文献速递骨肌技术与安全MR

基于深度学习的软组织肉瘤MRI分割:序列、肿瘤类型与部位对模型性能的影响

Performance of deep learning-based segmentation of soft tissue sarcoma by MRI sequence, tumor type and location.
PubMed 文献 · Skeletal Radiol · 2026-03-04

该回顾性研究纳入299例经活检证实的软组织肉瘤及肌内黏液瘤患者,评估3D nnU-Net在术前MRI上的自动分割性能。结果显示单序列T1模型整体优于多模态融合,T1轴位体积精度最佳(中位F2 0.91、Dice 0.89),T1矢状位边界精度最佳(ASSD 2.1 mm、HD95 4.3 mm);四肢肿瘤以T1最优,腹盆腔以T2更有效,黏液纤维肉瘤和黏液样脂肪肉瘤分割精度最高(F2达0.94),平滑肌肉瘤最低(F2达0.88)。

要点

  • 四肢STS分割优先选T1序列,腹盆腔及躯干肿瘤T2矢状位更优(F2 0.89、Dice 0.89)。
  • 单序列单平面模型优于多模态或多平面融合,T1+T2融合未改善反而降低边界精度。
  • 病理亚型影响精度:MFS和mLPS的F2达0.94,LMS最低仅0.88。

核心结论

  • 深度学习模型对软组织肉瘤分割可达高精度,但性能高度依赖肿瘤部位与组织学亚型。
  • 单序列T1轴位模型体积精度最佳(中位F2 0.91、Dice 0.89),T1矢状位模型边界精度最佳(ASSD 2.1 mm、HD95 4.3 mm)。
  • 多模态T1与T2融合未改善结果,并常降低边界精度。

研究设计与样本

  • 回顾性研究,纳入299例经活检证实的软组织肉瘤及肌内黏液瘤患者(2004年至2022年),包括平滑肌肉瘤67例、黏液纤维肉瘤55例、黏液样脂肪肉瘤60例、未分化多形性肉瘤70例、肌内黏液瘤47例。
  • 术前MRI包括脂肪抑制对比增强T1加权和脂肪抑制T2加权序列,手动分割后训练3D nnU-Net模型,数据集按70%训练、30%测试划分,训练集采用五折交叉验证。
  • 分别针对每个MRI序列和平面组合训练独立模型,共评估9种输入策略,以F2评分为主要指标、ASSD为次要指标,评估指标还包括Dice、精确率、召回率、HD95。

关键影像表现/征象

  • T1轴位模型中位F2 0.91、Dice 0.89、HD95 5.6 mm、ASSD 2.4 mm;T1矢状位模型中位F2 0.90、Dice 0.89、HD95 4.3 mm、ASSD 2.1 mm。
  • T2矢状位模型边界精度(ASSD 2.7 mm、HD95 5.1 mm)优于T2轴位模型(ASSD 8.4 mm、HD95 14.9 mm)。
  • 多平面T1模型中位F2 0.90、Dice 0.88、ASSD 2.4 mm、HD95 5.56 mm;多平面T2模型中位F2 0.87、Dice 0.86、ASSD 8.4 mm、HD95 14.9 mm;T1+T2融合模型中位F2 0.88、Dice 0.88、ASSD 2.7 mm、HD95 5.1 mm。
  • 上肢肿瘤T1矢状位模型中位F2 0.85、Dice 0.88、ASSD 1.5 mm、HD95 4.24 mm;下肢肿瘤T1轴位模型中位F2 0.92、Dice 0.90、ASSD 2.11 mm、HD95 4.9 mm;腹盆腔及躯干肿瘤T2矢状位模型中位F2 0.89、Dice 0.89、ASSD 2.5 mm、HD95 7.5 mm。
  • 黏液纤维肉瘤T2冠状位模型F2 0.94、ASSD 2.32 mm,T1矢状位模型F2 0.93、ASSD 1.76 mm;黏液样脂肪肉瘤T1轴位模型F2 0.92、ASSD 1.61 mm,T2轴位模型F2 0.91、ASSD 2.26 mm;平滑肌肉瘤T1轴位模型F2 0.88、ASSD 7.36 mm,T1冠状位模型F2 0.85、ASSD 1.56 mm。

诊断标准与关键数值

  • 以F2评分为主要模型选择指标,ASSD为次要指标,选择中位F2最高且中位ASSD最小的模型为各类别最优模型。
  • 以手动分割作为参考标准,由具备肉瘤影像经验的放射科医师和一名经培训的医学四年级学生完成,并由两名资深放射科医师独立交叉审核。
  • F2评分被选为主要指标,原因是体素水平假阴性(分割不足)在临床上比轻度过度分割更严重,分割不足残留肿瘤可直接导致局部复发。

临床应用与阅片要点

  • 作者指出,多模态融合可因「特征污染」降低性能,临床协议可优先采用高产出序列(如四肢用T1加权成像)而不牺牲分割精度。
  • 作者认为,跨组织学亚型的显著性能差异不支持「一刀切」模型,数据支持根据疑似或活检证实的组织学亚型自动选择分割算法的自适应临床工作流程。

局限性

  • 回顾性、单机构研究,泛化性可能有限。
  • 数据集虽对该罕见病而言较大,但规模仍属中等且在各亚型间分布不均。
  • MRI采集协议存在差异,并非每个病例都有所有平面。
  • 分析仅限五种最常见间叶肿瘤亚组,排除了更罕见的组织学类型,可能限制模型对全部软组织肉瘤谱的即时泛化性。
  • 当前框架应视为探索性,所建立的性能基线须在未来的多机构研究中验证并扩展至更罕见实体;本研究缺乏外部验证,所有数据来自单一机构,模型性能可能反映特定机构的成像特征。
全文中译12 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Skeletal Radiol. 2026 Mar 4;55(7):1539–48. doi: 10.1007/s00256-026-05178-3

引言

软组织肉瘤(STS)是一组罕见且异质性强的恶性间叶组织肿瘤[1]。尽管其占所有成人癌症的比例不足1%,但在美国每年新诊断病例超过13,000例[2]。由于存在70多种不同的组织学亚型,可发生于几乎任何解剖部位,这种内在异质性导致影像学表现和临床行为高度可变,给临床医生的诊断和治疗规划带来了重大挑战[3–9]。

准确勾画肿瘤边界对STS的管理至关重要。对外科医生而言,这有助于确保实现切缘阴性的完整切除——这是治愈性治疗的基础。对放射肿瘤科医生而言,这界定了大体肿瘤体积(GTV),直接影响剂量投照和健康组织的保护。然而,浸润性生长和邻近重要结构常常使肿瘤边界模糊,增加了在肿瘤学控制与功能保留之间取得平衡的难度[10–12]。可靠且可重复的肿瘤勾画也是评估肿瘤生物学特征和治疗反应的基础[13]。

磁共振成像(MRI)因其优越的软组织对比度,是大多数STS局部分期和治疗前评估的首选检查方法[14]。在临床实践中,放射科医生通常依赖脂肪抑制T2加权序列和增强T1加权序列的组合来勾画肿瘤范围。然而,MRI上手动肿瘤分割的过程耗时且本质上存在观察者间变异。鉴于不同肉瘤亚型具有不规则形态、浸润性生长模式和不均匀强化的特征,据报道这种变异可达肿瘤体积的20%,导致边缘差异高达1–2 cm[15]。这种变异可能直接影响手术和放疗规划, potentially导致不完全切除、局部复发或不必要的健康组织牺牲。在极端情况下,肿瘤边缘的这种不确定性可决定保肢与截肢之间的选择[16]。在此背景下,基于深度学习的分割代表了一种有前景的方法,可提高肿瘤勾画的效率、可重复性和标准化程度。

尽管基于深度学习的分割模型在实现许多常见癌症的影像勾画自动化方面已取得实质性成功,但由于软组织肉瘤(STS)的罕见性、组织学多样性以及复杂的解剖学表现,其在该领域的应用仍然有限[17–23]。既往研究已显示深度学习用于软组织肉瘤分割的潜力,但范围仍然有限。Peeken等人开发了一种稳健的基于MRI的肢体STS模型,但未评估MRI序列、成像平面或组织学变异的影响[22]。Marin等人提出了一种在CT图像上勾画肉瘤大体肿瘤体积的创新方法,主要面向放疗计划制定而非基于MRI的分割[15]。Zheng等人介绍了一种用于大腿肉瘤的多模态UNet模型,但其分析依赖于一个小规模单中心队列[24]。因此,开发一种稳健的STS自动化工具可在术前规划、术中导航和多学科决策中提供显著的临床价值。然而,要使此类工具实现临床可靠性和泛化性,必须有效应对STS固有的深刻生物学和影像学异质性。这凸显了一个关键的未解决问题:哪些MRI衍生数据和建模策略最能准确捕捉STS表型的全谱,以及组织学亚型和解剖部位间的变异性如何影响模型性能和临床适用性。

本研究旨在通过考察两个关键决定因素如何影响模型性能来建立一种临床稳健的STS自动分割策略:MRI输入的技术选择和疾病的生物学异质性。使用nnU-Net框架,我们系统评估了(1)MRI序列(脂肪抑制对比增强T1加权 vs. T2加权)、(2)成像平面(轴位、冠状位和矢状位)以及(3)数据融合策略对分割准确性的影响。为评估临床泛化性,我们进一步分析了模型在不同组织学亚型和解剖部位中的性能,全面刻画了该框架在真实世界背景下的优势和局限性。最终,本研究力求明确最能决定STS分割性能的关键参数,从而为肉瘤影像学中标准化、可重复且可临床部署的AI工作流程的开发提供依据。

材料与方法

研究人群

本回顾性研究获得机构审查委员会(IRB)批准,并豁免患者知情同意和《健康保险可携性与责任法案》(HIPAA)授权。

通过检索机构电子数据仓库(EDW),纳入2004年1月至2022年12月期间接受原发肿瘤治疗前磁共振成像(MRI)且经活检证实为软组织肉瘤(STS)的患者,组建患者队列。检索后,从机构影像归档与通信系统(PACS)中获取匿名化MRI扫描。若扫描至少包含一个T1加权脂肪饱和增强(T1 FS CE)或脂肪饱和T2加权(T2 FS)序列,则纳入患者。按照标准临床方案,这些序列常规在轴位、冠状位和矢状位平面上采集,平面内分辨率达亚毫米级。这种多平面方法对于准确描绘肿瘤的三维解剖结构、异质性及其与邻近结构的关系至关重要,尤其是考虑到肉瘤常呈长条状形态。研究流程总结于图1。

从最初约780例患者中,最终选取了299例的队列。为确保每种组织学类型均有可靠的模型训练和性能评估,我们仅纳入五个最大的间叶性肿瘤亚组:平滑肌肉瘤(LMS;n = 67)、黏液纤维肉瘤(MFS;n = 55)、黏液样脂肪肉瘤(mLPS;n = 60)、未分化多形性肉瘤(UPS;n = 70)和肌内黏液瘤(MYX;n = 47)。纳入MYX这一良性肉瘤模仿病变,为评估模型特异性提供了重要的对照队列。这些亚型代表了本机构实践中最常见且临床最相关的实体,并为模型开发提供了分布均衡的病例。

图1 软组织肿瘤自动分割工作流程示意图 查看原图 ↗

MRI采集、图像预处理和肿瘤分割

最终MRI数据集包括248例T1加权轴位、208例T1加权冠状位、180例T1加权矢状位、224例T2加权轴位、217例T2加权冠状位和171例T2加权矢状位扫描。为确保数据集的一致性和可重复性,所有扫描均接受了标准化预处理流程[25]。首先,应用N4偏场校正以减轻由磁场不均匀和扫描仪缺陷引起的强度不均匀性[26]。接下来,使用Z分数标准化对图像强度进行归一化,协调各扫描和患者间的信号分布[27]。最后,使用五次拉格朗日多项式插值[28]将所有图像重采样至各向同性体素大小1 mm³,以标准化空间分辨率并便于三维卷积处理。

由具有肉瘤影像经验的放射科医师(L.P.、N.G.、M.S.)和受过肉瘤图像分析训练的四年制医学生(Z.K.)使用LIFEx(7.6版,法国奥赛)[28]进行手动肿瘤分割。在所有平面上,对所有可用的脂肪饱和增强T1加权和脂肪饱和T2加权MRI序列进行病灶体积分割。所有分割均由两位资深放射科医师(L.P.和N.G.)独立交叉审核,以确保准确性、解剖完整性和评估者间一致性。

肿瘤分割模型

我们使用了3D全分辨率nnU-Net,这是一个基于U-Net架构的自配置深度学习框架,可针对给定数据集自动优化其网络深度、图像块大小和批次大小[29]。在本研究中,数据集被划分为训练集(70%)和测试集(30%),模型开发在训练集上采用五折交叉验证进行。为确定最佳输入策略,我们针对每个成像平面(轴位、冠状位和矢状位)在三种不同的序列配置下分别训练了模型:仅T1加权、仅T2加权以及T1加权与T2加权联合(T1 + T2)输入。该设计使得能够评估技术因素(输入模态和方向)和信息融合策略对分割性能的影响。

在训练过程中,我们采用了大量数据增强,包括随机旋转、缩放、高斯噪声、伽马校正和镜像[30]。nnU-Net框架自动配置了160 × 112 × 128体素的图像块大小和批次大小为2,以优化GPU内存使用。模型使用Dice和交叉熵联合损失函数训练了1000个 epoch。网络优化器为带动量(0.99)的随机梯度下降(SGD)[31],初始学习率为0.01,权重衰减为3 × 10⁻⁵。在推理阶段,预测采用滑动窗口方法并辅以高斯重要性加权生成,以确保分割图平滑。

统计分析

模型性能通过体积重叠和边界勾画准确性两类指标进行全面评估。对于体积重叠,我们计算了Dice相似系数(Dice)、精确率、召回率和F2分数。对于边界准确性,我们使用了平均对称表面距离(ASSD)和第95百分位Hausdorff距离(HD95)。鉴于数据呈非正态分布,所有性能指标均以中位数和四分位距(IQR)进行汇总。在模型选择方面,选择F2分数作为主要指标,ASSD作为次要指标。

我们选择F2分数作为主要指标,是因为从临床角度来看,肿瘤分割不足(体素级别的假阴性)比轻微过度分割是更为严重的错误。因分割不足而不慎残留肿瘤可直接导致局部复发,而轻微高估可能仅导致手术切缘稍大但仍然安全。这一优先级与实现肿瘤完全切除且切缘阴性的关键手术目标相一致。在每个类别(肿瘤亚型、部位和总体)中,具有最高中位数F2分数和最小中位数ASSD的模型被选为最佳表现模型。

结果

患者和肿瘤特征

299例患者队列的人口学和临床特征总结于表1。该队列包括五种原发性软组织肉瘤组织学类型:平滑肌肉瘤(LMS)、黏液纤维肉瘤(MFS)、黏液样脂肪肉瘤(mLPS)、未分化多形性肉瘤(UPS)和黏液瘤(MYX)。患者人群以女性为主(57%),平均年龄因亚型而异(范围:47至66岁)。肿瘤大多位于下肢(72%),最常见的肿瘤分级为3级(42%)。在评估时,30%的患者存在转移性疾病。

表1 患者特征 查看原表 ↗

MRI输入策略的比较性能

该研究评估了九种不同的nnU-Net模型配置,用于五种组织学亚型和三个解剖部位的软组织肉瘤(STS)分割。汇总的性能指标——在所有肉瘤亚型和肿瘤部位上取平均值——揭示了不同MRI输入策略之间的明显层级关系(图2)。T1加权轴位(T1 AX)模型表现突出,达到最高的中位F2评分(0.91)和中位Dice评分(0.89),显示出较强的整体分割准确性。T1加权矢状位(T1 SAG)模型表现相当,中位F2评分为0.90,中位Dice评分为0.89。在边界准确性方面,T1 AX模型的中位HD95为5.6 mm,中位ASSD为2.4 mm。虽然这些结果良好,但T1 SAG模型以中位HD95为4.3 mm和中位ASSD为2.1 mm优于前者,在边界准确性方面占据首位(图3)。

在T2加权模型中,T2 SAG和T2 AX配置表现出相当的体积准确性(中位F2评分为0.88,中位Dice评分分别为0.88和0.87)。然而,边界准确性的差异更为明显;T2 SAG模型表现出优于T2 AX模型(ASSD = 8.4 mm;HD95为14.9 mm)的边界勾画能力(ASSD = 2.7 mm;HD95为5.1 mm)。

虽然多平面T1模型(T1 AX/COR/SAG)表现出较强的性能,中位F2评分为0.90,中位Dice评分为0.88,中位ASSD为2.4 mm,中位HD95为5.56 mm,但并未优于最佳的单平面T1模型(图4)。同样,多平面T2模型(T2 AX/COR/SAG)达到中位F2评分为0.87和中位Dice评分为0.86,但边界准确性欠佳,中位ASSD为8.4 mm,中位HD95为14.9 mm。最后,联合多模态模型(T1和T2)的中位F2评分为0.88,中位Dice评分为0.88,中位ASSD为2.7 mm,中位HD95为5.1 mm,与最佳单平面模型相比也欠佳。所有模型配置的汇总性能总结见表S1(补充材料)。

图2 箱线图总结了九种不同MRI输入策略在整个测试队列中的性能。每个箱体代表四分位距,中央线表示中位数,须线显示数据范围 查看原图 ↗
图3 下肢黏液样脂肪肉瘤的代表性T1和T2加权MR图像,显示轴位(左)、冠状位(中)和矢状位(右)平面。由放射科医师手动勾画的真实分割以红色轮廓显示,而相应单平面模型的自动预测以青色轮廓显示 查看原图 ↗
图4 下肢未分化多形性肉瘤的代表性T1和T2加权MR图像,显示轴位(左)、冠状位(中)和矢状位(右)平面。由放射科医师手动勾画的真实分割以红色轮廓显示,而自动预测分别显示自相应单平面模型(青色)、多平面T1或T2模型(蓝色)以及多模态T1和T2模型(绿色) 查看原图 ↗

按解剖部位的性能分析

按解剖部位对模型性能的详细分解揭示了序列和平面特异性优势(表2)。T1 SAG模型在四肢肿瘤中表现最佳,该类肿瘤占研究队列的大多数。在该区域,其中位F2评分为0.85,中位Dice评分为0.88,边界准确性优异,中位ASSD为1.5 mm,中位HD95为4.24 mm。对于下肢,T1 AX模型被证明是最稳健的表现者,中位F2评分为0.92,中位Dice评分为0.90,中位ASSD为2.11 mm,中位HD95为4.9 mm。还应指出,T1 SAG模型在该区域表现出非常相似的性能,中位F2评分为0.90,中位Dice评分为0.90,中位ASSD为2.06 mm,中位HD95为4.12 mm。最后,T2 SAG模型对于位于腹部、盆腔和躯干的肿瘤尤其有效。对于这一具有挑战性的解剖区域,其中位F2评分为0.89,中位Dice评分为0.89,为该类别中所有模型的最高值。其中位ASSD为2.5 mm,中位HD95为7.5 mm。

表2 三种主要解剖部位各自两个表现最佳模型配置的分割性能 查看原表 ↗

组织学亚型对模型准确性的影响

分割性能高度依赖于肉瘤组织学类型,显示不同亚型之间存在显著变异性(表3)。对于LMS这一最具挑战性的亚型,T1 COR和T1 AX模型均取得了最佳结果。T1 COR模型的中位F2评分为0.85,中位ASSD为1.56 mm,而T1 AX模型的中位F2评分为0.88,中位ASSD为7.36 mm。在UPS的分割中,T1 AX模型表现最佳,中位F2评分为0.91,中位ASSD为2.49 mm。T1 SAG模型也表现异常出色,中位F2评分为0.89,中位ASSD为2.42 mm。对于mLPS,T1和T2序列均表现出强劲性能。T1 AX模型显示出高准确性,中位F2评分为0.92,中位ASSD为1.61 mm。T2 AX模型表现相似,中位F2评分为0.91,中位ASSD为2.26 mm。对于MFS,T1 SAG和T2 COR模型均表现异常出色,取得了研究中的最高评分。T1 SAG模型的中位F2评分为0.93,中位ASSD为1.76 mm,而T2 COR模型的F2评分为0.94,中位ASSD为2.32 mm。最后,对于MYX,T2模型最为有效。T2 SAG模型显示出最高准确性,中位F2评分为0.91,中位ASSD为1.69 mm,而T2 AX模型紧随其后,中位F2评分为0.89,中位ASSD为5.73 mm。

表3 每种组织学亚型两个表现最佳模型配置的分割性能 查看原表 ↗

讨论

软组织肉瘤显著的异质性和广泛的解剖分布给诊断、治疗和术前规划带来了重大挑战。这种固有的多样性是影像学研究的主要障碍,因为病例稀少使得难以汇集训练稳健算法所需的大型、亚型特异性数据集。尽管已有数项研究探索了肉瘤的自动分割,但大多数研究针对的是狭义定义的场景,例如肢体肿瘤、基于CT的放疗计划勾画,或小型单中心队列[15, 22, 24]。尚无研究系统评估MRI序列选择、成像平面、解剖位置和组织学亚型如何共同影响分割性能。本研究通过在一个更大、更具异质性的STS人群中提供输入策略的全面比较,扩展了既往工作,从而为模型开发和临床实施提供实用指导。

我们的系统评估揭示,分割准确性强烈依赖于肿瘤位置和组织学。对于肢体肉瘤,对比增强T1加权图像提供了最准确的勾画,这与其强的肿瘤-背景对比度相一致;而对于腹部、盆腔和躯干肿瘤,T2加权成像更优,因为高含水量在增强后边界不甚清晰时提供了更清晰的组织区分。我们的最佳模型达到了中位Dice评分0.89,与BraTS挑战赛中脑肿瘤[17]或LiTS基准中肝脏肿瘤[32]的最先进结果(Dice评分通常在0.85至0.92之间)相比极具竞争力。鉴于肉瘤与器官局限性肿瘤更可预测的形态相比具有极端异质性和浸润性,这些结果凸显了nnU-Net框架在这一挑战性领域的稳健性。值得注意的是,我们的最佳模型(T1 AX)达到了中位Dice 0.89,尽管纳入了解剖复杂区域,仍优于近期肢体肉瘤研究[22],凸显了该模型的稳健性及其在不同肿瘤部位临床应用的潜力。

分割准确性还高度依赖于肿瘤的组织学亚型。模型在MFS和mLPS上表现最佳,F2评分高达0.94。这一成功可能归因于这些肿瘤的独特影像学特征;MFS通常边界清晰,而mLPS中的高含水量产生清晰、明亮的信号,易于分割。相比之下,LMS被证明是最具挑战性的亚型,这与其常呈浸润性生长模式及异质性外观导致肿瘤边界不清相一致。这些亚型特异性结果突出了一个关键挑战:虽然通用模型可以表现良好,但其准确性最终与每种组织学的内在影像学特征相关联。因此,一个稳健的通用模型将需要更大、更多样化的数据集。

值得注意的是,单序列、单平面的模型优于多模态或多平面方法,这与数据越多性能必然越好的假设相矛盾。多模态(T1 + T2)融合可能引入了“特征污染”,即边界较不清晰的T2信息降低了高对比度的T1信息。nnU-Net的早期融合策略对于组合模态可能是次优的。采用注意力或跨模态融合的更先进架构,可能更好地利用互补数据而不破坏边界特征。

除技术性能外,这些发现为人工智能在肉瘤中的临床转化提供了两个关键见解。第一,多模态融合可能因“特征污染”而降低性能这一观察对工作流程效率具有实际意义。临床方案可以优化为优先采用特定的高产出序列(例如四肢的T1加权成像),而不牺牲分割准确性,而非强制要求增加扫描时间和成本的复杂多序列采集。第二,观察到的不同组织学类型间的显著性能差异对软组织肉瘤(STS)“一刀切”模型的可行性提出了挑战。相反,我们的数据支持实施自适应临床工作流程,即根据疑似或活检确认的组织学亚型自动选择特定的分割算法。

我们的研究存在若干局限性。第一,作为一项回顾性、单机构研究,普适性可能有限。该数据集尽管对于这种罕见疾病而言规模较大,但仍然有限且在亚型间分布不均。MRI采集方案存在差异,且并非每个病例都有所有平面可用。此外,我们的分析仅限于五种最常见的间充质肿瘤亚组,以确保足够的统计效力用于可靠的模型训练。虽然这些亚型代表了临床病例的很大一部分,但这一选择排除了较罕见的组织学类型,可能限制了模型对全部软组织肉瘤谱系的即时普适性。因此,当前框架应被视为探索性的,建立了一个性能基线,必须在未来的多机构研究中加以验证并扩展以纳入更罕见的病种。

本研究的一个局限性是缺乏外部验证。所有数据均来自单一机构,因此模型性能可能反映部位特定的成像特征。尽管使用了交叉验证和留出测试集来减少过拟合,但这些方法无法完全确保普适性。在临床部署之前,在独立的多机构数据集上进行外部验证将是必不可少的。未来工作还应纳入瘤周水肿掩膜以细化边界精度并避免高估肿瘤体积。

本分析中识别的局限性凸显了未来研究的若干有前景的方向。改善多模态整合将需要中间融合或基于注意力的融合策略。亚型特异性或混合模型可以增强对LMS和MYX等困难组织学类型的性能。准确的分割为旨在预测亚型、分级、治疗反应和预后的先进影像组学和深度学习研究奠定了基础——将技术分割的成功转化为有意义的临床影响。

结论

本研究表明,使用深度学习框架对软组织肉瘤进行准确的自动化分割是可行的。T1加权单平面模型——尤其是轴位和矢状位——取得了最佳的整体性能,其准确性受肿瘤位置和组织学类型的影响。通过提高肿瘤勾画的重复性和精确性,此类工具可增强手术和放疗计划,支持个性化、保留功能的肉瘤诊疗。

补充信息

以下是电子补充材料的链接。补充文件1(DOCX 17 kb)

引用

  1. Peng L, Perronne L, Gennaro N, et al. Performance of deep learning-based segmentation of soft tissue sarcoma by MRI sequence, tumor type and location. Skeletal Radiol. 2026. PMID: 41776099. doi:10.1007/s00256-026-05178-3
  2. 全文:PMC13198472(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13198472/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。