研究人员训练并验证了一种深度学习模型，能够检测治疗后脑部扫描中微妙的变化，并以高达89%的准确率预测神经胶质瘤的复发。
人工智能（AI）在分析海量医学影像数据集和识别人类观察者可能遗漏的模式方面表现出巨大的潜力。人工智能辅助的脑部扫描解读可能有助于改善对患有神经胶质瘤的儿童的护理，神经胶质瘤通常是可治疗的，但复发风险各异。来自马萨诸塞州总医院布里格姆医院的研究人员与波士顿儿童医院以及Dana-Farber/波士顿儿童癌症和血液疾病中心的合作伙伴共同训练了深度学习算法，以分析序列治疗后脑部扫描数据，并标记出有癌症复发风险的患者。他们的研究结果发表在《新英格兰医学杂志AI》上。
“许多小儿神经胶质瘤仅通过手术就可以治愈，但当复发发生时，可能会造成灾难性后果，”对应作者、本科医疗人工智能项目（AIM）的Benjamin Kann博士表示，他在马萨诸塞州总医院布里格姆医院的放射肿瘤学部门工作。“预测谁可能面临复发风险是非常困难的，因此患者需要接受多年的磁共振成像（MR）的频繁随访，这一过程对儿童和家庭来说可能是压力大且负担沉重的。我们需要更好的工具，以便及早识别出复发风险最高的患者。”
研究比较稀有疾病（如儿童癌症）时可能面临有限数据的挑战。本研究部分由美国国立卫生研究院资助，利用全国范围的机构合作，收集了来自715名儿童患者的近4,000个MR扫描。为了最大限度地提高人工智能从患者脑部扫描中“学习”的能力，并更准确地预测复发，研究人员采用了一种称为时间学习的技术，这种技术训练模型合成在手术后几个月内进行的多次脑部扫描的发现。
通常，医疗影像的人工智能模型是基于单次扫描来得出结论；通过时间学习，虽然这种方法之前未用于医疗影像AI研究，但随着时间获取的影像可以丰富算法对于癌症复发的预测。为了开发时间学习模型，研究人员首先训练模型将患者手术后的MR扫描按时间顺序排列，以便模型能够学习识别微妙的变化。之后，研究人员对模型进行了微调，使其能够正确关联变化与后续癌症复发之间的关系。
最终，研究人员发现，时间学习模型预测低级别或高级别神经胶质瘤在治疗后一年内复发的准确率为75-89%，这显著优于基于单个影像的预测准确率，后者约为50%（不比随机机会好）。在治疗后提供更多时间点的影像以提高模型的预测准确率，但仅需四到六幅影像，这一改善便趋于平稳。
研究人员警告，临床应用之前需要在其他环境中进一步验证。最终，他们希望启动临床试验，以观察人工智能支持的风险预测是否能改善护理——无论是通过减少对最低风险患者的影像频率，还是通过对高风险患者实施针对性的辅助治疗。
“我们已经表明，人工智能能够有效地分析和预测多个影像中的信息，而不仅限于单次扫描，”研究第一作者Divyanshu Tak硕士表示，他在马萨诸塞州总医院布里格姆医院的AIM项目和放射肿瘤学部门工作。“这项技术可能会应用到许多接受连续纵向影像的患者的环境中，我们期待看到这个项目将会激发什么。”
作者署名：除了Kann和Tak，马萨诸塞州总医院布里格姆医院的作者还包括Biniam A. Garomsa、Anna Zapaishchykova、Zezhong Ye、Maryam Mahootiha、Tafadzwa Chaunzwa、Hugo JWL Aerts及Daphne Haas-Kogan。其他作者包括Sridhar Vajapeyam、Juan Carlos Climent Pardo、Ceilidh Smith、Ariana M. Familiar、Kevin X. Liu、Sanjay Prabhu、Pratiti Bandopadhayay、Ali Nabavizadeh、Sabine Mueller和Tina Y. Poussaint。
资助：本研究部分得到美国国立卫生研究院/国家癌症研究所（NIH/NCI）资助（U54 CA274516和P50 CA165962），以及Botha-Chan低级胶质瘤联盟的支持。我们还想感谢儿童脑肿瘤网络（CBTN）提供影像和临床数据的访问。
