编辑推荐：
脑膜瘤放射外科治疗后易出现脑水肿，当前缺乏有效量化工具。研究人员利用深度学习开展脑水肿自动分割研究，训练 Mask R-CNN 和 DeepMedic 模型，平均 Dice 系数达 84.7%。该研究有助于预测脑水肿变化，指导临床决策。
在神经外科领域，脑膜瘤作为中枢神经系统常见的原发性肿瘤，治疗方式多样，但放射外科治疗后引发的脑水肿问题一直困扰着医生和患者。伽玛刀放射外科（Gamma Knife radiosurgery，GKRS）常用于治疗脑膜瘤，然而，其在杀死肿瘤细胞的同时，也会对周围脑组织造成损伤，引发脑水肿。这一并发症在术后数月内出现，严重影响患者的康复和生活质量。
目前，医生缺乏有效的工具来精确分割和量化脑水肿区域。传统上，依靠神经放射科医生手动进行感兴趣区域的体积分析，不仅耗时费力，而且结果往往缺乏可重复性。从临床角度来看，虽然怀疑脑水肿体积与症状表现之间存在关联，但由于缺乏准确的量化手段，难以利用这一关系来预测长期神经学结果，也无法及时对患者进行有效的治疗干预。
为了解决这些问题，台北荣民总医院（Taipei Veterans General Hospital）和台湾阳明交通大学（National Yang Ming Chiao Tung University）等机构的研究人员展开了深入研究。他们旨在开发一种基于深度学习的模型，实现放射外科术后脑水肿的自动分割和量化，以提高脑水肿分割的准确性，并评估放射治疗对周围脑组织的长期影响。该研究成果发表在《BMC Medical Imaging》杂志上，为脑膜瘤治疗后的脑水肿管理带来了新的希望。
研究人员主要采用了以下关键技术方法：
首先，收集 21 例患者的 MRI 数据，这些数据来自不同扫描参数的 MRI 扫描仪，以增加数据多样性。将数据随机分为训练集、验证集和测试集，并进行五折交叉验证。
其次，运用 Mask Region-based Convolutional Neural Network（Mask R-CNN）模型提取脑实质，该模型能够准确生成脑掩码，提高后续脑水肿分割的效率和准确性。
最后，利用 DeepMedic 模型进行脑水肿分割，并通过迁移学习调整权重和训练超参数，从而实现对脑水肿区域的自动分割和量化。
下面来看具体的研究结果：
- 患者特征：研究共纳入 21 例患者，女性居多（n=17，81%），平均年龄 63 岁。部分患者无症状，其他症状包括头痛、眼部现象、听力问题和癫痫等。肿瘤多为深部肿瘤，平均大小为7.03cm3 。
- 模型性能评估：Mask R-CNN 模型在脑实质提取中表现出色，平均 Dice 相似系数（DSC）达 94.98%，召回率为 92.51%，精度为 97.89%。DeepMedic 模型在脑水肿分割中，平均 DSC 为 80.51%，召回率为 75.20%，精度为 88.46%。最终模型在测试集上取得了较高的 DSC，平均为 84.7%。
- 脑水肿进展：对所有扫描数据进行三年的跟踪，发现自动分割的脑水肿体积变化趋势与手动标记的结果相近。脑水肿体积在 GKRS 后约 13 个月达到峰值，24 个月后趋于稳定。
在研究结论和讨论部分，研究人员开发的深度学习算法能够实现脑膜瘤 GKRS 术后脑水肿的自动分割和量化，且分割准确性较高，与手动分割结果相当。然而，该模型在小体积（<2cm3 ）或边界不规则的脑水肿区域分割上仍存在不足。
尽管如此，该研究仍具有重要意义。准确的脑水肿体积评估对于临床决策至关重要，可帮助医生及时发现需要密切监测和早期干预的患者。此外，研究发现的脑水肿体积变化规律，为预测放射外科术后脑水肿的长期变化提供了依据，有助于制定个性化的治疗方案。虽然研究存在样本量小、数据来源单一等局限性，但未来可通过扩大数据集、多中心验证等方式进一步改进模型，提高其临床实用性。这一研究成果为脑膜瘤治疗后脑水肿的管理提供了新的思路和方法，有望推动神经外科领域的发展。
