临床上，对骨转移进行早期诊断是放射科医生的一项常见而重要的任务。骨骼是最常见的转移部位之一，严重影响了癌症患者的分期和预后。此外，骨转移常常引起骨骼相关事件，包括癌症相关疼痛、病理性骨折、脊髓压迫和高钙血症。

目前，CT、MRI、骨扫描和PET几种成像方式可用于骨转移的诊断，每种方式都有明显的优势。由于CT的空间分辨率高，可以显示小而轻微的骨质异常，还可以同时评估原发和转移性病变。此外，CT很容易获得，而且费用相对较低。因此，在临床上，CT是癌症患者初始分期和连续随访最常使用的方式。

然而，由于多种原因，CT上的骨转移检测仍具有挑战性。因此，对CT上的骨转移的计算机辅助检测(CAD)系统有很大需求。最近，将深度学习用于医学图像分析的各种任务获得了很大的成绩。然而，很少有报告评估CT上骨转移的自动检测。

近日，发表在European Radiology杂志开发了一种基于深度学习算法(DLA)用于CT上骨转移的自动检测，并评估了该算法的临床诊断效果，为癌症患者的骨转移早期诊断及治疗提供了参考。

本项回顾性研究纳入了2009年-2019年间在一家机构获得的CT扫描图像，收集了有骨转移的阳性扫描和无骨转移的阴性扫描来训练DLA。另外50张阳性扫描和50张阴性扫描分别从训练数据集中收集，并按2:3的比例分为验证和测试数据集。DLA的临床疗效在一项由委员会认证的放射科医生进行的观察者研究中进行了评估。使用Jackknife替代自由反应接收器操作特性分析来评估观察者的表现。

训练数据集共收集了269个阳性扫描，包括1375个骨转移灶，463个阴性扫描。在验证和测试数据集中识别的病变数量分别为49和75。在验证数据集中，DLA达到了89.8%的灵敏度(49例中的44例)，每例假阳性率为0.775，在测试数据集中，DLA达到了82.7%(75例中的62例)，每例假阳性率为0.617。使用DLA，9名放射科医生的总体表现参照加权替代自由反应接收器操作特征值从0.746提高到0.899(P < .001)。此外，每个病例的平均解释时间从168秒减少到85秒(p = .004)。

图 从左到右，一排的三幅图像分别是原始图像、原始图像和拟议算法输出的候选区域的叠加图像、以及候选区域叠加的骨骼区域的最大强度投影。在这个案例中，呈现了位于右肋和腰椎的两个候选区域。患者的年龄、性别和候选区域的数量也被显示出来。当观察者点击可疑病变时，会出现一个对骨转移可能性(1-100)进行评级的对话框

本研究成功开发了一种用于自动检测CT上骨转移的基于深度学习的算法，为癌症患者个性化治疗方案的制定提供了技术支持。

原文出处：

Shunjiro Noguchi,Mizuho Nishio,Ryo Sakamoto,et al.Deep learning-based algorithm improved radiologists' performance in bone metastases detection on CT.DOI:10.1007/s00330-022-08741-3.