摘要： 研究人员开发了一种AI模型，通过分析一系列脑部扫描图像来准确预测儿童胶质瘤的复发。该模型采用了一种称为时间学习的方法，能够解读治疗后多次MRI图像中的细微变化。
研究发现，使用多张图像进行分析显著优于传统的单次扫描分析，预测准确率高达89%。这种方法未来可能减少频繁扫描的负担或实现早期干预。
关键事实：
来源： 马萨诸塞州总医院
人工智能（AI）在分析大量医学影像数据集和识别可能被人类观察者忽略的模式方面显示出巨大的潜力。
AI辅助解释脑部扫描图像可能有助于改善患有胶质瘤的儿童的护理，这些肿瘤通常可以通过手术治愈，但复发的风险各不相同。
马萨诸塞州布里格姆医院的研究人员及其在波士顿儿童医院和丹娜-法伯/波士顿儿童癌症和血液疾病中心的合作者训练了深度学习算法，以分析治疗后的连续脑部扫描，并标记出有复发风险的患者。
他们的研究成果发表在《新英格兰医学杂志AI》上。
“许多儿童胶质瘤可以通过单独手术治愈，但当复发时，后果可能是毁灭性的，”马萨诸塞州布里格姆医院的人工智能医学（AIM）项目和布里格姆妇女医院放射肿瘤科的通讯作者Benjamin Kann博士说。“很难预测哪些患者可能会复发，因此患者需要在多年内频繁接受磁共振（MR）成像随访，这对儿童和家庭来说是一个压力大且负担重的过程。我们需要更好的工具来早期识别哪些患者复发风险最高。”
对于相对罕见的疾病，如儿童癌症，研究往往受到数据有限的挑战。这项部分由美国国立卫生研究院资助的研究利用了全国范围内的机构合作，收集了715名儿科患者的近4,000张MRI扫描图像。
为了最大化AI从患者的脑部扫描中“学习”的内容，并更准确地预测复发，研究人员采用了时间学习技术，该技术训练模型从几个月内多次拍摄的脑部扫描图像中综合信息。通常，用于医学成像的AI模型是基于单次扫描进行训练的；而时间学习技术在此前尚未用于医学成像AI研究，它利用随时间获取的图像来提高癌症复发的预测准确性。
为了开发时间学习模型，研究人员首先训练模型按时间顺序排列患者的术后MRI扫描图像，从而使模型能够识别细微的变化。然后，研究人员进一步微调模型，使其能够正确关联变化与随后的癌症复发。
最终，研究人员发现，时间学习模型在治疗后一年内预测低级别或高级别胶质瘤复发的准确率为75%至89%，显著高于基于单次图像预测的约50%的准确率（相当于随机猜测）。
提供更多的治疗后时间点图像可以提高模型的预测准确性，但只需4到6张图像即可达到这一提升的峰值。
研究人员提醒说，在临床应用之前还需要在其他环境中进行进一步验证。最终，他们希望启动临床试验，看看AI驱动的风险预测是否能改善护理——无论是通过减少最低风险患者的成像频率，还是通过对高风险患者进行早期靶向辅助治疗。
“我们已经证明，AI能够有效地分析并从多张图像中做出预测，而不仅仅是单次扫描，”马萨诸塞州布里格姆医院AIM项目和布里格姆妇女医院放射肿瘤科的第一作者Divyanshu Tak说。“这种技术可以应用于许多需要连续纵向成像的场景，我们非常期待看到这个项目将激发什么新的进展。”
(全文结束)
声明：本文仅代表作者观点，不代表本站立场，全文内容涉及AI跨语种自动翻译。如有侵权请联系我们删除。