编辑推荐：
在临床实践中，肾上腺 CT 测量缺乏参考标准，给疾病诊断带来困难。研究人员开展基于深度学习（DL）模型的肾上腺自动分割研究。结果显示模型分割准确，还发现肾上腺体积随年龄先增后减。该研究为肾上腺疾病诊断提供新方法。
在人体的内分泌系统中，肾上腺虽小，却有着举足轻重的地位，它是重要的内分泌器官。在医学检查里，腹部计算机断层扫描（CT）是常用的检查肾上腺是否存在异常的手段。然而，现实情况却有些棘手。一方面，肾上腺所处的位置较为特殊，是小的腹膜后器官，在腹部 CT 切片中所占面积不到 1%，而且其形状、大小和位置会因个体差异和左右侧不同而变化。这就使得在常规的非增强 CT 检查中，很难清晰地确定肾上腺的边界，也难以判断其是否存在异常 ，与周围组织区分开来也颇具挑战。
另一方面，在临床工作中，用于肾上腺 CT 测量的参考标准数据十分匮乏。目前，判断患者肾上腺是否健康，通常依靠临床和影像学特征以及生化评估，但对于正常肾上腺和肾上腺增生，缺乏明确的解剖和影像学标准。这一系列问题，严重影响了肾上腺相关疾病的诊断准确性。
为了解决这些难题，来自华中阜外医院（郑州大学华中阜外医院、国家心血管病中心华中分中心）放射科等机构的研究人员开展了一项极具意义的研究。他们致力于开发一种深度学习（DL）模型，用于在非增强 CT 图像上自动分割肾上腺，并利用该模型输出值对正常肾上腺的年龄相关性体积变化进行初步大规模研究 。这项研究成果发表在《BMC Medical Imaging》上，为该领域带来了新的曙光。
研究人员在开展研究时，采用了多种关键技术方法。首先，收集了丰富的患者数据，包括 2018 年 1 月至 2020 年 1 月期间华中阜外医院的 1432 例肾上腺非增强 CT 检查数据，经过严格筛选，最终 1301 例纳入开发数据集，同时还收集了 2000 例无临床异常的腹部 CT 扫描数据构建正常肾上腺大数据库。在图像方面，使用了多种 CT 扫描仪进行扫描，随后对图像进行了重采样、窗宽窗位标准化以及灰度值归一化等预处理操作。在模型构建上，选用 nnU - Net 框架，运用数据增强和五折交叉验证等技术进行模型训练和优化 。
下面来看具体的研究结果：
- 患者和数据集特征：对训练集、测试集、独立测试集、观察者间集和大规模正常肾上腺数据集的患者年龄和性别进行分析，发现各数据集之间在年龄和性别上无显著差异。这一结果为后续研究排除了年龄和性别因素可能带来的干扰，保证了研究结果的可靠性。
- 分割结果：在五折交叉验证的测试集 240 例 CT 检查中，3D nnU - Net 模型对左右肾上腺的中位 Dice 相似系数（DSC）分别达到 0.899 和 0.904 ，在独立测试集 81 例 CT 检查中，左右肾上腺的 DSC 分别为 0.900 和 0.896。这表明该模型在肾上腺分割上，与手动分割有很高的一致性，能够较为准确地分割出肾上腺。此外，研究人员还评估了模型与观察者间的差异，结果显示，五名放射科医生手动分割的结果与模型分割结果高度一致，进一步验证了模型的可靠性。
- 年龄相关性肾上腺体积变化：研究人员利用训练好的 nnU - Net 模型，对 2000 例正常受试者的双侧肾上腺体积进行分析。结果发现，肾上腺体积随年龄增长呈现先增加后减少的趋势，在 40 - 60 岁年龄段达到峰值，男性峰值约为5.2cm3 ，女性约为4.8cm3 ，随后在 60 - 80 岁逐渐下降。而且，在所有年龄组中，男性的肾上腺体积始终大于女性，平均差值为0.4?0.7cm3 。这一发现揭示了年龄和性别对健康个体肾上腺体积的显著影响，为临床诊断提供了重要参考。
在研究结论和讨论部分，研究人员开发的基于非增强 CT 的深度学习算法，能够出色地实现肾上腺的自动分割。nnU - Net 模型在肾上腺分割中展现出诸多优势，不仅消除了手动分割的主观性，提高了分割效率，还为后续研究提供了可靠的结果。通过对年龄相关性肾上腺体积变化的分析，为了解正常肾上腺形态随年龄的变化规律提供了有价值的信息，有助于临床医生识别异常肾上腺体积，辅助诊断肾上腺增生、萎缩等疾病，也为进一步研究年龄和性别相关的肾上腺疾病指明了方向。
不过，该研究也存在一定的局限性。例如这是一项单中心研究，模型在普通人群中的分割性能结果尚不明确；模型未在公开数据集上进行测试，限制了结果在外部验证中的可重复性；排除肾上腺与周围组织难以区分的病例，可能降低了任务难度，影响模型在复杂临床场景中的性能评估；数据集男女比例为 2:1，可能因解剖差异影响模型性能，但研究未对此进行分析。
尽管如此，这项研究仍然为肾上腺疾病的诊断和研究开辟了新的道路。未来研究可以通过纳入多中心图像和公开数据集、增加具有挑战性的病例以及分析性别特异性性能等方式，进一步提高模型的泛化性和稳健性，为临床实践提供更有力的支持。
