《Academic Radiology》：A Multicenter Study on Deep Learning Model-Assisted Detection of Brain Metastases in MR Images
编辑推荐：
本研究旨在开发并验证基于深度学习的脑转移瘤检测模型（BMDM），通过多中心大样本数据（950例训练/测试，423例验证）比较放射科医生单独、模型单独及联合读取的效果，发现联合读取使读取时间减少30.87%，AFROC曲线下面积从0.837提升至0.954，灵敏度提高至0.916，尤其对经验不足的放射科医生和小于3毫米的病灶检测效果显著，证明BMDM在脑转移瘤诊断中具有显著临床价值。
作者名单：梅花华、卓立勇、张宇、徐英进、侯燕、朱凤英、杨璐璐、王天达、任丛丛、杨子梅、罗晓、周荣珍、尹晓萍、王建宁
研究单位：中国河北省保定市河北大学附属医院/临床医学院放射科（M.H.）
研究背景与目的
本研究旨在开发并验证一种基于深度学习的脑转移瘤检测模型（BMDM），该模型能够通过磁共振成像技术辅助诊断脑转移瘤（BMs）。
材料与方法
我们回顾性收集了950名患者的数据，这些数据被用作训练集和测试集；另外423名患者的数据被用作验证集。研究比较了三种阅读模式：仅由放射科医生独立阅读（共10名医生，其中4名经验不超过3年，6名经验超过3年）、仅使用BMDM进行检测，以及放射科医生在BMDM辅助下的阅读方式。评估采用了替代自由响应接收者操作特征（AFROC）方法。
结果
在BMDM辅助下，阅读时间减少了30.87%，曲线下面积（AFROC）从0.837提高到了0.954，敏感性从0.685提升至0.916。尤其是经验较少的放射科医生，其检测敏感性的提升更为显著（24.59% vs 22.03%）。对于直径≤3毫米的病灶，检测敏感性提高了33.45%；对于岛叶病灶，敏感性提高了43.00%。
结论
研究结果表明，BMDM显著提升了脑转移瘤检测的时间效率和诊断准确性，为临床实践带来了积极意义。
研究概述
引言
脑转移瘤（BMs）是癌症患者中最常见且最严重的并发症之一，近年来其发病率达到了20%-40%。在各种原发性肿瘤中，肺癌最易发生脑转移，约50的非小细胞肺癌患者会出现脑转移。由于疾病进展迅速且预后较差，脑转移瘤患者的生存期通常仅有几个月。传统的治疗方法（如手术）对这类患者效果有限。
研究设计与参与者
本研究获得了当地伦理委员会的批准（HDFYLL-GCP-2024-119）。由于研究具有回顾性特征，因此无需获取患者的知情同意书。数据收集自四个不同的医疗机构，时间跨度为2019年8月至2020年12月，共纳入950名患者的数据作为训练集和测试集。这些病例按时间点（2020年10月31日）进行划分，确保没有数据重叠。
患者特征
2019年8月至2020年12月期间，从一个医疗机构收集了950名患者的数据，其中411名患者患有脑转移瘤（共9630个病灶），作为训练集；269名患者未患脑转移瘤。另外，还有162名患者患有脑转移瘤（共818个病灶），以及108名患者未患脑转移瘤，作为测试集。2018年6月至2023年6月期间，从三个不同省份的医疗机构连续招募了1522名患者作为验证组。
讨论
BMDM的应用显著提高了脑转移瘤检测的时间效率（减少了30.87%）和诊断准确性。与以往主要基于单中心或有限数量读者的研究相比，本研究使用了多中心的大样本数据、三维增强T1序列以及多读者的交叉设计，系统评估了小病灶和复杂解剖区域的检测性能，从而丰富了相关研究结果。
局限性
本研究在方法学和样本特征方面存在一些局限性。首先，以专家小组的阅读结果作为参考标准可能引入主观性，导致金标准存在不一致性，进而影响对边界模糊或罕见病例的模型评估，可能导致小病灶的漏诊。此外，仅在对影像学表现不典型的病例中进行了立体定向活检，因此仅对部分病例进行了病理确认。
结论
本研究成功开发并验证了BMDM模型。该模型不仅显著提升了脑转移瘤检测的时间效率，提高了不同经验水平放射科医生的诊断准确性（尤其是对初级放射科医生提供了有力支持），还在检测小病灶和复杂解剖区域的病灶方面表现出优异的性能，体现了其临床应用价值。
资金支持
本研究得到了河北省重点研发计划（23377703D）的资助。
作者贡献
- 梅花华：撰写初稿、数据整理
- 卓立勇：撰写、审稿与编辑、概念构思
- 张宇：数据验证
- 徐英进：数据验证
- 侯燕：数据验证
- 朱凤英：数据验证
- 杨璐璐：数据验证
- 王天达：数据验证
- 任丛丛：数据验证
- 杨子梅：数据验证
- 罗晓：数据整理
- 周荣珍：数据整理
- 尹晓萍：项目管理
- 王建宁：项目监督
利益冲突声明
作者声明不存在任何可能影响本研究结果的已知财务利益或个人关系。
