百檢網(wǎng)資訊：2022年6月11日-佛羅里達州基西米-根據(jù)6月11日在醫(yī)學影像信息學年度學會上發(fā)表的一份報告，多發(fā)性骨髓瘤引起的病變可以通過全身CT檢查的人工智能(AI)算法檢測到(SIIM)會議。
　　明尼蘇達州羅切斯特梅奧診所的研究人員開發(fā)了一種基于深度學習的方法來識別這些病變。在測試中，他們的模型對于檢測多發(fā)性骨髓瘤病變具有高度敏感性和特異性。
　　“我們開發(fā)了一種端到端的深度學習模型，可以在全身CT掃描中檢測出多發(fā)性骨髓瘤病變，”主持人、博士后研究員ShahriarFaghani博士說。
　　多發(fā)性骨髓瘤是第二常見的血液腫瘤。傳統(tǒng)上，它是根據(jù)明顯的終末器官損傷來診斷和治療的。據(jù)Faghani稱，骨破壞是這種癌癥的一個標志，大約80%的新診斷患者存在骨破壞。
　　在CT檢查中，骨破壞被確定為中軸和近端附肢骨骼中的溶解性病變。他說，由于溶骨病的程度反映了腫瘤負荷的等級，國際骨髓瘤工作組*近的建議認為，溶骨性骨病變的放射學存在是骨髓瘤的定義事件。
　　建議將低劑量全身CT作為檢測新診斷多發(fā)性骨髓瘤患者骨骼受累的初始分期方式。根據(jù)Faghani的說法，當懷疑疾病復發(fā)時，也建議使用它。然而，在全身CT檢查中檢測多發(fā)性骨髓瘤病變可能既耗時又具有挑戰(zhàn)性。
　　假設人工智能可以幫助診斷這些病變，研究人員使用40名患者的數(shù)據(jù)集開發(fā)了一種方法，該方法結合了兩種不同的深度學習模型：一種用于骨分割，另一種用于病變檢測。訓練了一個U-net骨骼分割模型來分割骨骼骨骼并減少背景噪聲，以提高病變檢測模型的性能。病變檢測模型使用您只看一次(YOLO)方法。
　　在40名病理確診的多發(fā)性骨髓瘤患者中，9名患者的圖像用于訓練骨分割模型，1名參與者的圖像用于測試。病變檢測模型——一種YOLO對象檢測算法——是使用其余30名受試者的圖像開發(fā)的。(來自24名患者的圖像用于訓練，來自6名參與者的圖像用于測試。)
　　在從顱底到股骨中部隨機選擇CT圖像切片作為訓練數(shù)據(jù)集后，兩名肌肉骨骼放射科醫(yī)師隨后通過在大多數(shù)病變周圍繪制邊界框來注釋后續(xù)切片。這些注釋在算法訓練期間使用。
　　在測試中，執(zhí)行的模型產(chǎn)生了0.94的Dice系數(shù)得分。它在檢測病變方面也表現(xiàn)良好，靈敏度為88%，特異性為86%。
　　“據(jù)我們所知，目前還沒有其他關于全身CT掃描檢測多發(fā)性骨髓瘤病變的研究，”Faghani說。
　　Faghani指出，盡管該模型是針對椎體和骨盆病變進行訓練的，但它可以檢測其他骨骼肌上存在的病變。
　　在下一階段的評估中，研究人員計劃對模型進行外部驗證。