European Radiology：基于YOLO深度学习模型的x线片原发骨肿瘤的检测与分类

骨肿瘤代表了一个广泛的类别，主要分为良性、交界性和恶性。尽管骨肿瘤并不常见，但20岁以下癌症患者的第三大死因是骨肿瘤。骨肿瘤的亚型在生物学行为上有所不同，根据其分类，需要不同的治疗方法。因此，精确的诊断对于医生制定个性化的治疗方案至关重要。

影像学检查对于骨肿瘤的首次诊断至关重要，影响着最初的治疗及风险分层。虽然x线片在容易出现广泛的解剖重叠和复杂的骨结构区域受到限制，但x线片仍被认为是评估骨病变演变的一线成像方式，与计算机断层扫描（CT）和磁共振成像（MRI）相比，x线片通常能对骨病变的位置、内部基质和边界进行精确评估，并具有快速获取和成本效益。

现阶段，CT和MRI等先进的成像方式在诊断骨肿瘤方面已变得越来越重要。因此，放射科住院医师在培训中对传统x线片的学习较少。此外，对x线片上的骨病变进行精确诊断，常常需要具有肌肉骨骼肿瘤学专业知识的放射科医生。许多放射科医生可能没有积累足够的培训经验来识别和评估x线片上的骨肿瘤。

人工智能（AI）算法可以在没有人类干预的情况下从数据中学习，因此为肌肉骨骼放射学提供了令人振奋的前景。一些基于从CT和MR图像中提取的放射组学的机器学习分类器已被临床用于诊断骨病变。人工智能中的DL模型可用于各种肌肉骨骼放射学相关的任务，包括骨折的自动检测和骨骼年龄评估。最近，EfficientNet-B0架构和inception-v3等DL模型在对骨X光片上的骨肿瘤进行分类方面显示出巨大的前景。然而，所使用的骨X光片是通过手工绘制来标记肿瘤，作为DL模型的输入图像，而且缺少对X光片上的骨肿瘤检测过程。最后，Detectron2作为一种基于物体检测器的深度学习模式，也被用于检测、分割和分类X光片上的骨病变。但是这个DL模型在检测任务中表现出较低的性能。此外，其在区分骨肿瘤X光片和正常骨X光片的能力也很不确定。

近日，发表在European Radiology杂志的一项研究通过采用区域卷积神经网络 "只看一次"（YOLO）来开发和验证了一个深度学习模型，并将其性能与放射科医生进行了比较。

本项回顾性研究使用了2009年1月至2020年12月期间两个中心的1085张骨肿瘤X光片和345张正常骨X光片来训练和测试研究提出的YOLO深度学习（DL）模型。训练后的模型对骨病变进行了检测，然后将这些X光片分为正常、良性、交界性或恶性类型。使用交叉大于联合（IoU）来评估模型在检测任务中的表现，并使用混淆矩阵和Cohen's kappa分数评估分类性能。由两位放射科医生使用外部验证集比较了与训练过的模型的诊断性能。 

在检测任务中，该模型在内部和外部验证集中的准确率分别为86.36%和85.37%。在DL模型中，放射科医生1和放射科医生2在外部验证集的四向分类中分别取得了0.8187、0.7927和0.9077的Cohen's kappa分数。YOLO DL模型说明中间骨肿瘤分类的准确性明显高于放射科医生1（95.73% vs 88.08%，p = 0.004）。 

图 a,b 通过YOLO的检测结果。a 一个骨软骨瘤病例，蓝框代表真实结果，红框代表YOLO的预测结果。b 一个骨纤维发育不良的病例，蓝框代表真实结果，红框代表YOLO的预测结果。c, d 显示了假阳性结果（白色箭头）。 c X光片上高密度的衣服被YOLO错误地检测为骨病变（白色箭头）

综上所述，本项研究开发了YOLO DL模型来进行骨科X光片上骨病的诊断。研究数据表明，YOLO DL模型可以检测出骨病变的正确位置，并区分出骨X光片的类型：正常、良性、交界性或恶性。这种全自动的骨肿瘤检测和分类工具可改变骨X光片的诊断过程，并有助于防止骨病变的漏诊。
原文出处：

Jie Li,Sudong Li,Xiaoli Li,et al.Primary bone tumor detection and classification in full-field bone radiographs via YOLO deep learning model.DOI:10.1007/s00330-022-09289-y