根据发表在《放射学：人工智能》上的一项研究，一种新开发的算法能够准确地对六种不同类型的脑肿瘤进行分类，并将病理性与健康的磁共振成像 (MRI) 扫描区分开来。此外，这是通过对每位患者进行一次扫描而实现的，无需任何额外的手动输入。
在这项回顾性研究中，圣路易斯华盛顿大学电子工程博士候选人Satrajit Chakrabarty及其同事开发了一个三维（3D）卷积神经网络模型，用于将MRI扫描分为健康类和六个肿瘤类：高级别胶质瘤、低级别胶质瘤、脑转移、脑膜瘤、垂体腺瘤和听神经瘤。
“这是第一项针对最常见的颅内肿瘤类型并直接确定肿瘤类别以及从 3D MR 体积检测肿瘤不存在的研究，”作者说。“没有任何手动分割的肿瘤或边界框的帮助，卷积神经网络模型……可以对六种脑肿瘤类型进行分类并区分，从每个病人的单一对比后T1加权扫描中区分健康和病理扫描”
研究人员从四个公开可用的数据集中纳入了2105张术前对比度后T1加权MRI扫描，1396张扫描被用来训练模型，而361张扫描被分配到一个内部测试数据集，348张扫描被分配到一个外部测试数据集。
在内部测试数据集上，在七个不同类别中，该模型实现了 87% 至 100% 的灵敏度、85% 至 100% 的阳性预测值 (PPV)、接收者操作特征曲线下面积 (AUC) 为 0.98 至 1.00精确召回曲线 (AUPRC) 为 0.91 至 1.00。在包含高级别胶质瘤和低级别胶质瘤的外部测试数据集上，该模型的灵敏度为 91% 至 97%，PPV 为 73% 至 99%，AUC 为 0.97 至 0.98，AUPRC 为 0.9 至 1.0。
在所讨论的七个类别中，在高级别神经胶质瘤、低级别神经胶质瘤和健康人中观察到更多错误。作者解释说，低级别胶质瘤和健康级别之间错误分类的原因可能是由于血脑屏障的破坏较少，因此在对比后 T1 加权 MRI 扫描中低级别胶质瘤的对比度增强较少。
“该模型可以扩展到其他脑肿瘤类型或表现出的神经系统疾病 MRI 扫描中的异常强度分布，”作者说。“该网络是开发人工智能增强放射学工作流程的第一步，该工作流程可以通过向临床医生提供定量信息和统计数据来支持图像解释，以帮助改善诊断和预后。”
