威斯康星大学麦迪逊分校的研究小组。从左到右：蒂莫西·佩克(Timothy Perk)，艾莉森·罗斯(Alison Roth)，彼得·费詹奇(PeterFerjan?i?)，罗伯特·杰拉杰(Robert Jeraj)，丹尼尔·霍夫(Daniel Huff)，布雷顿·肖特(Brayden Schott)，阿里·迪特奇(Ali Deatsch)，维克托·桑托罗·费尔南德斯(Victor Santoro Fernandes)，艾米·韦斯曼(Amy Weisman)，文斯·斯特里夫(Vince Streif)。(礼貌：艾米·韦斯曼)

全身正电子发射断层扫描与计算机断层扫描(PET / CT)相结合是淋巴瘤(淋巴系统癌)治疗的基石。PET / CT扫描用于诊断疾病，然后监测患者对治疗的反应程度。但是，将扫描中的每个淋巴结准确分类为健康还是癌变是一个复杂且耗时的过程。因此，在临床日常实践中，详细的定量治疗监测通常不可行。

威斯康星-麦迪逊大学的研究人员最近开发一个能够自动执行此任务的深学习模型。这可以释放宝贵的医生时间，并使对大量患者进行定量PET / CT治疗监测成为可能。

为了进行PET / CT扫描，需要给患者注射标记有放射性氟18(18 F-氟脱氧葡萄糖)的糖分子。当氟原子衰变时，它会发射出一个正电子，该正电子会立即与附近的电子ni灭。这种an灭过程会发射出两个背对背的光子，扫描仪会检测并使用它们来推断放射性衰变的位置。

由于肿瘤的生长比大多数健康组织快，因此它们必须消耗更多的能量。因此，许多放射性示踪剂将被吸引到淋巴瘤病变处，使其在PET / CT扫描中可见。但是，其他类型的组织(例如某些脂肪组织)可以以类似方式“照亮”扫描图像，这可能导致假阳性。

神经网络：准确而快速

在发表于《放射学：人工智能》上的研究中，艾米·韦斯曼(Amy Weisman)及其同事研究了根据卷积神经网络(CNN)的不同配置构建的病灶识别深度学习模型。他们使用PET / CT扫描对90例霍奇金淋巴瘤或弥漫性大B细胞淋巴瘤患者进行了训练，测试和验证，并验证了这些模型。为此，一位放射线医师在每次扫描中划定病变，并以1-5的等级对每个病变进行分类，具体取决于病变的恶性程度。

研究人员发现，由三个CNN组成的模型表现最佳，可识别85%的手动轮廓病变(1087个中的923个，即所谓的真正阳性率)。同时，它错误地识别出每位患者有四个病变(假阳性率)。使用手动描绘将评估单次扫描的时间从35分钟减少到该模型的两分钟以下。

很难以100%的确定性将扫描中的每个淋巴结归类为癌变与否。因此，如果两位放射线医师划定同一位患者的病变，则他们不可能完全同意。当第二位放射科医生评估了20次扫描时，他们的真实阳性率为96%，而他们平均每个患者标记出3.7个恶性淋巴结，而他们的同事没有。在这20名患者中，深度学习模型的真实阳性率为90%，每次扫描为3.7假阳性-使其预测几乎与两名观察者之间的差异一样好。

预期和意外的挑战

通常，创建此类模型的最大障碍之一是对其进行培训需要大量精心划定的扫描。研究作者根据用于训练的患者数量测试了其模型的性能如何。有趣的是，他们发现对40位患者进行训练的模型与对72位患者进行训练的模型效果相同。

艾米·韦斯曼(Amy Weisman)庆祝她的在线博士学位辩护。这项研究是她论文工作的一部分。

根据Weisman的说法，获得用于训练模型的详细病灶轮廓被证明是一项更具挑战性的任务：“医师和放射科医生无需仔细分割肿瘤，也不需要将病灶标记为1-5。在他们的日常工作中。因此，要求我们的医生坐下来做出这样的决定对他们来说真的很尴尬，”她解释说。

韦斯曼说，最初的尴尬很快就被克服了。“因此，Minnie(我们的一位医生)在她为我们进行细分的过程中与我非常亲密-我可以发短信给她，说'这个图像/病变发生了什么?”。有这样的关系非常有帮助。”

未来的研究将集中于合并更多且更多样化的数据。“获取更多的数据始终是改善模型，并确保一旦它的使用也不会失败，下一步，”韦斯曼说。同时，该小组正在为临床医生寻找在日常工作中使用该模型并与之交互的最佳方法。