European Radiology：深度学习在口腔癌颈部淋巴结转移诊断方面的应用

口腔癌是全世界范围内较为流行的恶性肿瘤之一，其复发率高、预后较差。其中，淋巴结（LN）转移是口腔癌患者复发的一个常见原因。然而，淋巴结转移的诊断常十分困难，往往造成隐匿性转移的治疗不足（30-40%）和早期的过度治疗（60-70%），这两种情况都可能导致预后不良。此外，是否应该进行选择性颈部切除以及组织切除的范围基本上取决于LN转移的诊断。

目前，CT和MRI经常被用来识别LN的大小、内部异质性和轮廓。在[18F]FDG PET的辅助下，这些成像方法可以达到更高的灵敏度。尽管现代医学影像技术不断进步，但由于工作时间有限、日常工作量大，即使是有经验的放射科医生也常常漏诊LN转移。因此，临床上迫切需要更准确和无创的LN转移诊断方法来指导治疗及评估。

作为机器学习（ML）的一个子领域，深度学习（DL）是一种使用更复杂的网络模型结构的方法，更善于发现输入数据中的深层特征，在ML的许多实际应用场景中表现良好。许多研究表明，DL在图像处理问题上取得了优异的表现。基于DL的图像分类和对象检测已被广泛用于医学领域，为诊断提供辅助建议，如皮肤癌、乳腺癌（LNs）和COVID-19。此外，在医学图像分析的若干任务中，DL可以达到或超过人类专家的性能。然而，在基于DL的医学图像处理领域，缺乏注释的数据集是一个主要问题。因此，将迁移学习（TL）引入DL可以缓解注释数据集的不足。

为了帮助减少LNs的高误诊率，将人工智能（AI）引入到口腔癌LNs的影像识别领域十分必要。近日，发表在European Radiology杂志的一项研究开发一个可以在CECT图像中以较高的准确率识别、定位和区分LNs的DL模型以取代现有的低效人工识别方法，为临床孙哥进行准确的术前评估及风险分层提供了技术支持。

本项研究回顾性地收集了本机构1466名口腔癌患者的术前CECT图像和相应的术后病理诊断结果。在第一阶段，对全层图像（五种常见的解剖结构）进行标注；在第二阶段，对阴性和阳性LNs分别进行标注。第一阶段的模型被创新性地用于第二阶段的训练，以提高转移学习（TL）的准确性。使用Mask R-CNN实例分割框架进行模型的构建和训练，并将该模型的准确性与人类观察者的准确性进行了比较。

第一阶段和第二阶段分别共标记了5412幅和5601幅图像。第一阶段的模型在测试集中取得了很好的分割效果（AP50-0.7249）。第二阶段TL模型的LN阳性准确率与放射科医生相似，远高于外科医生和学生（0.7042 vs. 0.7647（P = 0.243）、0.4216（P < 0.001）和0.3629（P < 0.001））。该模型的临床准确性最高（0.8509 vs. 放射科的0.8000、0.5500、0.4500和0.6658）。

图 数据标签的过程。使用我们的数据标签工具对输入的I期和II期CECT图像进行数据标签的过程。其中，用于训练的数据集图像是由标记的数据生成的

本项研究表明，尽管在正式临床应用前还需要更多的框架优化和大规模验证，但AI-DL-Mask R-CNN辅助CECT可以准确预测颈部LN转移，在一定程度上为放射科医生的高效诊断提供了有力支持。重要的是，便捷的操作、即时的诊断、良好的效果，赋予了这项技术强大的临床转化能力。
原文出处：

Xiaoshuai Xu,Linlin Xi,Lili Wei,et al.Deep learning assisted contrast-enhanced CT-based diagnosis of cervical lymph node metastasis of oral cancer: a retrospective study of 1466 cases.DOI:10.1007/s00330-022-09355-5