自我监督的异常检测——金属植入物及其他异常情况

《MEDICAL PHYSICS》：Self-supervised out-of-distribution detection—Metal implants and other anomaly

提出一种基于生成架构的AI模型，用于检测腹部-盆腔CT中的未知异常和OOD数据。该方法通过L3脊椎切片或系列切片生成重建并计算异常评分，在Mayo Clinic的2850例训练数据上验证，并在前瞻性544例及公开AbdominalCT-1k数据集测试中实现86.11%和75.26%的TP率，有效解决传统方法在异物伪影和未知异常中的局限性，支持非共享医疗环境的自动化数据校验。

　　

摘要

背景

尽管深度学习模型在CT内部测试中的精确度很高，但由于患者运动以及金属或硅胶等植入物造成的伪影（这些因素在精心制作的训练数据中并未被考虑在内），其在外部验证中的效果往往下降。CT检查中存在大量“未知”异常情况，这使得为异常数据（OOD）识别训练一个监督模型变得不切实际，尤其是在面对未见过的外部数据时。

目的

开发一种人工智能（AI）模型，用于检测和识别腹部-盆腔CT检查中的异常数据/OOD数据，以提高下游应用的性能。

方法

我们提出的2D和3D生成架构接收第三腰椎（L3）的切片（切片级模型）或整个序列的所有切片（序列级模型），生成重建图像；其次，我们的架构还包括一个异常评分计算模块，用于识别异常像素/体素（切片级/序列级），从而发现异常的L3切片/体积。我们使用来自梅奥诊所多个校区（60%为女性；平均年龄：66.9岁，92.4%为非西班牙裔白人）的2850多份50岁以上成年人的腹部-盆腔CT数据进行了训练，并在2024年7月的544份前瞻性测试数据集（47.3%为女性；平均年龄：70.9岁，94%为非西班牙裔白人）以及一个外部测试数据集上进行了测试。

结果

我们发现，虽然传统方法取得了中等程度的成功，但我们的生成模型——向量量化变分自编码器（VQVAE）和视觉变换器-掩码自编码器（VIT-MAE）——取得了优异的结果，假阳性（FP）率几乎可以忽略不计，并且在识别各种类型的OOD样本方面也更为出色。前瞻性分析显示，该模型能够处理放射学报告中对异常情况的描述不足的问题，真阳性（TP）率为86.11%。我们还使用了公开可用的AbdominalCT-1k数据集进行了外部验证，该数据集包含了来自多个现有基准数据集的1062份CT扫描结果。该模型的真阳性率为75.26%，而24.7%的假阳性主要由位于身体外部的异常引起。

结论

所提出的方法可以用于检测腹部CT图像中的 intra-class 和 inter-class OOD 数据，并能评估CT数据集的质量，以提供可操作的见解。这种工作流程对于无法共享的医疗合作尤其有价值，因为它可以在本地防火墙内作为服务部署，实现自动化的数据集管理，而无需预先了解ODD的类型。算法的实现代码可在GitHub上找到：https://github.com/gokul-ramasamy/implant_detection.git。

利益冲突声明

作者声明没有利益冲突。

数据可用性声明

本研究使用了梅奥诊所的专有临床影像数据以及公开可用的数据集。梅奥诊所的数据可在合理请求并获得机构批准后提供。本研究中使用的公共外部数据集可免费访问。