《Journal of Bone Oncology》：Multimodal imaging and artificial intelligence for bone tumor diagnosis: Comparative performance and emerging technologies
编辑推荐：
骨肿瘤的诊断管理仍是肌肉骨骼肿瘤学中最具挑战性的领域之一。此类病变表现出显著的组织学异质性，从惰性良性实体到骨肉瘤（osteosarcoma）和尤因肉瘤（Ewing sarcoma）等高侵袭性恶性肿瘤不等，需要精确的多学科评估以优化保肢和生存。尽管外科技术和全
骨肿瘤的诊断管理仍是肌肉骨骼肿瘤学中最具挑战性的领域之一。此类病变表现出显著的组织学异质性，从惰性良性实体到骨肉瘤（osteosarcoma）和尤因肉瘤（Ewing sarcoma）等高侵袭性恶性肿瘤不等，需要精确的多学科评估以优化保肢和生存。尽管外科技术和全身治疗取得了进展，基于影像的初步分诊仍是决定后续诊断和治疗路径的决策点。骨肿瘤的罕见性，加之复杂且经常重叠的放射学特征，导致常规实践中诊断延迟和分类错误。诊断路径本质上是非线性的，涉及影像、活检和多学科审查之间的迭代交互。本综述围绕一个特定论点组织而非对现有技术的调查：人工智能（AI）在肌肉骨骼肿瘤学中的主要障碍不是算法能力，而是用于训练和评判算法的ground truth的不稳定性。骨肿瘤罕见、组织学异质、受病理分类观察者间变异影响，并定期被 successive 世界卫生组织（WHO）修订版重新分类。报告的模型性能必须在此背景下解读。诊断复杂性是多因素的，源于临床表现和影像局限性。早期症状如疼痛或局部肿胀常被归因于良性肌肉骨骼疾病，非专科临床医生的肿瘤学警觉性相应较低。系统综述证据量化了后果，波兰COVID-19时期的分析记录了当转诊路径中断时诊断间隔如何 readily 延长。全国队列分析表明，在专家肉瘤网络内管理与提高准确性和减少延迟均相关，这一发现具有直接相关性，因为它确立了诊断性能由护理路径以及成像技术决定。年龄相关的生理变异性进一步使评估复杂化。在儿童和年轻成人群体中，持续性造血红骨髓产生低T1信号强度，可能模仿恶性浸润。在老年患者中，骨髓脂肪替代和骨质疏松可掩盖病变边缘并损害皮质完整性的评估。骨髓成像陷阱跨越两个年龄极端。在所有年龄组中，恶性肿瘤与良性模仿者（包括骨髓炎、应力性骨折和代谢性骨病）之间存在大量放射学重叠。骨膜反应、皮质破坏和软组织水肿，尽管经典与恶性肿瘤相关，但仍是非特异性的，需要上下文解读。这种重叠是自动分类的核心问题。从单模态到多模态成像的转变反映了克服单一模态固有局限性的必要性。常规X线摄影仍是初步评估的基石，提供病变位置、基质特征和边缘的快速评估，尽管在骨盆和脊柱等解剖复杂区域的敏感性有限。磁共振成像（MRI）提供骨髓受累和软组织延伸的优越表征，而计算机断层扫描（CT）提供皮质骨和矿化基质的详细可视化。功能成像扩展了这一框架。PET/CT在原发性恶性骨肿瘤中的诊断性能已被直接评估，18F-FDG PET/CT、99?Tc-MDP骨骼闪烁显像和全身MRI作为骨肉瘤和尤因肉瘤骨骼转移分期检查的比较评估提供了最有用的一对一数据。人工智能已被提出作为解决传统解读局限性的一种手段。人类评估是主观的，易受观察者间变异影响，特别是在具有非典型特征的罕见亚型中。深度学习模型已证明能够从X线片分类原发性骨肿瘤和骨感染，现在存在支持分类、定位和分割的公开X线片数据集。后者解决了该领域的主要约束之一，因为进展较少受算法开发限制，更多受数据可用性限制。在分类之外，AI使自动分割、定量特征提取和预测建模成为可能。深度学习与经典机器学习在骨肿瘤应用中的系统比较表明，性能优势是任务依赖的而非统一的。两项限定条件在此而非在后面的局限性部分陈述，因为它们制约了本综述中报告的每个性能数据。首先，主要研究设计是回顾性单机构，最接近临床决策的应用——生存预测和治疗反应评估——相对于诊断分类研究最少。第二，骨肿瘤呈现类别不平衡问题，这是结构性的而非可通过采样技术补救的。原发性恶性骨肿瘤罕见；任何从连续就诊中组装的数据集将以良性和反应性病变为主，任何富集恶性肿瘤的数据集在构造上不能代表分诊发生的人群。
**研究背景**：骨肿瘤的诊断管理是肌肉骨骼肿瘤学中最具挑战性的领域之一。此类病变从惰性良性实体到骨肉瘤和尤因肉瘤等高侵袭性恶性肿瘤不等，表现出显著的组织学异质性，需要精确的多学科评估。尽管外科技术和全身治疗取得了进展，基于影像的初步分诊仍是决定后续诊断和治疗路径的决策点。然而，骨肿瘤的罕见性、复杂且经常重叠的放射学特征、以及病理分类的观察者间变异，导致常规实践中诊断延迟和分类错误。分子病理学的进展已将分子改变整合进WHO分类，重新定义了诊断类别，这要求影像解读相应演变，放射学特征日益被视为肿瘤生物学的非侵入性替代物。本综述围绕一个特定论点组织：AI在肌肉骨骼肿瘤学中的主要障碍不是算法能力，而是用于训练和评判算法的ground truth的不稳定性。骨肿瘤罕见、组织学异质、受病理分类观察者间变异影响，并定期被 successive WHO修订版重新分类。报告的模型性能必须在此背景下解读。
**关键技术方法**：本综述采用结构化叙述方法，检索PubMed/MEDLINE、Embase和Web of Science Core Collection数据库，覆盖2020年1月1日至2026年3月31日的文献，共识别16,247条记录，去除6,812条重复后剩余9,435条独特记录进行标题和摘要筛选。研究按临床任务分类（病变表征、局部分期、转移分期、治疗反应评估、复发检测），并按影像模态和分析方法分层。方法学质量采用CLAIM、TRIPOD+AI、CLEAR等框架评估，影像组学研究额外考虑IBSI合规性和METRICS/RQS质量评分。
**研究结果**：
**多模态成像：临床路径中的任务特异性性能**：多模态成像最好理解为任务特异性层级而非模态间的竞争。X线摄影仍是大多数疑似原发性骨肿瘤的适当首选检查，快速定义病变位置、基质、边缘、骨膜反应和骨折。CT、MRI和核医学随后细化不同问题：CT用于矿化和皮质，MRI用于骨髓和软组织范围，PET成像用于全身和生物学评估。Bone-RADS等框架强调成像应指导病变是可否观察、随访、进一步表征或活检，而非试图从单一特征诊断。欧洲转诊路径共识和2024 ACR Appropriateness Criteria更新强化了这一逻辑。
**AI、影像组学和多媒体融合**：AI在骨肿瘤成像中是第4节所述多模态框架的计算延伸。影像组学提取描述肿瘤表型的高维定量特征，可靠性取决于标准化预处理（IBSI规范）。经典机器学习在数据有限时仍有相关性。深度学习已在X线片、常规MRI上报告原发性骨肿瘤分类。分割主要依赖U-Net及其变体。融合策略包括早期、中间或晚期融合，中间融合日益受青睐以捕捉跨模态相互依赖性。处理缺失数据是该领域特有的考虑因素：骨肿瘤中完整多模态数据集罕见，专为不完整影像组学、CT和MRI数据设计的深度学习模型比预设完整采集的方法更匹配临床现实。影像组学和深度学习方法已应用于软骨肉瘤分级，报告准确性与专家读者相当。这些是研究最多的应用，原因具有启发性：软骨性病变分级是人类观察者间一致性最差的任务，使其既是最大的临床需求，也是参考标准最不稳定的设置。
**临床转化、报告标准和实施障碍**：转化为常规实践仍然有限，反映在数据质量、验证严谨性、报告透明度、监管对齐和工作流整合方面的缺陷。可简洁陈述：在美国或欧洲，尚无用于原发性骨肿瘤诊断的AI系统获得监管许可，也无任何系统在常规临床使用。因此，下述障碍不是已建立工具更广泛采用的障碍，而是该领域任何工具均未满足的先决条件。监管许可在肌肉骨骼放射学中集中于骨折检测和骨龄评估。在任一司法管辖区，尚无用于原发性骨肿瘤表征、分级或反应预测的系统获得许可。第5节中的每个应用都是研究性的。
**争议、差距和未来方向**：尽管取得了进展，仍存在大量不确定性，源于生物学复杂性、数据稀缺、ground truth不稳定以及算法性能与临床效用之间的差距。ground truth不稳定性的假设在四个不同方面受到挑战，其中三个可从发表数据量化。采样方面：核心针活检采样有限体积，对于排除恶性肿瘤可靠（98%阴性骨活检两年后确认良性），但对于分级不可靠（14.7%软骨肉瘤出现采样错误）。解读方面：专家间一致性在最需要的地方有限。九名肌肉骨骼病理学家对46例长骨软骨性病变分级的κ=0.443，八名放射学家κ=0.345；在随后临床病程判定为高风险的病变中，一致性降至0.236和0.206。分类不稳定性：分子标准已重新定义过去十年中的实体。行为-组织学不一致：分类为良性的病变可能进展或复发。多中心合作引入扫描仪、协议和重建变异性；ComBat协调已对CT和MRI验证。联邦学习使协作开发无需集中数据共享。自监督学习利用未标记数据学习可迁移表征。尚无骨肿瘤特异性基础模型被报告。前瞻性随机试验因疾病罕见和后勤约束而罕见。从回顾性到前瞻性、结果驱动评估的进展是成熟的关键步骤，对于骨肿瘤AI，尚无任何系统采取这一步骤。
**讨论部分总结**：多模态成像是骨肿瘤评估的基石，提供互补的结构、功能和代谢信息，无单一模态可捕捉。X线摄影和CT仍是初步评估和骨结构的不可或缺手段；MRI提供骨髓受累和软组织延伸的优越描绘；PET细化分期和全身负荷及治疗反应评估。AI整合到该框架代表进化而非替代。影像组学和深度学习方法提取定量生物标志物，使病变表征、可重复分割和预测建模成为可能。其主要价值在于整合高维多模态数据，这也是单模态模型——无论内部验证多么充分——仅解决多模态决策一个组成部分的原因。
**研究结论翻译**：从综述证据中得出三项结论值得重申，因为每项都限定了报告性能数据否则会引发的乐观情绪。报告的准确性受参考标准而非算法限制。专家对软骨性病变分级的一致性充其量中等（病理学家κ=0.44，放射学家κ=0.35），活检分级与切除分级可能严重分歧（骨盆软骨肉瘤加权κ=0.12）；模型不能证明超过对单读者标签的一致性。高于此的性能表明模型学习了机构的标记惯例而非潜在生物学。这不是对任何特定研究的批评，而是该领域的结构属性，意味着架构改进不会转化为超过算法无法控制的天花板的可测量准确性改进。类别重叠是真实的，类别不平衡是结构性的。良性模仿者和低级别恶性肿瘤在放射学特征空间中重叠，原发性恶性骨肿瘤罕见。任何从连续就诊组装的数据集以良性病变为主；任何富集恶性肿瘤的数据集不能代表分诊人群。因此高报告准确性在 acceptance 前值得审查病例组合，最具临床后果的实体恰恰是训练数据中最少代表的。该领域尚未超越实施路径的第二阶段。外部验证不频繁，前瞻性验证缺失，在任一主要司法管辖区尚无系统获得骨肿瘤表征的监管许可。此处综述的每个应用都是研究性的。这是关于领域成熟度的陈述而非个别工作质量的陈述，区分了尚待证明与已被证明的内容。骨肿瘤成像的未来在于将多模态成像与临床验证的AI整合。标准化、严格验证和多学科合作仍然至关重要。但本综述的核心论点是这些不是同等约束性的限制：方法学严谨性和数据基础设施可通过协调努力解决，而ground truth不稳定性是疾病及其演变分类的属性。认识到这一区别是诚实解读报告性能和将努力导向努力可解决问题之前提。
