《Cancers》:Silent Verb Generation During fMRI Reveals Post-Radiotherapy Alterations in Cerebellar–Cerebral Language Regions in Patients Treated for Medulloblastoma
编辑推荐:
背景/目的:骨转移是晚期恶性肿瘤最常见的表现之一,也是致病的主要原因,尤其是累及脊柱时。磁共振成像(magnetic resonance imaging,MRI)因其对骨髓浸润的高敏感性,在骨转移的检测和特征描述中发挥核心作用。然而,骨转移在MRI上可能被漏诊
背景/目的:骨转移是晚期恶性肿瘤最常见的表现之一,也是致病的主要原因,尤其是累及脊柱时。磁共振成像(magnetic resonance imaging,MRI)因其对骨髓浸润的高敏感性,在骨转移的检测和特征描述中发挥核心作用。然而,骨转移在MRI上可能被漏诊,且图像判读耗时且具有挑战性。本研究旨在回顾和总结人工智能(artificial intelligence,AI)在MRI上检测和分类骨转移的现有证据。方法:研究人员按照系统综述和荟萃分析优先报告条目(PRISMA)指南,对主要电子医学数据库(PubMed、MEDLINE、Web of Science和clinicaltrials.gov,最后访问日期为2026年1月1日)进行了系统、详细的检索。结果:共纳入34项研究。AI应用涉及多个领域,包括病灶检测、分割、疾病分类和预测建模。深度学习方法在自动检测和分割方面表现出强大性能,而基于影像组学的模型常用于病灶鉴别和预测任务。报告的性能指标普遍较高,曲线下面积(area under the curve,AUC)值通常约为0.72–0.94,大多数研究在内部验证中报告的AUC超过0.80,但研究设计、数据集和验证策略存在显著异质性。大多数研究的外部验证和前瞻性评估有限。结论:在骨转移领域,基于AI的方法表现出令人鼓舞的性能,并具有支持临床决策(包括预后判断和治疗反应预测)的巨大潜力。然而,仍需进一步研究以验证其临床实用性,并促进其成功融入常规临床实践。
1. 引言
骨转移是肿瘤患者发病的主要原因之一,常表现为晚期疾病。骨骼是转移的常见部位,这可能与其丰富的血管网络和支持肿瘤细胞定植的微环境有关。常见原发恶性肿瘤包括乳腺癌、前列腺癌和肺癌。骨转移出现症状时,可能表现为疼痛、病理性骨折甚至脊髓压迫,其存在通常提示预后较差且治疗选择有限。影像学在骨转移的检测、特征描述、分期和随访中至关重要。常规X线摄影虽广泛可用且成本较低,但对早期骨髓疾病相对不敏感。计算机断层扫描常用于分期,能良好评估皮质骨,但对早期骨髓浸润敏感性较低。核医学技术如骨闪烁显像和正电子发射断层扫描,可进行全身评估和功能评价,但诊断特异性可能不足。相比之下,MRI凭借其对骨髓异常的卓越检测能力,已成为评估骨转移的关键模态,并能提供出色的解剖定位,尤其适用于评估硬膜外侵犯和脊髓压迫等并发症。然而,MRI评估骨转移仍具挑战性,图像判读耗时且需对多个序列仔细评估;病灶检测可能困难,尤其是在轻微骨髓浸润或弥漫性病变中,且需与退行性改变、放疗后遗症、感染或红骨髓再转化等良性病变鉴别。此外,手动勾画和量化肿瘤负荷劳动强度大且存在观察者间差异。骨转移的准确分类和分级对治疗计划和预后判断至关重要,但常规影像评估因病灶异质性及不同原发肿瘤类型间的差异而困难。近年,人工智能(AI)被越来越多地探索为这些挑战的潜在解决方案。机器学习和深度学习的进展使得算法能够实现自动化病灶检测和分割、诊断评估、严重程度分级甚至是预后判断。然而,临床采用仍受制于泛化性、可解释性以及与现有工作流程集成等问题。因此,全面理解AI在MRI骨转移评估中的优势与局限性至关重要。本综述综合现有证据,识别研究空白,并强调未来研究重点,以促进AI技术转化为有意义的临床实践。
2. 材料与方法
鉴于预期提取的研究数量庞大,进行了范围综述以充分代表当前文献的广度和深度。
2.1 文献检索策略
研究人员于2026年1月1日根据系统综述和荟萃分析优先报告条目(PRISMA)指南,对主要数据库(PubMed、MEDLINE、Web of Science、ClinicalTrials.gov)进行了文献检索。使用了以下医学主题词(MeSH)和关键词:(“artificial intelligence” OR “AI” OR “deep learning” OR “machine learning” OR “convolutional neural network” OR “neural network” OR “radiomics”)AND(“bone” OR “osseous” OR “skeletal”)AND(“metastasis” OR “metastases”)AND(“magnetic” AND “resonance”)。限制仅纳入过去10年的英文研究,以捕捉深度学习在MRI中的当代发展并保持临床相关性。综述方案已在开放科学框架注册(ID:10.17605/OSF.IO/42FME)。
2.2 研究筛选与纳入标准
采用两阶段筛选流程。首先由两名作者(H.J.和W.O.)独立根据标题和摘要进行筛选,随后对任何可能符合条件的研究进行全文审查。任一阶段的差异由第三名作者(J.T.P.D.H.)裁定。纳入标准包括:评估AI应用于人类骨转移MRI评估的研究,以英文发表。虽然检索策略主要针对脊柱相关MRI研究,但评估其他解剖区域骨转移或使用全身MRI的研究也被纳入,前提是主要焦点是基于MRI的AI应用,用于检测或表征骨转移。排除非原始研究(包括综述文章和编辑通讯)、未发表工作、会议摘要或病例报告。主要关注其他影像模态(如X线、CT或核医学)的研究也被排除。
2.3 数据提取与报告
使用Microsoft Excel版本16.82将所选研究提取并汇编成电子表格。提取的数据包括:研究详情(作者、发表年份和期刊名称)、研究目的、骨转移位置、所用MRI序列、所用AI技术以及关键结果。
3. 结果
3.1 检索结果
初步文献检索共识别出225项研究,按照指定标准进行筛选。经过标题和摘要筛选,56项研究因不符合条件被排除(包括日期范围错误、文章类型不当、非英文研究、非人类研究和会议摘要)。全文审查后进一步排除135项研究,因其与骨转移、MRI或AI无关。最终纳入34项研究进行最终分析。由于研究设计、影像方案和评估方法的异质性,未进行正式的荟萃分析。
3.2 分割
分割是AI在MRI骨转移评估中的关键应用,能够精确描绘转移病灶,促进肿瘤负荷的客观量化。深度学习架构,尤其是U-Net模型及其变体,已越来越多地用于自动化分割。自配置框架(如nnU-Net)和弱监督学习方法能够进行大规模图像分析,同时释放大量原本不可用的数据进行深度学习模型训练,这可减少标注负担并提高模型泛化性。Kim等人(2024)开发了一种基于2D和3D U-Net架构的深度学习模型,用于脊柱MRI骨转移的自动检测和分割,利用包含662个MRI序列(来自302例患者)的大型多中心数据集,包括T1加权、增强T1加权和脂肪抑制图像。在分割任务中,使用增强T1加权图像的2D U-Net模型表现最佳,Dice相似系数为0.699,像素级召回率为0.653。该模型的检测能力也很有前景,在内部和外部测试集中的每个病灶敏感性分别为0.828和0.857,优于外部数据集中放射科医生的平均敏感性(0.746)。尽管取得了这些进展,分割性能仍存在局限性,Dice评分通常处于中等水平,这反映了病灶异质性、病灶尺寸小以及MRI方案差异等挑战。此外,大多数模型依赖费力的手动标注进行训练,且主要在回顾性数据集中评估,限制了泛化性。
3.3 诊断应用
AI已被越来越多地用于提高MRI骨转移评估的诊断准确性,尤其是区分转移病灶与多发性骨髓瘤等具有重叠影像特征的病理。这些区分在临床上很重要,因为它们影响治疗策略和预后评估。Bian等人(2026)开发了一种深度学习模型,结合DenseNet169特征提取和基于Transformer的特征融合,使用常规MRI序列(T1WI、T2WI和T2WI脂肪抑制)。多中心队列包括663例溶骨性骨转移或多发性骨髓瘤患者。在单序列模型中,T2WI-FS实现了最高性能(AUC 0.765),而基于Transformer的T2WI和T2WI-FS融合表现出最佳整体结果(AUC 0.783)。Wang等人(2023)设计了一种卷积神经网络模型,基于941例脊柱转移患者的MRI扫描训练,使用Softmax分类器实现了96.45%的总体诊断准确率。影像组学方法也取得了良好结果。Zhang等人(2023)构建了基于MRI的影像组学列线图,结合影像组学特征和临床因素,在区分脊柱转移与多发性骨髓瘤方面,验证集AUC为0.853,外部测试集AUC为0.762,优于仅临床因素模型和放射科医生判读。Liu等人(2022)开发了椎体MRI影像组学模型,实现AUC为0.84。此外,多视图注意力引导网络等方法也被用于区分脊柱转移和多发性骨髓瘤。越来越多的研究转向多模态AI模型,整合影像与病理等互补数据,实现更全面的疾病表征和更佳诊断分层。
3.4 疾病严重程度分级
AI也被探索用于骨转移相关并发症的严重程度分级,尤其是硬膜外脊髓压迫(ESCC)的评估,这是决定手术或肿瘤干预紧迫性的关键因素。Wang等人(2025)开发了一种基于MRI的自动化系统,用于肺癌脊柱转移患者的脊髓压迫分级,使用包含577个MRI切片和标注的多组织分割掩膜及ESCC等级的数据集。他们的方法采用渐进式流程,结合分割和基于迁移学习的分类。首先,使用编码器-解码器分割网络(增强有金字塔池化模块和交叉注意力机制)分割相关解剖结构,包括椎体、脊髓和转移肿瘤组织。分割模型实现了平均像素准确率0.819,交并比0.711。随后,应用双注意力网络进行分类,ESCC分级准确率为0.95,精确度为0.89。这类AI驱动的分级系统可能改善高风险患者的及时识别,从而促进适当的干预。
3.5 预测
本综述中的很大一部分研究集中在AI的预测应用上,以下按预测任务类型分类描述。
3.5.1 预测肿瘤起源
确定转移病灶的原发起源是肿瘤评估的重要组成部分。常规MRI特征在不同肿瘤类型之间可能重叠,限制了诊断特异性。Duan等人研究了利用增强T1加权MRI预测脊柱转移起源的影像组学和深度学习方法。在173例患者的回顾性研究中,深度学习模型在所有数据集中均优于影像组学模型。在内部训练队列中,深度学习模型的准确率为0.93,AUC为0.94;在内部验证队列中,准确率为0.74,AUC为0.76;在外部测试队列中,准确率为0.72,AUC为0.76。深度学习模型在验证队列中也优于专家放射科医生(人类读者准确率0.65,AUC 0.68)。这表明深度学习模型可能捕获与转移病灶生物学起源相关的复杂影像特征。
3.5.2 预测治疗反应
影像组学和AI方法在预测椎体和骨骼转移患者治疗反应方面显示出良好能力。Shi等人评估了乳腺癌溶骨性脊柱转移的影像组学,基于ADC和脂肪抑制T2加权成像(放射科医生手动绘制感兴趣区)的模型对化疗反应的预测性能优异(AUC高达0.905),优于传统弥散参数。Candito等人开发了一种AI驱动的软件工具,使用全身弥散加权MRI自动量化晚期前列腺癌的转移疾病负担,生成总弥散体积(TDV)和全球ADC等定量生物标志物,治疗反应评估总体准确率为80.5%,敏感性为84.3%,特异性为85.7%。这些AI衍生的定量影像生物标志物可能提供临床上有价值的治疗反应见解,支持更及时和个体化的管理策略。
3.5.3 预测治疗并发症
影像组学在预测骨转移患者治疗相关并发症方面也显示出潜力,有助于改善术前规划和风险分层。Zhao等人研究了基于MRI的影像组学模型预测脊柱转移手术患者隐性失血(HBL),隐性失血是一种常见但常被低估的并发症。在202例患者的回顾性队列中,从1.5T和3.0T扫描仪获取的矢状T1加权和脂肪抑制T2加权MRI序列中提取影像组学特征。患者以1000毫升为阈值分为高、低HBL组。影像组学评分(Radscore)模型的AUC为0.809,略优于临床模型和联合模型。其中,融合T1加权和脂肪抑制T2加权特征的融合模型显示出最高的预测效能(AUC:0.744)。
3.5.4 全身MRI中的人工智能
全身MRI(WB-MRI)已成为系统评估骨转移的强大模态,尤其在前列腺癌和血液系统恶性肿瘤中。Ceranka等人开发了一种使用参数化WB-MRI的计算机辅助检测系统,采用U-Net架构,实现了转移性骨病灶的自动分割,Dice系数为0.53,检测敏感性为63%。Candito等人提出了一个AI驱动框架,用于弥散加权WB-MRI上肿瘤负担的自动量化,生成总弥散体积和全球表观弥散系数等生物标志物,用于转移性前列腺癌的治疗反应评估。这些方法突显了AI在促进全身定量疾病评估和纵向监测方面的潜在作用。
4. 讨论
AI在MRI中的应用显示出增强骨转移检测和分类的巨大潜力。计算技术的进步使得提取和分析复杂影像特征成为可能,这些特征通过常规放射学评估可能不易察觉。AI方法已被应用于广泛的任务,包括病灶检测、分割、疾病分级和临床相关预测。这些发展突显了数据驱动影像分析在支持临床决策和增强MRI在转移性骨病中的诊断效用方面的日益增长的作用。将AI整合到MRI判读中也可能有助于解决常规放射学实践中的一些实际挑战。不断增加的影像量和肿瘤影像的复杂性对放射科医生提出了巨大要求,AI辅助工具可能通过自动化检测和纵向疾病监测简化图像判读,提高效率和可重复性。然而,AI技术向临床实践转化仍存在重要考虑。AI工具的临床价值必须在整个影像路径中仔细评估,包括对工作流程集成、报告实践和临床决策的影响。关键挑战是在不同的疾病表现中保持模型性能,例如将小体积病灶与正常骨髓区分、识别没有离散病灶边界的弥漫性骨髓浸润,以及区分残留或复发性疾病与治疗相关的骨髓改变。当前文献的另一个局限性是专注于任务特定模型,通常为单一应用开发,难以扩展和整合到常规工作流程中。对于更通用的方法(包括基础模型和多任务模型)的兴趣日益增加,但其在肌肉骨骼和肿瘤MRI中的应用仍处于早期阶段。
4.1 对临床护理的下游影响
AI应用显示出对临床护理产生积极影响的潜力,从早期病灶检测到疾病表征和预后判断。早期准确检测骨转移至关重要,AI系统可能提高诊断敏感性并减少漏诊,尤其是在高容量临床环境中。此外,AI模型能够提取可能反映潜在肿瘤生物学的高维影像特征,这些影像衍生生物标志物已被探索用于预测肿瘤起源、识别分子特征(如EGFR突变状态)和估计治疗反应。如果得到更大规模多样化队列的验证,这些能力可能通过提供对肿瘤行为的非侵入性见解来支持更加个体化的肿瘤护理。基于AI的预测模型也可能有助于改善骨转移患者的风险分层和临床决策,通过整合影像特征与临床和实验室数据,识别疾病进展或治疗并发症风险较高的患者,从而促进更主动的管理策略。
4.2 对放射科医生工作流程和决策的影响
从放射科医生的角度来看,对先进影像的需求不断增加,给放射学服务带来了巨大压力,尤其是在肿瘤影像领域,MRI检查通常复杂且判读耗时。AI整合到影像工作流程中可能通过支持常规和劳动密集型任务来缓解部分压力。自动化病灶检测、分割和量化工具可能有助于快速识别关注区域,减少手动图像审查和测量所需的时间。在骨转移可能累及多个骨骼部位的背景下,这类工具在提高效率的同时保持诊断准确性方面可能特别有价值。AI系统也可能作为决策支持工具,增强放射科医生的判读,充当第二读者,帮助识别可能被忽视的细微异常。然而,AI工具的成功整合需要谨慎考虑,应作为互补系统支持而非替代放射科医生的专业知识。
4.3 泛化性和实施挑战
尽管许多研究报告了令人鼓舞的性能指标,但采用AI进行骨转移MRI评估的一个关键挑战是泛化性。许多AI模型使用来自单一机构或有限影像中心的数据集开发和验证,这可能反映特定的扫描仪类型、采集参数、患者群体或机构实践,应用于外部人群或不同影像方案时可能限制其性能。当前文献还受到方法学异质性、回顾性研究设计为主以及验证策略差异的限制。不同研究间训练、验证和测试数据集使用不一致,使报告性能的解释和比较复杂化。MRI骨转移评估本身高度可变,受MRI序列、场强、全身MRI采集协议以及骨髓信号异常异质性的影响。这些变异性可能显著影响图像外观和影像组学特征提取。实际实施还需解决技术基础设施、互操作性、监管审批、数据治理和患者隐私问题。此外,临床医生的接受度和信任是成功实施的重要因素,黑盒模型可能限制采用。因此,提高模型透明度、提供可解释输出并证明明确的临床获益至关重要。
4.4 当前证据的局限性
当前证据基础存在几个局限性。主要问题是回顾性研究设计的主导地位,可能引入选择偏差并限制对转化影响的完整评估。很少有研究在真实世界环境中评估AI工具对患者结局或放射科医生表现的前瞻性临床影响。许多模型在实验环境中表现出强大的诊断或预测能力,但需要强调证明临床决策、工作流程效率或患者结局的改善。研究间缺乏标准化方法进一步使文献解读复杂化。骨转移MRI的人工标注费力且耗时,限制了大型高质量数据集的可用性,并可能导致模型性能的差异。影像序列、分割策略、特征提取流程、模型架构和评估指标的差异使得研究之间的直接比较具有挑战性。此外,报告标准不一致,一些研究对数据集组成、预处理和模型验证程序提供的细节有限。
4.5 未来方向和研究重点
未来需要几个领域的研究来进一步推进AI在MRI骨转移评估中的发展和临床整合。一个重要优先事项是扩展大型精选数据集,以涵盖更广泛的患者群体、扫描仪类型和影像方案。协作数据共享倡议可能有助于克服小型单机构数据集的局限性,提高AI模型的稳健性和外部有效性。另一个有前景的方向是开发整合影像数据与临床、实验室和基因组信息的多模态AI模型,以提供更全面的决策支持。人们也对更通用的AI框架越来越感兴趣,包括多任务和基础模型,旨在在单一架构内执行多个影像任务。建立更标准化的影像和验证框架是关键优先事项,包括标准化多参数MRI采集协议、多中心协作数据集、开放获取倡议,以促进独立基准测试和外部验证。未来研究还应优先考虑前瞻性研究,评估AI辅助判读对放射科医生表现和临床工作流程的影响。最后,应更加重视AI系统的可解释性和透明度,以促进放射科医生的信任和采用。
5. 结论
本综述强调了人工智能和机器学习通过解决检测、疾病特征描述、严重程度分级和预测建模方面的关键挑战,具有改变MRI评估骨转移的巨大潜力。我们检查了影像路径上的进展,包括临床应用、对放射科医生工作流程的影响以及与泛化性、实施和当前证据局限性相关的关键挑战。尽管取得了这些进展,但仍然存在重要空白,特别是在前瞻性验证、标准化和真实世界临床整合方面。未来,协调的多学科合作对于利用新兴创新并应对这些挑战至关重要。通过持续发展和谨慎实施,AI有潜力成为基于MRI的骨转移评估的一个组成部分,支持更准确、高效和个体化的患者护理。