编辑推荐：
为解决人工解读 CT 图像检测骨转移（BM）困难的问题，研究人员开展了自动骨病变检测系统（BLDS）的研究。结果显示，BLDS 在检测骨病变上表现良好，能提升放射科医生诊断性能。其有助于提高 CT 检测 BM 的准确性，意义重大。
在医学领域，肿瘤转移一直是一个棘手的难题。骨作为肿瘤常见的转移部位，一旦发生骨转移（Bone Metastases，BM），对于肺癌、乳腺癌、前列腺癌患者而言，其中位生存期会大幅缩短。目前，检测 BM 的重要手段之一是传统计算机断层扫描（Computed Tomography，CT），它具有成本较低、对比分辨率高、扫描时间短等优点。然而，人工解读大量的医学多部位 CT 图像对放射科医生来说既费力又具有挑战性，而且骨骼中存在多种良性病变，容易干扰判断，加上阅片的疲劳，还会增加漏诊率。
在此背景下，中山大学肿瘤防治中心等多家机构的研究人员开展了一项重要研究。他们开发了一种自动骨病变检测系统（Bone Lesion Detection System，BLDS），旨在提升基于 CT 的 BM 检测能力。该研究成果发表在《Nature Communications》上，为骨转移的诊断带来了新的希望。
研究人员为开展此项研究，采用了多种关键技术方法。首先，他们从多家医院收集了大量患者的 CT 数据，构建了丰富的样本队列。在算法开发方面，BLDS 算法包含骨分割、骨病变（Bone Lesion，BL）检测和 BL 分类三个主要部分。骨分割基于优化的 U - Net 模型，融合多尺度特征实现高效分割；BL 检测利用特征金字塔网络（Feature Pyramid Network，FPN）和级联结构，结合假阳性（False Positive，FP）去除模块提高检测精度；BL 分类则通过基于 Res - Net 的两类和八类分类模型对病变进行准确分类。
研究结果如下：
- 患者特征：开发数据集包含 1271 例患者，多中心测试队列来自五家大型三甲医院的 1247 例患者，详细记录了患者的人口统计学信息、扫描条件和病变特征等。
- BLDS 性能评估：在多中心测试数据集上，BLDS 检测骨病变的平均敏感性达到 89.1%，每例假阳性数（False Positive per Case，FPPC）为 1.40；识别 BM 的平均敏感性为 88.2% 。在两类分类（BM 与非 BM）中，内部测试队列的准确率达 92.3%，外部测试队列达 91.1%；八类分类中，内部队列准确率为 82.1%，外部队列为 80.8%。对不同诊断方法分层分析，BLDS 检测 BM 的敏感性均超 85%。
- BLDS 分类的可解释性：通过生成类激活映射（Class Activation Map，CAM）图像，直观展示了卷积神经网络（Convolutional Neural Network，CNN）模型在识别特定类别时的关注区域，揭示了模型的决策依据。
- 消融研究：实验表明，加入转移聚焦模型和 FP 去除模块能显著提升检测性能，且充足的训练数据可使模型性能稳定。
- 读者性能：随机交叉多读者多病例（Multireader Multicase，MRMC）研究显示，BLDS 在病变检测上表现优于放射科医生，虽在 BM 检测上敏感性略低于初级放射科医生，但与他们相当。借助 BLDS，读者的病变检测敏感性提高，阅读时间减少。
- 读者性能的亚组分析：BLDS 辅助下，检测不同类型病变（如成骨型 BM、溶骨型 BM 等）的敏感性均提高，检测临床显著骨转移的敏感性也明显提升，且对不同大小和数量的病变检测敏感性都有所改善。
- 患者分诊的真实世界临床评估：在中山大学肿瘤防治中心对 54,610 例患者的研究中，BLDS 将 64.7% 的患者归类为低风险（无 BM），35.3% 为高风险（有 BM），阴性预测值（Negative Predictive Value，NPV）达 98.2%，阳性预测值（Positive Predictive Value，PPV）为 30.7%。
研究结论和讨论部分指出，BLDS 在回顾性研究和真实世界临床实践中展现出强大的鲁棒性和广泛的适用性。它能够精准识别和检测全身骨病变，有效降低漏诊风险。与人工诊断相比，其基于算法的检测方式更加稳定可靠。然而，该研究也存在一定局限性，如回顾性设计可能存在选择偏倚，专家共识的金标准可能存在局限性，参与研究的读者代表性不足等。尽管如此，BLDS 仍具有巨大的潜力，有望成为放射科医生的得力助手，优化诊断流程，提高诊断效率和准确性，同时也为医学教育提供新的平台，推动放射学领域的发展。
