基于 MRI 的深度学习模型：精准预测鼻窦内翻性乳头状瘤恶变的新利器

鼻窦内翻性乳头状瘤（SIP）易恶变，现有诊断方法不佳。研究人员利用多中心大样本数据，构建基于 MRI 的深度学习（DL）模型区分 SIP 和 SIP 恶变的鳞状细胞癌（SIP-SCC）。该模型性能优异，能提升诊断水平，改善患者预后。

　　研究旨在利用多中心大样本数据，开发一种基于磁共振成像（MRI）的深度学习（DL）诊断模型，用于术前区分鼻窦内翻性乳头状瘤（SIP）和 SIP 恶变的鳞状细胞癌（SIP-SCC）。研究纳入来自四个中心的 568 例患者，其中 SIP 患者 421 例，SIP-SCC 患者 147 例。利用 T1 加权成像（T1WI）、T2 加权成像（T2WI）和对比增强 T1 加权成像（CE-T1WI）构建深度学习模型，并通过注意力机制整合特征构建联合模型。对比有、无模型辅助时放射科医生的诊断性能，通过受试者工作特征（ROC）分析、校准曲线和决策曲线分析（DCA）评估模型性能。结果显示，联合模型在区分 SIP 和 SIP-SCC 方面表现卓越，训练集、内部验证集和外部验证集的曲线下面积（AUC）分别达到 0.954、0.897 和 0.859。Brier 评分和校准曲线证实其准确性、稳定性和临床获益性最佳。模型辅助显著提升了放射科医生尤其是经验较少者的诊断性能。基于 MRI 的深度学习模型增强了术前预测鼻窦内翻性乳头状瘤恶变的能力，有助于早期诊断，推动及时的病理检查或手术干预，有望改善患者预后。