基于深度学习的计算机辅助诊断技术，用于MRI图像中腮腺肿瘤的识别

《Auris Nasus Larynx》：Deep learning-based computer-aided diagnosis for parotid gland tumors on MRI

本研究开发基于EfficientNet的深度学习模型用于腮腺肿瘤MRI影像的良恶性鉴别，结果显示CAD显著提升阅片者诊断准确率（76%→86%）和AUC（0.82→0.94），尤其在中间/高分级及pT2-T4肿瘤中效果显著，证实DL-CAD对临床决策的辅助价值。

　　

浦边由纪 | 三谷宗平 | 木下浩二 | 河口直人 | 北谷隆 | 佐藤惠里子 | 星川由纪 | 石城雅晴 | 吉田和树 | 向井川隆 | 波多仁人

日本爱媛县土庄市七塚川，爱媛大学医学院耳鼻咽喉头颈外科

摘要

目的

基于精确成像的良性与恶性腮腺肿瘤鉴别对于确定适当的治疗方案至关重要。本研究旨在探讨基于深度学习（DL）的计算机辅助诊断（CAD）系统是否能够通过提升读片者在MRI评估腮腺肿瘤时的表现，从而为临床实践带来额外价值。

方法

本研究纳入了2000年至2022年间接受手术的患者。利用170例经组织学确认的病例的MRI数据开发了一个基于EfficientNet的CNN深度学习模型；模型评估采用了五折交叉验证方法（按患者分组以避免数据泄露）。每个分组中包含训练集、验证集和测试集，模型输出为肿瘤恶性的概率。在读片者研究中，我们将所有五组的测试集合并，共获得134例病例进行分析。四名读片者首先独立对MRI图像进行良性与恶性分类，随后再使用CAD辅助分类。我们分别评估了有无CAD辅助下的诊断准确性、敏感性、特异性和AUC值。

结果

该深度学习模型的准确率为0.85，AUC值为0.93。使用CAD辅助后，读片者的诊断准确性显著提高（准确率：0.86 vs 0.76；AUC：0.94 vs 0.82；p < 0.001）。这一提升在经验丰富的放射科医生（AUC：0.85至0.94）和住院医师（AUC：0.79至0.95）中均有体现。亚组分析显示，CAD显著提高了中度及高级别肿瘤、pT2–T4肿瘤的恶性预测概率，但对低级别或pT1肿瘤的预测效果不明显。

结论

基于深度学习的CAD系统无论读片者经验如何，均能提升诊断性能，尤其在MRI评估中对于高级别和局部晚期腮腺肿瘤具有较高实用价值。

引言

唾液腺肿瘤属于罕见肿瘤，约占所有肿瘤的0.3%，头颈部肿瘤的6%[1]。其中大部分发生于腮腺，据报道75–85%为良性肿瘤，15–25%为恶性肿瘤[2][3][4]。腮腺肿瘤的主要治疗手段是根治性手术，而腮腺内是否存在面神经是手术决策的关键因素。良性肿瘤通常采用保留面神经的手术方式；而对于恶性肿瘤，根据神经受侵犯程度和恶性程度，可能需要更广泛的切除，包括切除面神经[5][6]。由于术后面神经麻痹会显著影响患者生活质量，因此只有在对面神经切除确有必要时才应进行手术。因此，术前通过精确的影像学诊断区分良性与恶性肿瘤对于手术计划至关重要。 超声、计算机断层扫描（CT）和磁共振成像（MRI）是常规用于腮腺肿瘤诊断的方法。其中，MRI因其在软组织对比度方面的优势而被认为最为有用[7][8][9]。然而，由于腮腺肿瘤的相对罕见性及组织学异质性（包含15种良性肿瘤和21种恶性肿瘤类型[10]），术前区分良性与恶性病变仍具有临床挑战性。近年来，基于放射影像的计算机辅助诊断（CAD）技术受到了越来越多的关注。CAD系统已成功应用于多种疾病的影像学诊断，包括肺结节、食管癌、皮肤病和结直肠息肉[11][12][13][14]。针对腮腺肿瘤，也有使用超声[15]和CT[16]的CAD系统的研究报道。 尽管MRI被认为是区分良性与恶性腮腺肿瘤的最有效手段，但其在实际临床应用中的效果仍有限。尽管近期系统评价表明基于MRI的模型具有较高的诊断性能，但尚缺乏足够的证据证实其在临床实践中的附加价值。因此，本研究的目的是开发一个基于深度学习的腮腺肿瘤诊断模型，特别是验证基于MRI的CAD系统能否提升耳鼻咽喉头颈外科医生的诊断能力并辅助术前决策。

研究概述

图1展示了本研究的内容。首先，我们开发了一个深度学习模型，利用MRI图像将腮腺肿瘤分类为良性或恶性。该模型通过监督学习方法进行训练，并使用验证数据集进行性能评估。为防止超参数优化导致模型性能被高估，我们对验证数据集中表现最佳的模型进行了进一步评估。

测试数据中的患者特征

用于影像诊断的测试数据包含134名患者（通过五折交叉验证获得，见表2）。其中67例为良性肿瘤，平均年龄为58.2 ± 13.0岁，男性44例，女性23例。从组织学类型来看，多形性腺瘤（30例，45%）和Warthin瘤（27例，40%）是最常见的良性肿瘤类型，而涎管癌是最常见的恶性肿瘤类型（27例，40%）。

讨论

本研究利用T1-和T2加权MRI图像开发了一个深度学习模型，用于区分良性与恶性腮腺肿瘤。基于CAD的辅助诊断将读片者的整体准确率从76%提升至86%，AUC值从0.82提高至0.94（p < 0.001）。在使用CAD辅助的情况下，恶性肿瘤的诊断准确率平均达到73%（p < 0.001）；而对于低级别肿瘤，准确率仍为64%（p = 0.173），病理T1肿瘤的准确率为50%（p = 0.573）。 在良性与恶性肿瘤的鉴别任务中，CAD辅助显著提高了诊断效果。

局限性

本研究存在若干与时间采样和技术异质性相关的重要局限性。为确保足够的恶性肿瘤样本，收集样本的时间跨度较良性肿瘤更长，从而导致病理类型分布与采样年份之间存在混杂。这种时间上的差异可能导致跨时期的性能比较出现严重偏差。在进行此类比较时需充分考虑这一因素。

结论

基于MRI的CAD系统提升了读片者在腮腺肿瘤诊断中的敏感性和特异性，无论其经验水平如何，均有助于避免过度治疗或治疗不足的情况。尤其在高级别和T2–T4阶段肿瘤的诊断中，CAD的决策支持作用尤为明显。将CAD与细针穿刺活检（FNAC/CNB）及其他MRI序列结合使用，并通过多中心外部验证，将有助于进一步巩固其临床应用的证据基础。

作者贡献

所有作者均符合ICMJE的作者资格标准： - 浦边由纪：概念构思、数据分析、初稿撰写 - 三谷宗平：指导、审稿与编辑 - 木下浩二：软件开发与方法设计 - 河口直人：数据收集与分析 - 北谷隆：撰写与审稿 - 佐藤惠里子：撰写与审稿 - 星川由纪：软件开发与方法设计 - 石城雅晴：软件开发与方法设计 - 吉田和树：数据收集 - 向井川隆：资源协调与指导 - 波多仁人：指导、审稿与编辑