为确定深度学习在脑膜瘤检测与分级上的作用，北京天坛医院神经外科的张凯等设计用于脑膜瘤自动检测和组织病理学预测的深度学习模型。结果发表于2021年7月的《Neuroinformatics》杂志。
——摘自文章章节
【Ref: Zhang H, et al. Neuroinformatics. 2021 Jul;19(3):393-402. doi: 10.1007/s12021-020-09492-6. Epub 2020 Sep 25.】
脑膜瘤起源于中胚层的蛛网膜，是常见的原发性颅内肿瘤，占颅内肿瘤的20%。大多数脑膜瘤是良性肿瘤（WHO I级）；高级别脑膜瘤（WHO II/III级）占6%-18%，具有侵袭性，术后易复发。WHO II和III级脑膜瘤的复发率分别为30%-40%和50%-80%，级别越高，复发率越高，五年生存率分别为78.4%和44.0%。组织病理学分级可以预测脑膜瘤的生物学行为和预后；MRI成像显示脑膜瘤结构和血供等详细信息，是脑膜瘤诊疗和监测的重要手段。脑膜瘤术前体积评估和分级对治疗计划和预后判断具有重要意义。为确定深度学习在脑膜瘤检测与分级上的作用，北京天坛医院神经外科的张凯等设计用于脑膜瘤自动检测和组织病理学预测的深度学习模型。结果发表于2021年7月的《Neuroinformatics》杂志。研究回顾性分析2009年至2019年在北京天坛医院神经外科就诊的脑膜瘤患者数据。资料纳入研究的标准：1、行切除手术；2、切除的肿瘤标本依据WHO分级作组织病理学诊断；3、高质量影像学数据；4、无严重创伤性脑损伤史；5、无严重外伤史所致脑软化和严重的或弥漫性脑萎缩；6、未再次手术史。采集患者颅脑MRI数据、影像学预处理的肿瘤分割、设计自动深度学习的脑膜瘤分割模型和肿瘤分级网络结构，采用PSPNet场景网络解析深度学习建模。结果显示，该研究共纳入病理学诊断脑膜瘤的5088例患者，其中2218例女性，平均年龄57.1±11.4岁。WHO I级4578例，II级388例，III级122例；肿瘤部位，镰旁脑膜瘤753例、凸面脑膜瘤78例、蝶骨嵴脑膜瘤1200例、嗅沟脑膜瘤224例、鞍上脑膜瘤1121例、后颅窝脑膜瘤1144例以及窦旁脑膜瘤350例（表1）。
检验深度学习模型的自动检测和分割性能，首先将1876例患者含WHO I级1688例、II级143例和III级45例的6097份MRI资料用于训练深度学习模型。其中，5000份MRI资料作为训练数据集，其余1097份MRI资料作为验证数据集。PSPNet成功检测所有患者的脑膜瘤，检测准确率达到100%。该模型在可视化上能够很好地检测肿瘤，因为手动分割和基于深度学习的自动分割与肿瘤体积相关性很好（图1）。通过平均精度（mIoU），将结果与手工分割结果进行比较，表现出准确评价肿瘤的分级性能。深度学习模型对于脑膜瘤的自动检测和分割显示，总体上所有患者的均像素准确度、肿瘤准确度、背景准确度和mIoU分别为99.68%、81.36%、99.88%和81.36%；WHO I级脑膜瘤分别为99.52%、84.86%、99.93%和84.86%；II级脑膜瘤为99.57%、80.11%、99.92%和80.12%；III级脑膜瘤为99.75%、78.40%、99.99%和78.40%。
图1. 不同级别脑膜瘤的分割示例。左列：颅脑MRI-T1序列轴位增强像；中列：肿瘤手动分割；右列：深度学习模型的预测性分割。研究者基于上述精准的脑膜瘤分割模型对肿瘤分级性能进行检测，对其余3212例患者进行自动分割。再将5088例MRI有病变患者的80%资料用于训练ResNet模型，其余用于测试数据集。结果显示，对于肿瘤分级，深度学习模型对所有患者的训练和测试数据的准确率分别为99.93%和81.52%；WHO I级脑膜瘤分别为99.98%和98.51%；II级脑膜瘤为99.91%和66.67%；III级脑膜瘤的为99.88%和73.91%（图2）。
图2. 深度学习对肿瘤分级的表现。蓝线：表示随着迭代次数增加，精度逐渐提高。橙线：表示随着迭代次数增加，损失逐渐减少。
该研究结果表明，基于深度学习的脑膜瘤自动检测、分割和分级模型性能精准可靠，有助于提高脑膜瘤的诊疗和检测水平。此外，该模型可作为放射科医师进行预评估和预选的有效工具，为术前评估的临床决策提供辅助信息，也可为术前评估临床决策提供参考。
声明：脑医汇旗下神外资讯、神介资讯、脑医咨询、AiBrain所发表内容之知识产权为脑医汇及主办方、原作者等相关权利人所有。未经许可，禁止进行转载、摘编、复制、裁切、录制等。经许可授权使用，亦须注明来源。欢迎转发、分享。
