在OPERA试验中利用深度学习联合MRI T1无强化和强化病灶进行多发性硬化病灶分割

• 作者: 王璐娜（译） 于红（校）
• 来源期刊: 国际医学放射学杂志
• 年，卷（期）: 2022,（3）
• 所属期刊栏目: 国际期刊连线
• 页码范围: 355
• 页数: 1页
• 语种: 中文
• DOI: 10.19300/j.2022.r0312

摘要

基于深度学习的分割可快速、可重复性地评估T1序列中的强化病灶，对于多发性硬化症（MS）的疾病管理至关重要。MS中的T1无强化及强化病灶是指注入钆对比剂后T1WI信号增高或不增高的病灶。目的 建立用于自动评估T1序列中无强化和有强化病灶的深度学习模型；进一步研究联合训练可否提高诊断性能；评估奥克雷珠单抗(ocrelizumab)对于MS的治疗效果；并评估T1基线影像学特征与复发型MS临床试验中结果的关联。资料与方法 回顾性分析复发型MS多中心OPERA试验（2011年8月—2015年5月）的多模态MRI数据集，建立联合和独立深度学习模型（U-Nets）。联合模型包括跨网络连接和组合损失函数，使用三折交叉验证对OPERAⅠ数据集进行验证训练，OPERAⅡ数据集是内部测试集。使用Dice系数、病变的真阳性率、假阳性率以及ROC曲线下面积（AUC）评估模型性能，使用Cox比例风险模型评估基线影像特征与临床结果的关联。结果 共评估了OPERAⅡ试验的796例病人[3 030人次；平均年龄（37±9）岁；女521例]。对于T1强化及无强化分割模型，其联合模型的平均Dice系数分别为0.77和0.74，病变真阳性率分别为0.88和0.86，假阳性率分别为0.04和0.19。联合模型提高了对于T1增强序列中较小体积（≤0.06 mL）病灶的诊断效能（单独训练：AUC为0.75；联合训练：AUC为0.87；P<0.001）。ocrelizumab治疗效果显著（P<0.001），表现为接受ocrelizumab治疗后第24、48、96周检查时T1强化病灶数量减少（人工评估：第24周时接受ocrelizumab治疗的366例病人共计10个病灶，接受干扰素治疗355例病人共计141个病灶，减少93%；第48周时接受ocrelizumab治疗的355例病人共计6个病灶，接受干扰素治疗317例病人共计150个病灶，减少96%；第96周时接受ocrelizumab治疗的340例病人共计5个病灶，接受干扰素治疗的294例病人共计157个病灶，减少97%。联合模型：第24周时接受ocrelizumab治疗的365例病人共计19个病灶，接受干扰素治疗的354例病人共计128个病灶，减少86%；第48周时接受ocrelizumab治疗的355例病人共计14个病灶，接受干扰素治疗的317例病人共计121个病灶，减少90%；第96周时接受ocrelizumab治疗的350例病人共计10个病灶，接受干扰素治疗的294例病人共计144个病灶，减少94%）。在随访检查中新增的T1无强化的病灶（人工评估：接受ocrelizumab治疗病人1 060人次共计504个病灶，接受干扰素治疗病人965人次共计1 438个病灶，减少68%；联合模型评估：接受ocrelizumab治疗病人1 053人次共计205个病灶，接受干扰素治疗病人957人次中共计661个病灶，减少78%）。基线检查T1无强化病灶的总体积与临床结果相关[人工评估风险比（HR）：1.12，P=0.02；联合模型HR：1.11，P=0.03]。结论 联合架构和训练提高了基于MRI T1增强序列对MS病灶的分割性能。在检测ocrelizumab治疗效果方面，2种深度学习模型都具有与人工评估一致的高性能。