华盛顿大学医学院的一组研究人员开发了一种深度学习模型，该模型能够对脑梗死进行分类脑瘤是使用单一3D核磁共振扫描的六种常见类型之一研究发表在放射学:人工智能．
密苏里州圣路易斯华盛顿大学医学院mallinkrodt放射学计算成像实验室的博士生Satrajit Chakrabarty说:“这是第一项针对最常见颅内肿瘤的研究，并从3D MRI体积中直接确定肿瘤类型或肿瘤是否存在。”
最常见的6种颅内肿瘤类型是高级别胶质瘤、低级别胶质瘤、脑转移瘤、脑膜瘤、垂体腺瘤和听神经瘤。每个病例都是通过组织病理学记录的，这需要通过手术从疑似病灶的部位移除组织癌症然后在显微镜下观察。
Chakrabarty表示，使用MRI数据的机器和深度学习方法可能会自动检测和分类脑肿瘤。
他说:“非侵入性MRI可以作为一种补充，或在某些情况下作为组织病理学检查的替代方法。”
为了建立被称为卷积神经网络的机器学习模型，Chakrabarty和Mallinckrodt放射学研究所的研究人员从四个公开来源开发了一个大型的、多机构的颅内3D MRI扫描数据集。除了该机构自身的内部数据，该团队还获得了脑肿瘤图像分割、癌症基因组图集多形性胶质母细胞瘤和癌症基因组图集低级别胶质瘤的术前、对比后t1加权MRI扫描。
研究人员将总共2105次扫描数据分为三个子集:1396次用于训练，361次用于内部测试，348次用于外部测试。第一组MRI扫描被用来训练卷积神经网络来区分健康扫描和肿瘤扫描，并根据肿瘤类型进行分类。研究人员使用来自内部和外部MRI扫描的数据来评估模型的性能。
使用内部测试数据，该模型在7个成像类(健康类和6个肿瘤类)中实现了93.35%(361中的337)的准确性。敏感性在91%到100%之间，阳性预测值——或筛查试验呈阳性的患者真正患有这种疾病的概率——在85到100%之间。在所有类别中，阴性预测值，即筛查结果为阴性的患者真正没有患病的概率，从98%到100%不等。网络注意力与所有肿瘤类型的肿瘤区域重叠。
对于仅包含两种肿瘤类型(高级别胶质瘤和低级别胶质瘤)的外部测试数据集，该模型的准确性为91.95%。
Chakrabarty说:“这些结果表明，深度学习是一种很有前途的脑肿瘤自动分类和评估方法。”“该模型在异构数据集上取得了很高的精度，并在不可见的测试数据上表现出出色的泛化能力。”
Chakrabarty说3D深度学习模型更接近于目标通过改进现有的二维方法，实现了端到端的自动化工作流程，这需要放射科医生在机器处理之前，在MRI扫描上手动勾画或描述肿瘤区域。卷积神经网络消除了分类前肿瘤分割的繁琐和劳动密集型步骤。
该模型的联合开发者Sotiras博士说，它可以扩展到其他类型的脑肿瘤或神经疾病，潜在地提供了一个途径来增加神经放射学的工作流程。
Chakrabarty补充说:“这个网络是开发人工智能增强放射学工作流程的第一步，它可以通过提供定量信息和统计数据来支持图像解释。”
