2023年1月，復星杏脈聯(lián)合上海市第六人民醫(yī)院梅炯主任團隊合作開發(fā)的骨腫瘤深度學習算法技術的科研成果“Radiologists with assistance of deep learning can achieve overall accuracy of benign–malignant differentiation of musculoskeletal tumors comparable with that of pre-surgical biopsies in the literature（在深度學習的輔助下，放射科醫(yī)生對肌肉骨骼腫瘤的良惡性鑒別率具有與文獻中術前活檢同等的準確性）”，獲得國際權威期刊《International Journal of Computer Assisted Radiology and Surgery》（IF影響因子：3.4211）發(fā)表。
惡性骨腫瘤早期準確診斷極具挑戰(zhàn)
基于MST罕見性和多樣化的影像學特征
肌肉骨骼腫瘤(musculoskeletal tumors, MST)具有高度異質性，其中惡性腫瘤約占所有惡性腫瘤的1%[1,2]。因為該腫瘤的罕見性和多樣化的影像學特征，惡性MST的早期準確診斷對于放射科醫(yī)生來說是一個挑戰(zhàn)[3]！據報道，只有31%的骨肉瘤和19%的尤文肉瘤在患者第一次就診時被懷疑為骨腫瘤[4]。即使最初的診斷是準確的，MST患者仍然必須接受全面的實驗室檢查、放射學檢查和活檢，這使骨肉瘤從癥狀出現到開始治療的時間延后了15周，而尤文肉瘤的時間延后了34周。
深度學習輔助診斷技術具有極大應用價值
減少骨腫瘤早期誤診率及提高診斷準確性
深度學習(deep learning, DL)醫(yī)學診斷具有極大的應用價值，可以在分析醫(yī)學影像時給醫(yī)生提供建議，減少醫(yī)生對病人病癥產生誤判的錯誤率。所以，將深度學習運用于骨腫瘤的診斷，對于減少骨腫瘤的早期誤診誤治具有極大的研究意義和臨床應用價值。
然而，迄今為止還沒有關于如何使用DL算法提高MST診斷準確性的研究。為了彌補這一差距，復星杏脈聯(lián)合上海市第六人民醫(yī)院梅炯主任團隊合作開發(fā)了骨腫瘤深度學習算法技術，測量出7名有超過15年經驗的醫(yī)生（1名放射科醫(yī)生、2名腫瘤醫(yī)生和4名骨科醫(yī)生）[5]在DL模型輔助下的診斷效果均有提高。在本研究中，我們量化了4名放射科醫(yī)生因使用該DL模型而導致的診斷準確性的提高，并將其提高的準確性與文獻中報道的術前活檢進行了比較。
我們首先對文獻進行了系統(tǒng)回顧，通過綜合符合納入標準的文獻數據，得到細針穿刺活檢（fine needle aspiration biopsy, FNAB）和核心針活檢（core needle biopsy, CNB）在區(qū)分良性和惡性MST方面各自的總體診斷準確性。為了與文獻報道的準確性進行比較，我們邀請了3名普通放射科醫(yī)生(A、B和C，分別有2年、6年和7年的放射診斷經驗)和1名肌肉骨骼放射科醫(yī)生(D，有33年的肌肉骨骼MRI經驗)，在有或沒有DL模型輔助下，在我們自己的數據集(n = 62)上進行診斷試驗。
我們采用了在骨腫瘤深度學習算法技術[5]中開發(fā)的數據集和DL模型，數據集包括304例MST患者的所有可用MR圖像，包括DCE-MRI、T1-加權、T2 -加權、擴散加權成像(diffusion-weighted imaging, DWI)和對比增強T1-加權(contrast enhanced T1 weighted, CET1-w)序列。所有腫瘤根據術后病理報告或隨訪信息標記為惡性或良性。將患者按3:1:1的比例隨機分為訓練集、驗證集和測試集。分別在三組MR的軸向、冠狀面和矢狀面圖像上訓練良惡性鑒別的DL模型，根據診斷準確性選擇最佳模型。DL模型基于MRNet（圖1），即先前在MRI[18]上用于診斷膝關節(jié)損傷的神經網絡。MRNet是一個曾用于診斷膝關節(jié)核磁共振中損傷的神經網絡算法，其骨架（backbone）為AlexNet。增強核磁共振的每一層圖片均轉化為三通道后，由AlexNet下采樣，提取出256張7×7的特征圖。特征圖經全局平均池化（average pooling）轉化為256個特征值。每個增強核磁的特征值經取每行最大值展平后由全連接層進行分類，最后輸出良性和惡性的預測概率值。
圖1：MRNet以AlexNet為骨架構建可輸出增強核磁良性和惡性的預測概率值
結果顯示，對于細針穿刺活檢，包含4604個樣本的薈萃分析符合納入標準，總體診斷準確率為0.77。對于核心針活檢，綜合7篇原始研究文章共587個樣本的結果，得出總體準確率為0.86(表1)。
表1：通過FNAB和CNB回顧了關于MST診斷的充分性和準確性的文獻
4名放射科醫(yī)生的診斷準確性請見（表2）。在深度學習的輔助下，基于影像學的骨腫瘤良惡性鑒別準確率（4人，均>0.84），明顯高于薈萃分析中報道的FNAB（0.77），與CNB相比，雖沒有統(tǒng)計學差異，但是放射科醫(yī)生“B到D”表現出更高的診斷準確性。放射科醫(yī)師“A”的診斷準確性提高到FNAB和CNB之間的水平（圖2）。
表2：放射科醫(yī)生在深度學習輔助下和通過活檢診斷的準確性對比
圖2：總體診斷準確性的比較。黃色和橙色虛線分別表示FNAB和CNB的診斷準確性
在DL算法的幫助下，所有放射科醫(yī)生在診斷敏感性方面都有顯著改善：“A”0.17（95% CI 0.07–0.26，p=0.010），“B”0.10（95% CI 0.02–0.17，p=0.043）；“C”0.07（95% CI 0.01 = 0.14，p = 0.017），“D”0.12（95% CI 0.04–0.20，p=0.002）（表3）。
表3：放射科醫(yī)生在有/無深度學習輔助下的診斷敏感性和特異性
綜上所述，本研究表明：被邀請的放射科醫(yī)生在深度學習輔助下，診斷肌肉骨骼腫瘤良惡性的能力可以提升至與文獻中的術前活檢相當的水平。該方法有助于減少惡性腫瘤漏診，同時也可幫助避免部分本不必要的活檢，降低有創(chuàng)操作的風險。
上海市第六人民醫(yī)院與復星杏脈強強聯(lián)手
深化創(chuàng)新，夯實基礎研究
上海市第六人民醫(yī)院骨科為國家骨科醫(yī)學中心、國家級重點學科、衛(wèi)生部臨床重點專科、上海市“重中之重”臨床醫(yī)學中心，在骨關節(jié)創(chuàng)傷和骨病的診療方面具有獨特的優(yōu)勢，骨腫瘤外科每年良、惡性骨腫瘤手術量達 2000余例。
復星杏脈在2017年“肺結節(jié)平均召回率96.6%”刷新國際權威的醫(yī)療影像大賽LUNA排行榜，獲得雙榜冠軍、2019年“一致性系數94.6%”榮登國際權威全球病理競賽Cancer Cellularity Challenge冠軍榜首、2021-MICCAI-FLARE腹部多器官的分割任務中獲得冠軍。目前累計SCI發(fā)表的科研文章影響因子總計342.4分，國內外發(fā)明專利已經多達110余項，累計獲得省市級以上項目、基金超過50項，其中國家級項目10余項，如科技部2030人工智能重點發(fā)展專項、國家十四五重大專項、國家973重大專項等。復星杏脈始終堅信科研必須和臨床緊密聯(lián)系，深化創(chuàng)新，夯實基礎研究，才能完成產學研一體化建設，使得真正的應用場景得到落地，實現AI驅動的醫(yī)療科技服務，結合更多的產業(yè)生態(tài)的醫(yī)療服務、硬件，落地AI產品和技術，服務百姓和患者，實現“人工智能締造全球10億家庭健康生活”的使命。
復星杏脈
人工智能締造全球10億家庭健康生活
復星杏脈作為復星旗下首個獨立孵化的人工智能企業(yè)，是一家專注于醫(yī)療人工智能的高科技公司。公司秉承“人工智能締造全球10億家庭健康生活”的使命，通過科技創(chuàng)新推動循證醫(yī)學向精準醫(yī)學的跨時代飛躍。
公司自2017年成立以來一直保持高速發(fā)展的趨勢。復星杏脈是目前國內率先完成一橫一縱的完整產研布局的公司，一橫是助力醫(yī)院影像科、病理科、超聲科、呼吸科、心內科、腫瘤科等“醫(yī)技+臨床科室”橫向貫通；一縱是軟硬件整體方案覆蓋“早篩、早診、早治、隨訪”全流程。復星杏脈多款產品協(xié)助醫(yī)院打通不同醫(yī)技科室與臨床科室協(xié)同應用的痛點，建立以患者為中心的診療一體化中心，提升醫(yī)院流程效率以及精準化治療，讓更多的患者獲益。
復星杏脈目前涵蓋“頂級三甲醫(yī)院”、“基層醫(yī)療”以及“智慧醫(yī)療”。針對頭部三甲醫(yī)院，軟硬一體、AI輔助診斷、MDT診斷及方案將大大降低人員重復勞動的需求，提升科室運營效率；針對基層醫(yī)療，通過智能化的區(qū)域醫(yī)共體建設，解決基層人才短缺問題，讓分級診療切實落地；針對智慧醫(yī)療，通過與醫(yī)學大中心的合作研發(fā)具備三類醫(yī)療資格的產品，協(xié)助智慧醫(yī)療真正進入診療體系，塑造未來智慧化醫(yī)院治療場景。
文獻參考：
WHO Classifification of tumors Editorial Board (2020) WHO classifification of tumors of soft tissue and bone, 5th edn. IARC Press, Lyon
Ferrari A, Dirksen U, Bielack S (2016) Sarcomas of soft tissue and bone. Prog Tumor Res 43:128–141.https://doi.org/10.1159/ 000447083
He Y, Pan I, Bao B, Halsey K, Chang M, Liu H, Peng S, Sebro RA, Guan J, Yi T, Delworth AT, Eweje F, States LJ, Zhang PJ, Zhang Z, Wu J, Peng X, Bai HX (2020) Deep learning-based classifification of primary bone tumors on radiographs: apreliminary study. EBioMedicine 62:103121. https://doi.org/10.1016/j.ebiom. 2020.103121
Widhe B, Widhe T (2000) Initial symptoms and clinical features in osteosarcoma and Ewing sarcoma. J Bone Joint Surg Am82(5):667–674. https://doi.org/10.2106/00004623-200005000-00007
Zhao K, Zhang M, Xie Z, Yan X, Wu S, Liao P, Lu H, Shen W, Fu C, Cui H, Fang Q, Mei J (2021) Deep learning assisted diagnosis of musculoskeletal tumors based on contrast-enhanced magnetic resonance imaging. J Magn Reson Imaging.https://doi.org/10.1002/jmri.28025
1.本文內容僅供專業(yè)人士學術交流之用。
2.本文所述內容若涉及禁忌內容或注意事項，詳見產品說明書。更多信息，請聯(lián)系：aitrox@fosun.com