European Radiology：深度学习，让平片快速分类骨肿瘤成为可能！

骨肿瘤是导致20岁以下的癌症患者死亡的第三大原因。根据2020年公布的世界卫生组织第五次骨肿瘤分类，骨肿瘤被分为良性、中间型或恶性。不同类型的骨肿瘤有不同的生物学行为。良性肿瘤通常比较稳定，通常决定采用刮除术或只要求随访或局部刮除。中间型肿瘤会有局部侵袭性，通常会选择更激进的治疗方法来防止复发。恶性肿瘤由于具有侵袭性生物学行为和远处转移的概率，因此需要综合治疗（如手术、化疗和放疗）。因此，骨肿瘤的鉴别诊断对临床决策至关重要。

基于数据驱动的机器学习和深度学习（DL）技术已被广泛研究，现阶段已用于临床的多个领域。由于骨肿瘤的发病率相对较低，十分缺乏关于DL应用于骨肿瘤的相关研究。此外，关于平片上的骨肿瘤的DL研究更少。

近日，发表在European Radiology杂志的一项研究评估了DL在鉴别良性、恶性和中间型骨肿瘤方面的能力，并将DL与放射科医生的诊断水平进行了比较，为临床快速准确的评估骨肿瘤提供了技术支持。

本项回顾性研究收集了2012年至2019年间经病理确诊的骨肿瘤的数据。构建了深度学习和机器学习融合模型，利用病变的常规X线片和潜在的相关临床数据将肿瘤分类为良性、恶性或中间型。比较了五位放射科医生使用和不使用该模型的诊断性能。使用曲线下面积（AUC）来评估诊断性能。

共有643名患者（中位年龄，21岁；四分位数范围，12-38岁；244名女性）的982张X线片被纳入最终评估。在测试组中，二元类别分类任务中，良性/非良性、恶性/非恶性和中度/非中度的放射学分类模型的AUC分别为0.846、0.827和0.820；融合模型的AUC分别为0.898、0.894和0.865。在三类分类任务中，放射学模型的宏观平均AUC为0.813，而融合模型的宏观平均AUC为0.872。在观察测试中，所有放射科医生的平均宏观平均AUC为0.819。在三类分类融合模型的支持下，宏观AUC提高了0.026。

本研究开发了一个融合了放射学和临床信息的模型用以良性、中间型和恶性肿瘤的鉴别。事实证明，与放射科医生相比，该模型在鉴别诊断方面十分有潜力。该模型可以帮协助临床进行患者的早期风险评估，并指导患者进行个性化治疗。

原文出处：

Renyi Liu，Derun Pan，Yuan Xu，et al.A deep learning-machine learning fusion approach for the classification of benign， malignant， and intermediate bone tumors.DOI：10.1007/s00330-021-08195-z