基于深度学习与MR影像的脑转移瘤精准预测模型：一项聚焦准确性的开发与验证研究

本研究开发并验证了一种基于3D U-Net（ResNet-34主干网络）的深度学习模型，利用磁共振成像（MRI）实现脑转移瘤（BM）的自动分割与诊断。模型在内部测试集与外部验证集中均展现出完美特异性（Specificity=1.0000）和高精度（Precision>0.93），且在不同性别、年龄组中表现稳健。尽管在肺癌亚组中敏感性（AUC=0.82）略低于其他癌症类型（AUC=0.89），但其识别效率显著高于人工标注（时间减少40%-50%），为临床转化提供了高效、可靠的AI辅助诊断工具。

　　

背景：脑转移瘤（Brain Metastases, BM）作为最常见的成人颅内恶性肿瘤，起源于颅外原发性肿瘤，具有隐匿性强、进展迅速和预后差等特点。其发生率在实体瘤患者中高达10%-40%，准确识别BM对临床决策和患者生存至关重要。然而，传统依赖医师手动识别MRI影像中多发（尤其是微小）转移灶的方法，不仅耗时且漏诊风险高。因此，开发高效、精准的自动识别技术成为临床迫切需求。

方法：本研究采用回顾性多中心设计，共纳入642例患者。其中，470例来自江苏省肿瘤医院（训练集379例，内部测试集91例），172例来自南京大学医学院附属鼓楼医院（外部验证集）。所有患者均经临床确诊为BM并完成脑部增强MRI扫描。纳入标准包括年龄≥18岁、影像无伪影或失真；排除标准涵盖危重状态、仅平扫MRI及存在MRI禁忌症等。

影像采集使用Philips 3.0T超导MRI仪，采用32通道头线圈和钆喷酸葡胺（Gd-DTPA）增强对比剂（剂量0.25 mL/kg，流速1 mL/s），延迟3分钟后进行3D-T1WI序列扫描（参数：矩阵256×256，层厚1 mm，TR/TE=6.6/3.0 ms，FOV 240×240，体素大小1 mm3）。三名8年以上经验的磁共振医师独立审片，手动勾画增强病灶（分为结节状均匀强化、环状强化和不规则强化三类），并作为金标准分割掩模。

模型构建基于3D U-Net架构，以ResNet-34为编码器骨干，采用ImageNet预训练权重初始化。预处理流程包括：将MRI重采样至0.833 mm3各向同性体素、使用SynthStrip进行颅骨剥离、Z-score强度归一化。训练策略采用128×128×128体素的块采样、volumentations数据增强（左右翻转、弹性形变和伽马调整）及混合损失函数（Dice损失 + 二元交叉熵）。优化器为Adam（学习率0.0001，β₁=0.9，β₂=0.999，ε=1×10^?7），在NVIDIA RTX 4090 GPU（64 GB内存）上以批大小4训练。

推理阶段采用重叠块策略（步长64体素），预测结果平均融合后以0.5阈值生成二值分割掩模。评估指标涵盖曲线下面积（AUC）、Dice系数、F1分数、交并比（IoU）、马修斯相关系数（MCC）、精确率（Precision）、召回率（Recall）和特异性（Specificity）。统计分析使用R语言（4.4.1版），连续变量以均值±标准差或中位数（四分位距）描述，组间比较采用t检验、Mann-Whitney U检验或χ2检验，AUC差异通过DeLong检验评估，P<0.05视为显著。

结果：患者基线特征显示，内部测试集与外部验证集在年龄（59.4±10.2岁 vs 57.4±12.6岁）和性别上无显著差异，但癌症类型分布存在选择性偏倚（肺癌占比差异显著）。

模型在内部测试集和外部验证集的核心性能分别为：AUC 0.89（0.79–0.93） vs 0.82（0.67–0.90），精确率＞0.93，特异性均达1.0000（1.0000–1.0000）。但召回率从测试集的0.78（0.57–0.86）降至验证集的0.64（0.34–0.81），伴随F1分数（0.82→0.75）、Dice系数（0.82→0.75）和MCC（0.82→0.77）同步下降，提示模型鲁棒性中等且敏感性有待优化。与医师手动标注相比，模型检出病灶数显著更高，有效降低了漏诊率。

分层分析揭示：

• •

  性别维度：男性和女性组间除AUC外无显著差异（P>0.10），特异性均保持1.0000，模型稳定性跨性别一致。

• •

  年龄维度：＜60岁与≥60岁组在多数指标上无统计学差异（P>0.20），但≥60岁组召回率分布下限较低（Q1=0.5540），提示老年群体敏感性需提升。

• •

  癌症类型维度：内部测试中，肺癌（n=74）与其他癌症（n=17）的AUC差异显著（P<0.001），但其他指标无显著区别（P>0.13）；外部验证中，其他癌症（n=79）的精确率显著高于肺癌（n=93）（P<0.05），且肺癌AUC（0.82）显著低于其他癌症（0.89）（P<0.001），表明模型对非肺癌恶性肿瘤判别更具优势，而对肺癌敏感性存在依赖性。

时间效率分析显示，模型标注耗时显著短于人工（内部集：69s vs 113s；外部集：66s vs 96s，均P<0.001），且与人工标注一致性高。

讨论：本研究通过多中心、多维度验证证实，所开发的3D U-Net模型在BM诊断中具有完美特异性和跨人口学特征的稳健性，其高效性（耗时减少40%-50%）为临床提供了切实可行的AI辅助工具。尽管模型在肺癌敏感性上存在优化空间，但其整体性能优于既往研究（如Fajam等敏感度93.5%、Gong等Dice系数0.72）。仅依赖CE-T1WI序列的策略平衡了精度与临床普适性，避免了多模态序列的额外成本。未来需扩大样本量、优化肺癌敏感性并验证于更大规模多中心数据，同时开展病灶大小分层分析以进一步提升小病灶检出率。

结论：该深度学习模型在BM自动分割中展现出卓越的特异性、鲁棒性和高效性，虽存在癌症类型依赖性，但其临床转化潜力显著，有望成为提升脑肿瘤影像诊断精度与效率的有效工具。