科研速递 | 2024年7月人工智能、影像与肿瘤ER合集

 
European radiology
IF/JCR/分区：4.7/Q2/2区
速递内容:文章标题(英文标题、中文标题、关键词标签);研究背景与目的;研究方法，研究结果;研究结论。
目录
1.基于深度学习的3D定量肿瘤总负荷可预测BCLC A和B期肝细胞癌切除术后的早期复发
2.深度学习在肺结节检测和分割中的系统评价
3.基于深度学习重建的加速直肠MRI的前瞻性和多读者评估:图像质量，诊断性能和阅读时间
4.直肠癌的超高b值DWI：基于放射组学的图像质量评估和区域淋巴结预测



01

Deep learning-based 3D quantitative total tumor burden predicts early recurrence of BCLC A and B HCC after resection
标题：基于深度学习的 3D 定量肿瘤总负荷可预测 BCLC A 和 B 期肝细胞癌切除术后的早期复发
标签：Carcinoma (hepatocellular)，Tumor burden，Recurrence，Magnetic resonance imaging，Hepatectomy
研究背景
肝细胞癌（HCC）是全球第六大常见恶性肿瘤和第三大癌症相关死亡原因。手术切除是可切除HCC患者的主要治疗方法。巴塞罗那临床肝癌（BCLC）分期系统中，肿瘤负担是一个关键因素，但在A和B期之间表现出相当大的异质性。因此，更准确的肿瘤负担评估方法对于优化患者风险分层和细化治疗分配至关重要。
研究目的
评估基于深度学习（DL）辅助的自动化三维定量肿瘤负担在MRI上预测肝细胞癌（HCC）切除后早期复发（ER）的潜力。
研究方法
单中心回顾性研究，纳入了接受BCLC A和B期HCC切除手术的患者和术前对比增强MRI。使用DL自动化分割工具获取定量总肿瘤体积（cm³）和总肿瘤负担（TTB, %）。放射科医师的视觉评估用于确保自动化分割的质量控制。通过Cox回归分析确定临床病理变量和与肿瘤负担相关的参数对ER的预后价值。
研究结果
共纳入592名患者，其中525名和67名分别被分配到BCLC A和B期。TTB是ER最重要的预测因子（HR=2.2; p<0.001）。使用6.84%作为TTB的阈值，得到了整体（p<0.001）、BCLC A（p<0.001）和BCLC B（p=0.027）患者的两个ER风险层次。
研究结论
通过MRI上的DL基础自动化分割确定的TTB是预测术后ER的生物标记物，并促进了BCLC A和B期患者内的细化亚分类。通过深度学习基于自动化分割在MRI得到的总肿瘤负担可能作为预测早期复发的成像生物标记物，从而改善肝癌切除术后巴塞罗那临床肝癌A和B期患者的亚分类。



02

Deep learning in pulmonary nodule detection and segmentation: a systematic review
标题：深度学习在肺结节检测和分割中的系统评价
标签：Lung Neoplasms,Solitary pulmonary nodule,Deep learning,Tomography (X-ray computed),X-ray computed
研究背景
肺癌是全球癌症死亡的主要原因，占所有癌症死亡的18.4%。肺结节通常是肺癌的早期指标，但并不总是表示恶性。早期检测和精确分割肺结节对于准确诊断和治疗肺癌至关重要。
研究目的
本研究旨在比较使用深度学习技术检测和分割肺结节的方法，以填补现有文献中的方法学空白和偏见。
研究方法
本研究采用系统评价方法，遵循系统评价和荟萃分析的首选报告项目指南（PRISMA），搜索PubMed、Embase、Web of Science Core Collection和Cochrane Library数据库截至2023年5月10日的文献。使用诊断准确性研究质量评估工具-2（QUADAS-2）框架评估偏倚风险，并结合医学成像中人工智能检查表（CLAIM）进行调整。研究分析和提取了模型性能、数据来源和任务焦点信息。
研究结果
筛选后包括了九项符合纳入标准的研究。这些研究发表于2019年至2023年间，主要使用公共数据集，以Lung Image Database Consortium Image Collection和Image Database Resource Initiative和Lung Nodule Analysis 2016最为常见。研究主要关注检测、分割等任务，主要使用卷积神经网络进行模型开发。性能评估涵盖了多个指标，包括敏感性和Dice系数。
研究结论
本研究突出了深度学习在肺结节检测和分割方面的潜力。它强调了标准化数据处理、代码和数据共享、外部测试数据集的价值，以及未来研究中平衡模型复杂性和效率的必要性。临床相关性声明：深度学习在自动检测和分割肺结节方面显示出巨大的前景。未来的研究应该解决方法学上的不足和变异性，以增强其临床应用性。


03

Prospective and multi-reader evaluation of deep learning reconstruction-based accelerated rectal MRI: image quality, diagnostic performance, and reading time
标题：基于深度学习重建的加速直肠MRI的前瞻性和多读者评估:图像质量，诊断性能和阅读时间
标签：Rectal adenocarcinoma,Magnetic resonance imaging,Deep learning reconstruction,Imaging quality,Diagnostic performance
研究背景
近年来，直肠癌症的发病率上升，对影像学检查的效率和质量提出了更高要求。MRI是直肠癌症评估的首选影像方式，特别是二维高分辨率T2加权成像（T2WI），在评估肿瘤浸润深度、预测淋巴结转移、血管外侵（EMVI）和直肠系膜（MRF）受累方面发挥关键作用。
研究目的
评估基于深度学习重建（DLR）的加速直肠MRI与传统标准MRI相比，在图像质量、诊断性能和阅读时间方面的表现。
研究方法
前瞻性研究，由机构审查委员会批准，并遵循赫尔辛基宣言原则。纳入2022年11月至2023年5月在单一中心确诊的直肠腺癌患者，进行标准快速自旋回波（FSEstandard）和基于DLR的FSE（FSEDL）序列的个体内比较。收集参与者的临床变量，包括年龄、性别、术前癌胚抗原（CEA）和糖类抗原19-9（CA19-9）水平、使用抗胆碱药物情况、手术过程和组织病理结果。
研究结果
共纳入117名患者，其中60名患者接受了根治性手术。
FSEDL比FSEstandard减少了65%的采集时间。FSEDL在信噪比、对比度-噪声比和主观评分方面均优于FSEstandard（p < 0.001）。未使用抗胆碱药物的患者中，FSEDL观察到减少的伪影（p < 0.05）。FSEDL在所有读者的T分期和总体评估中显示出更短的诊断时间，以及初级读者在EMVI和MRF的诊断时间更短（p < 0.05）。
研究结论
FSEDL相较于FSEstandard提供了改善的图像质量、阅读时间和初级放射科医师的T分期准确性，同时将采集时间减少了65%。DLR在直肠MRI中具有临床应用性，能够缩短扫描时间并改善图像质量，有助于减轻检查负担，对提高初级放射科医师的T分期准确性和阅读时间具有益处。


04
Ultra-high b-value DWI in rectal cancer: image quality assessment and regional lymph node prediction based on radiomics
标题：直肠癌的超高b值DWI:基于放射组学的图像质量评估和区域淋巴结预测
标签：Rectal neoplasms,Lymphatic metastasis,Diffusion magnetic resonance imaging,Machine learning
研究背景
直肠癌（RC）是消化系统中最普遍的恶性肿瘤之一，其全球发病率逐年上升。准确确认区域淋巴结转移（LNM）对于确定治疗计划和RC患者的总体生存至关重要。然而，使用基于MRI的形态学标准诊断LNM的敏感性和特异性仍然不尽人意。
研究目的
本研究旨在评估多b值弥散加权成像（DWI）在直肠癌患者中的图像质量，并基于影像组学预测区域淋巴结转移（LNM）。
研究方法
这项回顾性研究包括了199名接受过多b值DWI的RC患者。对DWIb1000、DWIb2000和DWIb3000进行了主观（五点评分Likert量表）和客观的图像质量评估。患者被随机分为训练组（n=140）或验证队列（n=59）。在ADC图（b=0, 1000 s/mm²）以及DWIb1000、DWIb2000和DWIb3000上提取了肿瘤全体积的影像组学特征。使用逻辑回归分析开发了基于选定特征的五个预测模型。通过接收者操作特征曲线、校准和决策曲线分析（DCA）评估影像组学模型的性能。
研究结果
随着b值的增加，肿瘤的平均信号强度（SItumor）、信噪比（SNR）和伪影及解剖可区分性评分逐渐降低。然而，DWI b2000的对比噪声比（CNR）优于DWI b1000和DWI b3000。DWI b2000的总体图像质量评分高于DWIb3000，并且与DWI b1000没有显著差异。基于DWIb2000的影像组学模型的曲线下面积（AUC）值（0.728）高于传统的ADC图（0.690）、DWIb1000（0.699）和DWIb3000（0.707），但低于多b值DWI（0.739）。
研究结论
DWI b 2000在RC中提供了比DWI b1000和DWI b3000更好的病变显影和LNM预测。临床相关性声明：DWI b2000提供了令人满意的病变可视化效果。基于DWI b2000的影像组学特征可以应用于预测直肠癌区域淋巴结转移，从而有利于分层治疗策略的制定。
参考文献
1.Wei H, Zheng T, Zhang X, Zheng C, Jiang D, Wu Y, Lee JM, Bashir MR, Lerner E, Liu R, Wu B, Guo H, Chen Y, Yang T, Gong X, Jiang H, Song B. Deep learning-based 3D quantitative total tumor burden predicts early recurrence of BCLC A and B HCC after resection. Eur Radiol. 2024 Jul 19. doi: 10.1007/s00330-024-10941-y. Epub ahead of print. PMID: 39028376.
2.Gao C, Wu L, Wu W, Huang Y, Wang X, Sun Z, Xu M, Gao C. Deep learning in pulmonary nodule detection and segmentation: a systematic review. Eur Radiol. 2024 Jul 10. doi: 10.1007/s00330-024-10907-0. Epub ahead of print. PMID: 38985185.
3.Peng W, Wan L, Tong X, Yang F, Zhao R, Chen S, Wang S, Li Y, Hu M, Li M, Li L, Zhang H. Prospective and multi-reader evaluation of deep learning reconstruction-based accelerated rectal MRI: image quality, diagnostic performance, and reading time. Eur Radiol. 2024 Jul 17. doi: 10.1007/s00330-024-10882-6. Epub ahead of print. PMID: 39017934.
4.Hao Y, Zheng J, Li W, Zhao W, Zheng J, Wang H, Ren J, Zhang G, Zhang J. Ultra-high b-value DWI in rectal cancer: image quality assessment and regional lymph node prediction based on radiomics. Eur Radiol. 2024 Jul 12. doi: 10.1007/s00330-024-10958-3. Epub ahead of print. PMID: 38992110.