重大突破

　　多参数核磁共振成像广泛应用于EOC与BEOT的术前无创鉴别诊断，但临床上主要依赖放射科医生的肉眼判断，主观性较大、耗时长且准确率不高（平均准确率74%-89%）。团队前期开发了一种基于影像组学的诊断方法（Journal of Magnetic Resonance Imaging，DOI: 10.1002/jmri.27084），取得了91.7%的平均准确率，但该方法依赖于人工勾画病灶靶区，无法完全克服主观、耗时等问题，临床应用受限。为此，中科院苏州医工所简俊明博士借助人工智能技术，提出一种基于多示例卷积神经网络的全自动诊断方法（见图1），分别构建了将T2WI，ADC及T1WI序列分别作为图像的红、绿、蓝通道进行融合的图像级多参数（EMP）模型；和使用线性回归模型将T2WI，ADC及T1WI序列各自的预测结果进行整合的决策级多参数（LMP）模型。同时，团队还将EMP和LMP模型的诊断性能与六位影像科医生组成的专家团队（从业时间介于2-13年）进行了对比。研究结果显示，EMP模型与LMP模型都具有优秀的鉴别诊断能力，且后者准确率（88.4%）略高于前者（85.5%）（见图2）。此外，相比于六位影像科医生的平均水平（准确率79.7%），团队构建的EMP和LMP模型都具有明显优势（见图3）。

　　该研究的价值在于探索并验证了在不进行肿瘤区域勾画的情况下，人工智能技术在EOC与BEOT鉴别诊断上的价值。作为前期基于影像组学鉴别EOC与BEOT工作的延伸，虽然本研究中提出的模型诊断精度略有下降，但其摆脱了对病灶靶区精细勾画的依赖，客观性及稳定性更强，应用推广价值更高。借助该模型，放射科医生仅需确定肿瘤区域的最上和最下层面位置，便可实现全自动分类模型构建及预测。

　　该研究受广东省重点研究发计划等项目资助，相关成果发表于Journal of Magnetic Resonance Imaging (DOI: 10.1002/jmri.28008)。

　　论文链接：https://onlinelibrary.wiley.com/doi/abs/10.1002/jmri.28008 

　　图1 EOC与BEOT鉴别模型。（a）多示例卷积神经网络架构；（b）EMP模型与LMP模型。 

　　图2 EMP模型与LMP模型性能对比。 

　　图3 LMP模型与六位影像科医生的诊断能力对比。根据医生的临床经验，六位影像科医生被分为两组：组1（2年，3年及5年），组2（10年，12年及13年）。