《Cancers》:Artificial Intelligence for Detection and Characterisation of Bone Metastases on MRI: A Scoping Review
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,也是发病的主要原因,尤其涉及脊柱时。磁共振成像(MRI)因其对骨髓浸润的高敏感性,在骨转移的检测和表征中发挥核心作用。然而,骨转移可能在MRI上被漏诊,且判读可能耗时且具有挑战性。本研究旨在回顾和总结当前人工智
背景/目的:骨转移是晚期恶性肿瘤最常见的表现之一,也是发病的主要原因,尤其涉及脊柱时。磁共振成像(MRI)因其对骨髓浸润的高敏感性,在骨转移的检测和表征中发挥核心作用。然而,骨转移可能在MRI上被漏诊,且判读可能耗时且具有挑战性。本研究旨在回顾和总结当前人工智能(AI)在MRI上检测和分类骨转移的应用证据。方法:根据系统综述和荟萃分析优先报告条目(PRISMA)指南,研究人员对主要电子医学数据库(PubMed、MEDLINE、Web of Science和clinicaltrials.gov,最后访问于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应用涵盖多个领域,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劲性能,而基于放射组学(Radiomics)的模型常用于病灶区分和预测任务。报告的性能指标普遍较高,曲线下面积(AUC)值通常在约0.72–0.94之间,大多数研究报告内部验证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。外部验证和前瞻性评估在大多数研究中有限。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,并促进其成功整合到常规临床实践中。
1. 引言(Introduction)
骨转移是晚期恶性肿瘤的常见表现,常见原发肿瘤包括乳腺癌、前列腺癌和肺癌,可导致疼痛、病理性骨折甚至脊髓压迫。磁共振成像(MRI)因对骨髓浸润具有高敏感性,成为评估骨转移的关键影像学手段,但图像判读耗时,且微小或弥漫性病变容易漏诊,与退行性变、放疗后改变、感染或红骨髓转化等良性病变的鉴别也较为困难。人工智能(AI)可通过自动化病灶检测、分割、分类和预测等任务辅助放射科医生克服这些挑战。本综述旨在综合目前AI在MRI骨转移评估中的应用证据。
2. 材料与方法(Materials and Methods)
本研究采用范围综述方法,根据系统综述和荟萃分析优先报告条目(PRISMA)指南,检索了PubMed、MEDLINE、Web of Science和ClinicalTrials.gov数据库(最后访问于2026年1月1日),纳入过去10年英文发表的关于AI用于MRI骨转移检测或表征的原创研究。两名研究人员独立筛选标题和摘要,再进行全文审查,分歧由第三人裁决。提取研究特征、MRI序列、AI技术及关键结果。因研究设计、影像方案和评估方法存在异质性,未进行荟萃分析。
3. 结果(Results)
3.1 检索结果(Search Results)
初步检索共识别225项研究,经标题和摘要筛选及全文审查后,最终纳入34项研究。AI应用涵盖病灶检测、分割、疾病分类和预测建模等多个领域。
3.2 分割(Segmentation)
分割是AI在骨转移MRI评估中的关键应用,可精确勾画病灶并量化疾病负担。多项研究采用基于深度学习(DL)的U-Net及其变体进行自动分割。例如,Kim等(2024)利用二维(2D)和三维(3D)U-Net在多中心脊柱MRI数据集上进行检测与分割,在对比增强T
1加权成像中取得最佳Dice相似系数0.699,并在外部测试集上达到优于平均放射科医生水平的检测灵敏度。但分割性能仍受病灶异质性、小病灶大小、MRI协议差异以及手工标注负担的限制。
3.3 诊断应用(Diagnostic Applications)
AI被用于提高骨转移的诊断准确性,尤其是区分转移瘤与多发性骨髓瘤等影像表现重叠的病变。Bian等(2026)将DenseNet169特征提取与Transformer特征融合相结合,常规MRI序列中T
2加权脂肪抑制序列单序列模型AUC为0.765,融合模型AUC达0.783。Wang等(2023)基于卷积神经网络(CNN)对脊柱转移瘤进行分类,准确率达96.45%。Zhang等(2023)构建的MRI放射组学列线图在鉴别脊柱转移瘤与多发性骨髓瘤时AUC达0.853(验证集)和0.762(外部测试集);Liu等(2022)的椎体MRI放射组学模型AUC为0.84。Chen等(2022)提出多视图注意力网络,准确率0.81,AUC 0.78,优于常规放射组学和放射科医生评估。
3.4 疾病严重程度分级(Grading Disease Severity)
AI也被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)。Wang等(2025)开发了自动化MRI分级系统,首先采用带金字塔池化模块和交叉注意力机制的编码器–解码器分割网络识别椎体、脊髓和转移灶,再使用带位置与通道注意力的双注意力网络(DAN)进行分级。分割模型平均像素准确率0.819,交并比0.711;ESCC分级准确率达0.95,精度0.89。这种自动化分级有助于及时识别有神经损伤风险的患者,改善分诊效率。
3.5 预测(Prediction)
3.5.1 预测肿瘤起源