基于影像的计算机深度学习对脊柱原发肿瘤精准诊断及预后评估的价值研究

The spine plays an important role in supporting and protecting spinal cord and spinal nerves. Primary spinal tumors will cause spinal bone destruction, neurological damage or even paralysis, and the malignant tumors will cause the whole multi-system metastasis of tumors, which seriously affect the life quality of patients. Because of the complex anatomy of the vertebral body, many kinds of tumor tissue sources and pathological types and similar clinical symptoms, the preoperative accurate diagnosis becomes very difficult. At the same time, the treatment methods and prognosis of tumors with different natures and stages have a big difference. Therefore, a noninvasive, rapid and accurate imaging technique is urgently needed to achieve the accurate diagnosis of primary spinal tumors, predict tumor biological behavior and indicate prognosis, in order to guide the personalized treatment clinically. At present, with the improvement of computer machine learning ability and medical big data, it provides a new opportunity for the automatic analysis of medical imaging and assist doctors to get the intelligent diagnosis of high-precision and the prediction of diseases. In this study, by getting the standardization clinical and the imaging data of patients with primary spinal tumors, applying the deep learning to analyze and predict the diseases, and fully combining the results of histopathology and clinical follow-up, we can explore the value of computer deep learning in the accurate diagnosis, the prediction of biological behavior and prognosis of the primary spinal tumors.

脊柱起到支撑和保护脊髓、脊神经的重要作用，脊柱原发性肿瘤可造成脊柱骨质破坏、并可引起神经功能损害甚至瘫痪，恶性者还可引起全身多系统转移，严重影响患者生存质量。由于椎体解剖复杂、肿瘤组织来源和病理类型繁多、临床症状类似，因此术前精准诊断非常困难，同时，不同性质和分期的肿瘤治疗方法及预后差别很大。因此，亟需一种无创、快捷、精准的影像学技术来精准诊断脊柱原发性肿瘤、预测肿瘤生物学行为、提示预后，以指导临床进行个性化治疗。目前随着计算机机器学习能力的提升和医疗大数据的发展，为实现医学影像的自动分析及辅助医生实现疾病的高精度人工智能诊断与预测提供了新的契机。本研究拟通过对脊柱原发性肿瘤患者进行规范化的临床及影像数据提取，应用深度学习神经网络技术进行分析和预测，并充分结合组织病理学及临床随访结果，探讨计算机深度学习应用于脊柱原发性肿瘤精准诊断、预测肿瘤生物学行为以及治疗预后的价值。

早期精准诊断是提高脊柱肿瘤疗效的关键，人工智能为发掘图像深层信息、实现高精度诊断提供可能。本项目探索深度学习、影像组学及多模态影像分析等方法在脊柱肿瘤的精准诊断、鉴别诊断及预后预测中的意义。.开发深度学习多模型加权融合框架（WFF）区分脊柱良恶性肿瘤，共纳入270例脊柱良性肿瘤和315例恶性肿瘤患者，并将结果与三名医生对比。最终，WFF的准确率为0.82且高于所有医生。随后，应用动态增强MRI（DCE-MRI）、影像组学和深度学习鉴别脊柱不同来源转移瘤，分析30例肺癌转移和31例其它转移，比较DCE-MRI、影像组学和深度学习的预测效果，DCE-MRI结合深度学习预测效果最高（0.81）。证明深度学习不仅能区分脊柱良恶性肿瘤，也能对脊柱转移瘤的来源初步判断。.探讨影像组学诊断多发性骨髓瘤（MM）患者高危细胞遗传学异常的可行性。对89例MM患者使用多种影像组学模型和序列组合判断高危细胞遗传学异常，结果表明基于T1+T2组合的逻辑回归模型在判断高危细胞遗传学异常的效果最好（AUC=0.85）。另外通过对103例MM和138例转移瘤患者建立基于不同EPV经验法则的影像组学模型，验证影像组学能否区分MM与转移瘤，最终基于10EPV法则建立的影像组学模型效果最好（AUC=0.84）。上述研究证明影像组学能够诊断MM患者的高危细胞遗传学状态并与转移瘤相鉴别。.应用快速千伏管电压切换-双能CT成像鉴别脊柱溶骨性转移与感染，通过分析29例脊柱溶骨性转移瘤和18例脊柱感染性病变中能谱物质含量，证明静脉期病变与动脉碘含量的比值取阈值为0.54时，该方法的灵敏度为0.83、特异度为0.78。.最后通过影像组学预测脊柱骨巨细胞（GCTB）瘤核因子κB配体（RANKL）表达并预测预后，结果表明GCTB患者的RANKL表达与疾病预后显著相关，基于CT的影像组学能够提示GCTB的预后情况。

内容获取失败，请点击重试