基于CT与TotalSegmentator自动解剖分割的前列腺癌（PCa）骨转移、淋巴结转移及局部病灶自动分类：传统机器学习与卷积神经网络比较研究

《Journal of Imaging Informatics in Medicine》：Investigation on Automatic Classification of Bone, Lymph Node, and Local Lesions in CT Images of Prostate Cancer Patients

　　

准确评估不同类型的前列腺癌（PCa）病灶是治疗计划的关键部分。在计算机断层扫描（CT）或正电子发射断层扫描（PET）/CT影像扫描后，临床医生需要花费大量时间检测病灶并根据其解剖位置对其进行特征描述。为促进新图像分析应用的发展，研究人员探讨了通过机器学习（ML）和深度学习模型在CT图像中自动将PCa病灶分类为骨转移、淋巴结转移、局部病灶和其他PCa病灶的潜力。研究人员在一个包含532例PCa患者的¹⁸F-前列腺特异性膜抗原（PSMA）PET/CT图像的私有数据集中，以及一个来自30例患者的公开可用PSMA PET/CT图像的外部测试集中，共按类型注释了4949个PCa病灶。利用检测到的病灶坐标信息，研究人员从CT和每个病灶的自动化3D解剖分割工具TotalSegmentator结果中自动提取了15个不同特征，并训练了若干传统ML模型以按解剖类型对病灶进行分类。此外，研究人员试验了不同维度的卷积神经网络（CNN），输入为CT和TotalSegmentator。根据结果，最准确的模型是XGBoost，总体准确率为96.0%。在主要数据的五折交叉验证实验中，其识别骨转移、淋巴结转移和局部病灶的灵敏度分别为97.9±1.2%、95.2±1.3%和93.1±2.8%，在外部测试集上分别为96.3%、94.0%和80.0%。相反，CNN在区分局部病灶方面表现不及最佳ML模型。总之，一个简单的ML模型可以基于CT图像、病灶位置和自动化解剖分割数据准确地将PCa病灶分类为骨、淋巴结和局部病灶，但区分这些类别之外的PCa病灶还需要更多研究。

论文解读：基于CT与TotalSegmentator自动解剖分割的前列腺癌（PCa）骨转移、淋巴结转移及局部病灶自动分类研究

研究背景与问题。前列腺癌（PCa，prostate cancer）是全球常见恶性肿瘤之一，原文指出每年约诊断150万新病例。许多患者长期处于前列腺局部病变状态，但侵袭性较强者可发生骨、淋巴结及脑或肺等内脏器官转移。原发肿瘤或复发、局部或远处淋巴结转移、骨转移、内脏器官转移，以及这些病灶总数和体积，对PCa患者生存预测和治疗计划具有重要意义。量化肿瘤和转移负荷的主要方法之一是¹⁸F-或⁶⁸Ga标记的前列腺特异性膜抗原（PSMA，prostate-specific membrane antigen）正电子发射断层扫描（PET，positron emission tomography）联合CT。PET中PSMA示踪剂可积聚于PCa病灶及唾液腺等良性靶点，从而在三维成像空间中显示潜在病灶位置；CT则显示相关解剖结构，帮助临床医生确认可疑PET靶点是否确为PCa病灶及其所在解剖结构。图像解读耗时且存在主观性风险。过去15年，多种机器学习（ML，machine learning）和深度学习方法被引入辅助图像解读，许多深度学习方案依赖卷积神经网络（CNN，convolutional neural network）。PCa影像中，已有研究用于患者分类、肿瘤或转移灶勾画、Gleason分级预测、理想放疗剂量、治疗反应或生存预测。早前文献中，Harrenstein et al.、Masoudi et al.和Belue et al.等研究了CT图像中PCa转移灶的病灶级分类；Zhao et al.、Toosi et al.、Tr?g?rdh et al.、Nickols et al.和Schott et al.等研究了检测、分割或相关工具，但多数未按解剖亚型进行病灶级分类评估。因此，研究人员开展本研究，旨在探索利用监督学习模型从CT图像自动预测PCa病灶或转移灶类型的潜力，并比较传统ML模型与不同维度CNN在骨转移、淋巴结转移、局部病灶和其他PCa病灶多分类中的表现。其意义在于，若能集成到合适软件工具中，准确的ML或深度学习模型可促进定量分析并显著减少常规临床工作流中的图像解读时间。

关键技术方法概括。研究使用私有数据集532例PCa患者的全身¹⁸F-PSMA-1007 PET/CT图像，来自芬兰Turku PET Centre 2018—2023年；外部测试集来自公开autoPET III Challenge数据集前30例PCa患者，包含¹⁸F-PSMA-1007和⁶⁸Ga-PSMA-11 PET/CT。研究人员基于CT和TotalSegmentator 2.0自动生成117个解剖结构分割，提取每个病灶的CT值、TotalSegmentator索引、类别、最近三个分割段距离及以估计前列腺中心为原点的三维坐标等15个特征；训练决策树、随机森林、支持向量机（SVM，support vector machine）和XGBoost；并设计2D、3D及2.5D CNN，输入为CT和/或TotalSegmentator裁剪图像。评估采用患者-wise五折交叉验证、cluster-adjusted McNemar检验和外部测试集。

研究结果。总体准确率与统计比较方面，原文结果显示，随机森林、XGBoost、2D CNN联合CT/TotalSegmentator输入、2.5D CNN联合CT输入、2.5D CNN联合CT/TotalSegmentator输入等五种模型显著优于非ML规则算法。最准确方法为XGBoost和随机森林；二者显著优于其他所有方法，但彼此无显著差异。CNN中，2.5D方法接收CT/TotalSegmentator数据输入时优于其他CNN。ML模型训练约3500个病灶耗时1秒或更少，推理1000个病灶少于0.1秒，明显快于CNN，后者训练需5—10分钟。不同病灶类型灵敏度方面，XGBoost和随机森林检测骨、淋巴结和局部病灶的平均灵敏度为91%—98%；2.5D CNN对骨和淋巴结转移灵敏度也高，但对局部病灶灵敏度明显较低；所有监督学习方法对“其他”PCa病灶的灵敏度均弱于非ML算法。外部测试集方面，七种显著优于非ML算法的监督学习方法均在外部测试集继续显著优于非ML算法。最准确方法为仅用CT输入的2.5D CNN，紧随XGBoost和随机森林；三者总体准确率无显著差异。外部测试集仅含10个局部病灶和2个“其他”病灶。XGBoost在外部测试集中对骨转移、淋巴结转移和局部病灶灵敏度分别为96.3%、94.0%和80.0%。混淆矩阵与消融分析方面，在包含外部测试集和全部五折交叉验证测试集的超集中，总体准确率非ML算法为89.8%，XGBoost为96.0%，2.5D CNN为93.9%。所有方法常将“其他”类误分为淋巴结转移；与非ML算法和2.5D CNN相比，XGBoost对局部病灶和骨转移误分为淋巴结转移的倾向较低。补充消融研究显示，TotalSegmentator掩膜信息对XGBoost高总体准确率尤为关键，尽管仅用CT强度也能较好区分骨转移和淋巴结转移。

讨论部分。研究人员认为，本研究是首个专门聚焦PCa病灶按解剖亚型分类的研究，并在较大主数据集和外部测试集上深入比较多种ML与CNN方法。TNM分期（tumor, node, metastasis staging）与肿瘤分级、前列腺特异性抗原测量共同指导治疗决策；若将准确的自动或半自动PCa病灶分类模型集成到软件工具，可自动预测用户点击的PET或CT图像中病灶类型，从而促进高效图像分析。由于模型仅基于CT数据，最终工具可与CT及PET/CT成像配合使用，而不依赖具体PET示踪剂；若与病灶分割工具结合，可方便地按骨、淋巴结和局部病灶分类肿瘤负荷，有助于治疗反应评估和预后分层。结果方面，XGBoost在五折交叉验证和外部测试集中总体准确率均超过95%，若不计算外部测试集中仅10个局部病灶，则三个主要病灶类别灵敏度为90%—100%。三个传统ML模型和四个CNN方法显著优于基于规则的非ML方案。2.5D CNN在骨和淋巴结转移中准确率较高，但局部病灶灵敏度较低。原文指出，由于分类任务不同，本研究指标不能与早前PCa病灶分类研究直接比较；但本研究中简单ML模型包括随机森林表现优于或类似CNN，这与Harrenstein et al.中CNN优于随机森林的结果不同；而2.5D CNN优于2D或3D CNN，与Masoudi et al.研究一致。局限包括：三个主要类别之外病灶数量有限，外部测试集真值分类缺乏观察者间注释，外部数据集相对较小且局部病灶很少；工具仍依赖人工或其他人工智能应用提供病灶定位；临床实践中需要特征重要性分析或可解释人工智能支持CNN分类决策。未来研究需解决三个问题：TotalSegmentator作用及与其他分割工具比较；如何向CNN提供病灶在三维空间中的位置信息；如何扩展分类任务以区分更多病灶类型。

研究结论翻译。研究人员研究了通过若干ML模型和CNN方法，利用CT及基于CT的TotalSegmentator三维解剖分割数据，将PCa病灶自动分类为骨转移、淋巴结转移、局部病灶和其他病灶。所有模型均对先前已识别的病灶进行分类，而非执行病灶检测。根据研究结果，传统ML模型在这类自动化PCa病灶分类中显示出前景。最准确的方法是XGBoost，在主要数据的交叉验证实验中，除随机森林模型外，它以统计学显著方式优于所有其他方法，并对所有三种主要病灶类型持续获得高灵敏度。相反，CNN能较好区分骨和淋巴结转移，但在主要数据的五折交叉验证实验中，其识别局部病灶的灵敏度明显较低。未来研究的相关问题包括：研究这些方法与其他分割工具组合时的表现，通过向CNN提供关于病灶相对于三维空间位置的更多信息来进一步开发CNN方法，以及将分类任务扩展到更多病灶类别。