进淋巴瘤的自动检测和分类。多式联运[将成像数据与临床、基因组和组织病理学信息结合起来。例如,将PET/CT与液体生物检测结果(循环肿瘤DNA)相结合,可以改善检测和预测。 早期工作表明,这种联合模型在预测治疗反应方面优于单一模式方法。

解释性AI是一个活跃的研究领域,新方法如基于概念的解释和反事实生成帮助临床医生信任和验证模型输出. 随着模型的更加透明,监管接受将变得更加容易. 自觉监督学习[通过在大型无标签图像收集上进行预训模型来减少对标注数据的依赖;在注释成本高的医学成像中,这特别有吸引力. Self-ocomed CNN在淋巴瘤检测任务中显示出了有希望的结果.

另一个前沿是纵向分析。模型不分析单一扫描,而是可以比较在不同时间点获得的图像,以评估治疗反应或早期检测复发。为此正在调整时间交织网络和经常性结构。最后,将深层学习与机器人活体检查系统结合起来,可以自动确定损伤目标,进一步简化诊断路径。

研究还侧重于对图像质量变化的破坏. 许多深层学习模型容易受到外分配投入(如带有文物的图像,不寻常的病人解剖学)的影响. 不确定的估计技术,如蒙特卡洛辍学或深层群变,可以标注低自信预测,供人类审查,这增加了一个对临床部署至关重要的安全网.

结论

利用深层学习对淋巴瘤进行自动化检测和分类已经从研究好奇心转向临床上可行的技术。 接受大型附加说明数据集培训的神经网络能够确定可疑的损伤、分界线和精确区分与放射学家竞争对手的亚型。 数据质量、模型可解释性和工作流程整合方面的挑战正在通过数据科学家、临床医生和监管机构之间的协作努力得到解决。 随着多模式和自我监督方法的成熟,以及随着未来试验证实真实世界的好处,深度学习已经准备好成为淋巴影像工作流程的标准组成部分。 最终目标 — — 更清晰、更一致和较少侵入性的诊断 — — 将转化为全世界患者更好的结果。

进一步阅读,见美国血液学学会关于淋巴瘤成像的准则(]血型期刊),FDA关于基于AI/ML ⁇ 的医疗器械的框架(FDA AI/ML页),以及最近关于为了肿瘤成像而深层学习的Radiology[和Nature Medicine中的评论。