综述：人工智能在骨转移分析中的应用：当前进展、机遇与挑战

这篇综述系统梳理了人工智能（AI）在骨转移（BM）影像分析中的最新进展，重点探讨了机器学习（ML）和深度学习（DL）技术在CT、MRI、PET等模态中的分类、分割、检测任务的应用，同时指出数据稀缺、模型可解释性和临床验证等挑战，为未来研究提供了方向性建议。

　　

人工智能在骨转移分析中的革新与挑战

背景

骨转移（BM）作为晚期癌症常见并发症，70%以上源自乳腺癌和前列腺癌，显著影响患者生存质量。传统影像诊断依赖放射科医师经验，存在耗时、主观性强等局限。人工智能（AI）技术通过机器学习（ML）和深度学习（DL）为BM分析带来新机遇，尤其在医学影像的自动化处理方面展现出变革潜力。

方法学进展

基于PRISMA指南的系统综述覆盖2012-2024年间110项研究，涵盖CT、MRI、PET、SPECT和骨闪烁扫描等多种影像模态。传统机器学习模型如支持向量机（SVM）与新兴的卷积神经网络（CNN）、Transformer架构并存，其中CNN在分类任务中表现突出，而UNet系列模型主导分割领域。值得注意的是，Transformer凭借其长程依赖捕捉能力，在跨模态任务中崭露头角。

关键技术突破

分类任务：骨闪烁扫描仍是主流模态，CNN模型如ResNet50在乳腺癌BM分类中达到95.5% AUC值。SPECT影像分析采用混合注意力机制模型dSCIP，准确率达77.47%。CT领域则结合放射组学特征与高斯过程回归（GPR），实现0.97的AUC性能。

分割创新：UNet++改进版在SPECT图像分割中取得0.655 Dice系数；MRI领域采用双3D UNet架构，对骨盆BM分割的Dice值突破0.85。值得关注的是半监督学习方法，通过有限标注数据实现89.2%的分割精度。

多任务系统：集成分类与分割的MaligNet模型利用阶梯网络处理未标注数据，而YOLOv4结合负样本挖掘策略将前列腺癌BM检测假阳性率降低37%。

临床转化瓶颈

当前AI模型面临三大核心挑战：

1. 数据壁垒：78%研究依赖单中心数据集，最大公开数据集BS-80K仅含3247例，且标注一致性不足。
2. 黑箱困境：仅12%研究提供Grad-CAM等可解释性分析，影响临床信任度。
3. 验证缺口：跨中心测试显示模型性能平均下降21.3%，凸显泛化能力不足。

未来方向

前沿探索聚焦三大路径：

• 多模态融合：PET/MRI与临床数据联合建模，已有试验将预后预测AUC提升至0.848。
• 自监督学习：MAE框架在未标注CT数据预训练中展现潜力，微调后分割IOU提高18%。
• 伦理框架：FDA最新指南强调需建立BM专用AI审计标准，涉及数据偏差修正和决策追溯机制。

结论

人工智能正重塑骨转移诊疗范式，从辅助检测迈向预后预测。实现临床常规应用仍需攻克数据异构性、模型透明度等关键难题，这需要放射科、肿瘤学与计算机科学的深度协同创新。