【前沿】人工智能算法 | 鉴别PET / CT图像良恶性骨病灶

2017年9月7日 - 据麦迪逊威斯康星大学的一个研究小组说，人工智能（AI）算法能够可靠地区分F-18氟化钠（NaF）PET / CT图像上的良性和恶性骨病变，有希望替代核医学医生耗时和主观识别的工作。

由博士生Timothy Perk领导的研究人员在对F-18 NaF PET / CT骨转移灶进行内部开发软件的训练和整合机器学习算法后发现，他们的方法可以对良恶性病变进行分类，具有较高的灵敏度和特异性。该算法的分类性能也超过了以前文献报道的其他方法。

据研究人员说，更重要的是，该算法可以训练复制个别核医学医生的表现，为医生节省时间和取得更一致的结果。他们在上个月的美国医学物理学家协会（AAPM）年会上分享了他们的发现。

频繁的误报

已经显示F-18NaF PET / CT成像是对骨转移成像最敏感的方法。然而，这种方式有假阳性，因为良性疾病如骨关节炎也会发生摄取。此外，患者可以有数百个病变进行评估。

QTBI软件可识别在治疗过程中增加，减少或稳定摄取的病变。所有图片由Timothy Perk提供。

Perk说：“我们需要一个一致的方法来进行全骨骼自动化病变分类。

威斯康星大学的研究小组一直在开发称为定量全骨成像（QTBI）的软件，用于评估来自多发性骨转移患者的F-18 NaF PET / CT图像，这是跟踪数百个病变患者的必要工具。

QTBI软件首先自动检测每个骨骼变化的阈值; Perk说，这些可变阈值被优化以最大化疾病摄取的检测，同时排除背景信息。这个过程产生代表不同病变的感兴趣的区域。接下来，该软件提取170种不同的成像特征 - 包括来自PET和对应的CT图像的PET和CT纹理和空间概率特征 - 以及基于病变位置和来自群体疾病分布的信息的标签。

研究人员随后试图使用机器学习来提供骨病变的自动化表征。为了训练机器学习模型，核医学医师分析了来自37名去势抵抗性前列腺癌患者的F-18NaFPET / CT骨转移图像，并手动鉴定并将每个病变分类为1（明确转移），2（可能转移） ，3（可疑），4（可能是良性）或5（确定良性）。一名医师对37名患者的所有1,752个病灶进行分类，另外三名医师也对14名患者的598个病灶进行了评估。研究人员指出，医生只有63％的时间同意。（The researchers noted that the physicians agreed only 63% of the time.）

在从软件的初始分析中去除相关特征之后，将最终选择的特征输入到机器学习算法中，该算法基于随机森林模型并使用十倍交叉验证进行训练。研究人员然后通过改变所使用的病变检测方法（标准摄取值> 10 g / mL阈值;全球标准化摄取值> 15 g / mL阈值;或逐骨优化变量阈值）来训练和比较不同模型; 所使用的特征集（CT，PET和人口分布信息）; 并培训和预测不同医生的分类。

Perk及其同事进行受试者工作特征曲线（ROC）分析，计算曲线下面积（AUC），并收集敏感性，特异性，阳性预测值和阴性预测值统计。

高性能

这组作者说，包含优化的骨特定阈值使得软件能够达到比以前文献报道的其他阈值更高的分类性能。

表现的改善有统计学意义（p <0.0001）。该模型的敏感性为88％，特异性为88％，阳性预测值为83％，阴性预测值为92％。

当使用不同医师的分类进行训练时，该模型还可以准确地再现每个人如何分类良性和恶性骨病变。

ROC曲线显示了在不同的医生进行训练和测试时的模型性能。该模型对研究中的四位医师中的每一位都产生了高性能。

因此，该模型因此可以进行调整，以预测不同诊所的医生将如何分类病变，并可以使高效和一致的自动化病灶分类，据研究人员。

Perk说：“此外，对多位医生进行机器学习培训（可以让我们）开发出超越每位医师的最佳分类方法。

研究人员正在将机器学习算法整合到QTBI软件中，Perk说，该软件将与公司合作伙伴提交给美国食品和药物管理局（FDA）批准。