文献速递骨肌DR

基于医学图像预训练迁移学习的骨肿瘤X线泛化稳健诊断:多中心研究

Medical image pretraining-based transfer learning for generalizable and robust diagnosis of bone tumors on radiographs: a multi-center study.
PubMed 文献 · Insights Imaging · 2026-04-07

该回顾性多中心研究纳入4个中心2338例病理确诊骨肿瘤患者,用RadImageNet或ImageNet预训练ResNet50和InceptionV3进行良恶性分类,并构建影像组学模型。外部测试中ResNet50_RadImageNet的AUC为0.738,优于ImageNet预训练模型和影像组学模型,且对边界框扰动更稳定。

要点

  • 医学图像预训练(RadImageNet)可提升骨肿瘤X线分类的泛化性和稳健性。
  • 外部测试中ResNet50_RadImageNet的AUC为0.738,优于影像组学模型(AUC=0.518)。
  • 模型对巨细胞瘤外部误差率达62.4%,多假阴性;小病灶易漏诊。

核心结论

  • 基于领域特定医学图像预训练的深度学习模型在骨肿瘤X线分类中表现出优于影像组学和自然图像预训练模型的性能和稳健性。

研究设计与样本

  • 回顾性多中心研究,纳入4个中心2338例病理确诊骨肿瘤患者,内部数据集471例(训练282例、验证94例、内部测试95例),外部测试集1867例来自BTXRD数据集。
  • 使用ResNet50和InceptionV3架构,分别以RadImageNet(135万医学图像)或ImageNet(1400万自然图像)预训练权重初始化,并构建基于ElasticNet的影像组学模型。
  • 参考标准为病理确诊,采用2020年WHO第5版软组织与骨肿瘤分类将肿瘤分为良性或非良性(恶性及中间性)。
  • 模型性能以AUC评估,配对DeLong检验比较AUC差异,并对预训练策略间比较进行Bonferroni校正。
  • 稳健性通过肿瘤边界框随机位移(±30%,每例50次)实验评估,可解释性通过Grad-CAM热图分析。

关键影像表现/征象

  • 在正确分类的病例中,Grad-CAM显示ResNet50_RadImageNet模型适当聚焦于诊断相关区域,如骨肉瘤病例中肿瘤与正常组织移行区。
  • 模型对巨细胞瘤的外部误差率从内部0.0%升至62.4%,多数为假阴性;对「其他良性」和「其他非良性」类别的误差率超过40-50%。
  • 外部数据集中小病灶(0–25%百分位)假阴性78例多于真阳性54例,而最大病灶(75–100%百分位)真阳性91例多于假阴性49例。
  • 轴向骨骼(脊柱和骨盆)误分类率最高,附肢骨骼(上肢/下肢)准确率较高。

诊断标准与关键数值

  • 外部测试中ResNet50_RadImageNet的AUC为0.738(95% CI: 0.714-0.762),优于ResNet50_ImageNet(AUC=0.669,95% CI: 0.639-0.699,p<0.001)和InceptionV3_ImageNet(AUC=0.677,95% CI: 0.647-0.708,p<0.001)。
  • 外部测试中影像组学模型AUC为0.518(95% CI: 0.487-0.548),显著低于ResNet50_RadImageNet(p<0.001)。
  • 内部测试中ResNet50_RadImageNet的AUC为0.785(95% CI: 0.686-0.884);外部测试中InceptionV3_RadImageNet的AUC为0.703(95% CI: 0.674-0.732),优于InceptionV3_ImageNet(AUC=0.677,95% CI: 0.647-0.704,p=0.026)。
  • ResNet50_RadImageNet在训练集最大Youden指数对应的预测阈值为0.34,内部测试集PPV为82.8%(患病率63.3%),外部测试集PPV为40.8%(患病率23.3%),特异度维持74.8%。
  • 融合模型(ResNet50_RadImageNet预测+年龄和肿瘤位置)外部测试AUC为0.708(95% CI: 0.680-0.735),低于ResNet50_RadImageNet(p<0.001)。

临床应用与阅片要点

  • 医学图像预训练模型可独立用于骨肿瘤X线良恶性分诊,无需依赖临床特征,外部泛化性优于影像组学模型。
  • 模型对巨细胞瘤和小病灶假阴性率高,阅片时需特别关注这类病变,避免过度依赖AI提示。
  • 模型在轴向骨骼(脊柱、骨盆)误分类率最高,复杂解剖背景病例应结合人工判读。
  • Grad-CAM热图可辅助定位诊断相关区域,但需注意模型在错误分类病例中的注意力可能偏离。

局限性

  • 回顾性研究设计,内部数据集样本量较小(471例),外部数据集病理分布与内部差异显著(良性比例76.7% vs 36.7%)。
  • 内部与外部数据集图像对比度存在显著差异(0.215 vs 0.151,Cohen's d=1.30),可能影响模型泛化评估。
  • 模型对巨细胞瘤外部误差率达62.4%,对「其他」类别误差率超过40-50%,亚型鉴别能力有限。
  • 外部测试集PPV仅40.8%(患病率23.3%),低患病率场景下阳性预测价值有限。
全文中译14 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:Insights Imaging. 2026 Apr 7;17:94. doi: 10.1186/s13244-026-02271-y

引言

骨肿瘤代表一组具有不同生物学行为的异质性肿瘤,从预后良好的良性病变到骨肉瘤和软骨肉瘤等高侵袭性恶性肿瘤不等[1, 2]。准确区分良性与非良性亚型对临床决策至关重要。良性肿瘤通常仅需保守管理或小型外科干预,而其他变体则需要包括化疗、放疗和广泛手术在内的治疗[3]。错误分类可能导致不必要的活检、医疗费用增加、治疗延迟,甚至危及生命的后果[4]。

放射影像学检查因其可及性、成本效益以及能够描绘骨破坏模式、骨膜反应和软组织受累等关键形态学特征的能力,仍然是骨肿瘤的一线诊断手段[5]。然而,骨肿瘤的低发病率限制了放射科医师的广泛专业经验,导致显著的观察者间变异性和潜在误诊[6]。此外,人工判读耗时且易受人为偏差影响,尤其是在区分不同肿瘤类型之间重叠的影像学特征时[7]。此外,骨肿瘤常作为偶然发现在常规临床实践中被普通放射科医师遇到。在社区医院和全科实践环境中,可能无法即时获得专科会诊,因此迫切需要可靠的决策支持工具来协助初步分诊和管理决策。这代表了一个高价值的临床应用场景,人工智能辅助诊断可以显著改善患者护理和工作流程效率。

人工智能(AI)的最新进展,特别是深度学习(DL),已在提高肌肉骨骼影像学诊断准确性和效率方面展现出前景[8]。基于DL的模型可以自动提取图像特征,无需耗费大量人力进行肿瘤边界的手动分割,相比依赖手工特征的傳統放射组学方法具有优势[9]。然而,大多数现有研究应用自然图像预训练(如ImageNet)来初始化卷积神经网络,由于医学图像与自然图像之间的显著差异而引入了领域鸿沟[10]。此外,许多骨肿瘤分类的AI模型使用小数据集进行验证,导致对过拟合和泛化能力有限的担忧[11]。

为解决这些局限性,近期研究集中于使用大规模医学图像库进行领域特异性预训练。RadImageNet是一个公开可用的数据集,包含来自131,872名患者的135万张标注医学图像,已被提出通过提供针对医学影像任务优化的预训练模型权重来弥合领域鸿沟[12]。此外,大规模多中心验证对于确保稳健性和临床适用性已变得越来越重要[13]。模型可解释性——突出诊断相关区域——以及在肿瘤定位现实变化下的稳定性测试等临床关键问题在很大程度上仍未得到解决,尽管它们是真实世界临床实施的基本考量因素[14]。

因此,本多中心研究开发并验证了使用RadImageNet预训练的深度学习(DL)模型,用于X线片上骨肿瘤分类。我们在四个中心将模型性能与传统影像组学及ImageNet预训练模型进行了比较。同时评估了模型的稳健性、可解释性和潜在辅助价值。

材料与方法

本回顾性多中心研究依照《赫尔辛基宣言》开展,并获得上海交通大学医学院附属瑞金医院伦理委员会批准(编号2024-157)。由于研究为回顾性设计,免除知情同意要求。

患者人群与数据收集

我们纳入了来自四个中心的2338例经组织病理学确诊的骨肿瘤患者。内部数据集包括2011年至2021年间在我院就诊的471例患者;外部数据集包括2013年7月至2023年7月间来自另外三个中心、参与骨肿瘤X线摄影数据集(BTXRD)[15]的1867例肿瘤患者。纳入与排除标准见图1。本研究入选患者诊断为良性肿瘤或非良性肿瘤(包括恶性和中间性骨肿瘤)。所有肿瘤均经病理学确诊,并按照2020年出版的第五版世界卫生组织软组织和骨肿瘤分类[16]进行分组。

内部数据集采用分层抽样随机分为训练集(n = 282,60%)、验证集(n = 94,20%)和内部测试集(n = 95,20%),以保持良性与非良性病例的比例。BTXRD数据集作为独立的外部测试集。由于本中心不是BTXRD数据库的贡献者,且数据集来源于地理上不同的中心,训练集/验证集/内部测试集与外部测试集完全独立。

图1 患者入组流程图 查看原图 ↗

图像采集与标注

对于内部数据集,X线片使用SIEMENS数字X线摄影系统采集,成像参数包括管电压50–120 kVp、管电流-时间乘积2–10 mAs、源-像距离100–120 cm。临床有指征时获取正位和侧位视图。为确保数据集一致性并避免冗余,内部队列中每例患者仅选择一张代表性X线图像(最能显示病灶的视图)。因此,数据集保持图像与患者之间严格的一一对应关系,从根本上防止了与多视图依赖性相关的数据泄漏。所有X线片由两名具有10年以上经验的骨肌放射科医师独立审阅。使用ITK-SNAP软件[17](版本4.0,https://www.itksnap.org/)手动标注肿瘤区域,涵盖整个病灶,包括骨破坏区、骨膜反应及相关软组织肿块。分歧通过第三名资深放射科医师的共识审阅解决。外部数据集BTXRD提供了标注的肿瘤区域和边界框。

模型开发

本研究总体流程如图2所示。我们实现了两种在医学图像分析中已被证明有效的深度学习(DL)模型架构。ResNet50通过跳跃连接解决梯度消失问题,使训练具有50层的更深网络成为可能,其中包含采用瓶颈设计的残差块[18]。InceptionV3包含具有多种卷积核尺寸并行处理的 inception 模块,通过 inception 模块实现高效的多尺度特征提取[19]。

在本研究中,我们采用了两种不同的预训练方法来研究域迁移有效性。模型分别用以两种权重初始化:一种是在包含1000个类别、1400万张自然图像的ImageNet数据集[20]上预训练的权重,代表传统迁移学习方法[10];另一种是在RadImageNet上预训练的权重,这是一个医学影像专用数据集,包含来自131,872名患者的135万张标注医学图像和165个标签,专门用于解决自然图像与医学图像之间的域差距[12]。

随后对预训练模型进行微调,以对骨肿瘤X线片进行分类。从标注的肿瘤区域生成肿瘤边界框,并从边界框中提取肿瘤图像块。肿瘤图像块随后进行预处理,包括调整为224 × 224像素(ResNet50)或299 × 299像素(InceptionV3),以及[0, 1]强度归一化。训练过程中应用数据增强技术以增强模型泛化能力。对肿瘤图像块进行随机水平和垂直翻转,以模拟不同的肿瘤方向。应用仿射变换,旋转最多10度,水平和垂直方向平移最多20%,并在原始尺寸的80%至120%之间随机缩放,以模拟肿瘤影像表现的自然变化。

模型以128的批量大小进行微调,使用Adam优化器,初始学习率为4 × 10−3。我们采用Focal Loss通过关注难以分类的样本来解决类别不平衡问题[21]。ReduceLROnPlateau调度器监测验证集中的模型性能,在10个epoch无改善后将学习率降低0.618倍。通过将模型参数的缩放L2范数添加到损失函数中实现L2正则化,有助于防止过拟合,同时保留模型判别能力。所有实验均使用NVIDIA Tesla A100 GPU和PyTorch框架(版本2.4.1)进行。

为进行比较,使用PyRadiomics(版本3.1.0)[22]从带掩膜的肿瘤区域提取的455个特征构建了影像组学模型。这些特征包括18个一阶统计量、14个基于形状的参数、从多个矩阵衍生的73个纹理特征以及364个小波变换特征。其余特征随后通过ElasticNet[23]使用网格搜索进行选择,以确定最佳alpha值(范围为0.1至0.9),通过10折交叉验证开发影像组学模型。

使用ElasticNet构建了纳入患者年龄、性别和肿瘤位置的临床模型。进一步通过ElasticNet将最佳模型预测与临床特征相结合,构建了融合模型。

图2 本研究的整体工作流程。带有掩膜的肿瘤区域用于放射组学建模,肿瘤图像块用于深度学习(DL)模型开发。DL流程采用InceptionV3和ResNet50架构,并从自然图像(ImageNet)和医学图像(RadImageNet)领域进行迁移学习。模型验证包括性能比较、使用边界框扰动评估稳健性、通过热图可视化实现可解释性,以及通过辅助诊断实验评估潜在辅助价值,均在多中心数据集上进行。 查看原图 ↗

模型评估

采用受试者工作特征曲线下面积(AUC)评估模型性能。AUC之间的统计学显著性采用配对DeLong检验评估。为控制I类错误膨胀,Bonferroni校正专门应用于预训练策略之间的成对比较(RadImageNet vs ImageNet)。准确率、灵敏度和特异度基于训练集中最大约登指数对应的预测阈值计算。

通过扰动实验测试模型在模拟真实世界定位变异性下的稳健性,即对每例随机位移肿瘤边界框坐标(x/y方向±30%)50次,使用Wilcoxon符号秩检验分析AUC分布。

梯度加权类激活映射(Grad-CAM)生成注意力热图,可视化对预测有贡献的区域[24]。

一项辅助诊断实验涉及两名肌肉骨骼放射科主治医师独立审阅一个内部测试集和从外部测试集中随机选取的100例病例,先无模型辅助、后有模型辅助(预测和热图),洗脱期为两周。放射科医师1在肌肉骨骼影像方面有10年经验,放射科医师2有15年经验。诊断性能的AUC变化采用配对DeLong检验量化。通过检查AUC差异的95%置信区间与临床有意义的性能改善阈值(定义为ΔAUC > 0.05)的关系,进一步评估研究结果的精确性和临床相关性。

统计分析

连续变量根据正态性检验(Shapiro–Wilk)以均值±标准差或中位数(四分位距)表示,组间比较采用Student t检验或Mann–Whitney U检验。分类变量采用卡方检验或Fisher精确检验比较。双侧p值<0.05被认为具有统计学显著性。统计分析使用R软件(版本4.4.0)进行。本研究的代码可在GitHub获取(https://github.com/xiawei999000/bone_tumor)。

结果

患者特征

本研究纳入来自两个独立数据集的2338例患者:内部数据集471例(20.1%),外部数据集1867例(79.9%)。表1呈现了按数据集分层的临床特征。虽然队列间性别分布具有可比性(男性:54.4% vs 57.6%,χ2 = 1.47,p = 0.226),但内部数据集患者年龄显著大于外部数据集患者(37.5 ± 21.0 vs 31.5 ± 21.2岁,t = 5.53,p < 0.001)。

两个数据集的病理分布存在显著差异。外部数据集中良性肿瘤的比例显著更高(76.7% vs 36.7%,χ2 = 281.45,p < 0.001),主要由骨软骨瘤(40.4% vs 5.9%,χ2 = 210.87,p < 0.001)和单纯骨囊肿(11.0% vs 1.7%,χ2 = 41.13,p < 0.001)患病率较高所致。相反,内部数据集中非良性病例更为丰富(63.3% vs 23.3%,p < 0.001),骨肉瘤(22.9% vs 16.0%,χ2 = 12.15,p < 0.001)和其他非良性肿瘤(33.5% vs 2.4%,χ2 = 459.9,p < 0.001)的比例更高。值得注意的是,其他良性肿瘤(χ2 = 2.82,p = 0.093)和巨细胞瘤(χ2 = 2.44,p = 0.118)的比例未观察到显著差异,表明病理谱存在部分重叠。

肿瘤位置模式也差异显著。总体上肢受累情况相似(24.0% vs 24.1%,χ2 = 0.001,p = 0.979)。相比之下,下肢肿瘤在外部数据集中更为常见(66.0% vs 72.2%,χ2 = 6.83,p = 0.009),尤其是胫骨受累(15.1% vs 27.8%,χ2 = 30.0,p < 0.001),而股骨病变在内部数据集中更为常见(42.9% vs 33.0%,χ2 = 16.2,p < 0.001)。中轴骨骼受累在内部数据集中显著更高(10.0% vs 3.8%,χ2 = 29.93,p < 0.001),脊柱病变仅见于内部队列(2.4% vs 0%)。训练集与测试集之间在人口统计学、肿瘤亚型和解剖分布上的这些显著差异为评估模型在不同临床人群中的泛化能力提供了严格的评价框架。

为定量评估域偏移,对内部和外部数据集的图像进行归一化处理(减去最小值并除以极差),然后计算四项关键指标以反映直方图分布:(1)平均强度:反映整体亮度/曝光差异。(2)对比度(像素标准差):反映动态范围差异。(3)熵:反映纹理复杂度和噪声水平。(4)宽高比:反映视野和裁剪策略的差异。采用独立样本T检验(根据方差齐性选择Student's t检验或Welch's t检验)比较两组数据集之间的差异,并计算Cohen's d效应量以评估差异程度。结果详见表S1,直方图分布见图S1。虽然平均强度(亮度)保持一致(p = 0.468,Cohen's d = 0.04),反映曝光水平标准化,但在图像对比度方面观察到显著差异。外部数据集相比内部数据集表现出显著更高的对比度(0.215 vs 0.151,p < 0.001),效应量非常大(Cohen's d = 1.30)。

表1 内部与外部数据集患者临床特征比较 查看原表 ↗

模型性能

表2展示了完整的影像组学模型性能指标。影像组学模型从最初提取的455个特征中选用了11个特征,主要由小波变换特征组成(8/11),详细的特征名称及相应系数见表S2。此外,增加了基于SHAP(SHapley Additive exPlanations)值的影像组学特征重要性分析,特征重要性排序图见图S3。

影像组学模型在内部测试集上表现中等(AUC = 0.694,95% CI:0.587–0.800),但在外部测试集上性能显著下降(AUC = 0.518,0.487–0.548),表明泛化能力较差。

所有深度学习(DL)模型均优于影像组学模型,尤其是在对外部测试集上,泛化能力至关重要。在RadImageNet上预训练的ResNet50架构(ResNet50_RadImageNet)表现最佳,内部测试集AUC = 0.785(95% CI:0.686–0.884),外部测试集AUC = 0.738(95% CI:0.714–0.762)。在GPU上每例模型推理时间为0.050 ± 0.038 s。比较预训练方式,在外部测试集上,相同架构下在RadImageNet上预训练的模型始终优于在ImageNet上预训练的模型(ResNet50_RadImageNet:AUC = 0.738 [0.714-0.762] vs ResNet50_ImageNet:AUC = 0.669 [0.639–0.699],Z = 4.154,p < 0.001;InceptionV3_RadImageNet:AUC = 0.703 [0.674–0.732] vs InceptionV3_ImageNet:AUC = 0.677 [0.647–0.704],Z = 2.543,p = 0.026)。对于在RadImageNet上预训练的模型,ResNet50架构表现优于InceptionV3架构(AUC = 0.738 vs 0.703,Z = 3.954,p = 0.010)。

开发了将ResNet50_RadImageNet预测结果与临床特征(年龄和肿瘤位置)相结合的融合模型,公式为:

该融合模型在内部测试集上AUC为0.785(95% CI:0.685–0.886),与ResNet50_RadImageNet相同。然而,其在外部测试集上性能下降(AUC = 0.708,95% CI:0.680–0.735)。单独临床模型在两个测试集上表现均较差,尤其是在外部队列中(AUC = 0.571,95% CI:0.542–0.601)。值得注意的是,在外部测试集上,ResNet50_RadImageNet(AUC = 0.738)显著优于临床模型(p < 0.001)。此外,ResNet50_RadImageNet模型也表现出优于融合模型的性能(AUC = 0.708,Z = 4.045,p < 0.001),提示利用医学图像迁移学习的ResNet50_RadImageNet模型具有稳健的独立预测能力,不依赖于临床数据。图3显示了所有模型的ROC曲线。

为直观呈现数据不平衡的影响,进一步分析了模型在内部和外部数据集不同决策阈值下的性能指标。图S4还提供了决策预测阈值从0到1变化时,灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)之间权衡关系的曲线。ResNet50_RadImageNet模型在训练集中最大约登指数对应的预测阈值为0.34,在该阈值下,模型在内部测试集中达到82.8%的PPV(患病率63.3%);然而,在恶性肿瘤患病率较低(23.3%)的外部测试集中,PPV为40.8%,这得益于其特异度维持在74.8%。

表2 模型在内部和外部测试中的性能 查看原表 ↗
图3 模型在(a)内部和(b)外部测试中的ROC曲线 查看原图 ↗

分层误差分析:亚型、部位和大小

为评估ResNet50_RadImageNet模型的临床稳健性,按肿瘤亚型、解剖部位和病灶大小进行了全面的分层误差分析。

对于肿瘤亚型(图S5),观察到不同的性能模式。虽然模型对骨肉瘤(OSA)表现出稳健的检测能力,即使在外部集中错误率也相对较低,但它在“其他”类别中表现不佳,包括“其他良性”(OBT)和“其他非良性”(ONBT),错误率超过40-50%。巨细胞瘤(GCT)出现了显著差异,错误率从0.0%(内部)飙升至62.4%(外部),其中大多数为假阴性。

关于解剖部位,不同骨骼区域的性能存在差异。模型在附肢骨骼(上/下肢)中取得了较高的准确率,而中轴骨骼(脊柱和骨盆)表现出最高的误分类率(图S6),反映了复杂解剖背景带来的挑战。

对于病灶大小(图S7),我们发现诊断灵敏度与肿瘤尺寸显著相关。在外部数据集中,小病灶(Q1,0–25%百分位数)常被误分类,假阴性(78例)多于真阳性(54例)。相反,对于最大病灶(Q4,75–100%),模型表现出高灵敏度,真阳性(91例)超过假阴性(49例)。

病灶位置扰动稳健性分析

通过边界框扰动实验评估模型稳定性,其中肿瘤边界框在50次迭代中从原始位置随机位移至多±30%。ResNet50_RadImageNet表现出优越的稳定性,具有最高的平均AUC和最集中的分布,显著优于其他模型(p < 0.001)。同样,InceptionV3_RadImageNet显著优于InceptionV3_ImageNet(p < 0.001),进一步证实RadImageNet预训练增强了模型稳定性。图4呈现了扰动条件下不同模型外部测试AUC值的分布。

图4 模型稳定性评估。a 边界框扰动实验。红色边界框表示原始位置,青色和黄色边界框从原始位置随机位移至多±30%。b 不同模型间外部测试AUC的分布与比较 查看原图 ↗

模型可解释性与辅助诊断实验

Grad-CAM可视化揭示了ResNet50_RadImageNet的注意力模式。两名放射科医师也独立评估了这些病例。图5展示了模型注意力图的代表性示例以及与放射科医师的诊断评估对比。模型突出显示其预测为阳性的区域,在正确分类的病例中,模型适当地聚焦于诊断相关区域。例如,在骨肉瘤病例中,模型正确识别了与放射科医师评估一致的非良性特征,因为模型的注意力区域集中在肿瘤与正常组织之间的过渡区,该区域因侵袭性皮质破坏和向周围软组织的渗透性生长导致的边界模糊是恶性肿瘤的常见影像学征象。有趣的是,在内生软骨瘤等病例中,模型正确分类了肿瘤而放射科医师做出了错误评估。同时,在模型分类错误的病例中,突出显示的区域未能聚焦于诊断相关区域。

两名放射科医师在有无模型辅助的情况下独立评估了这些病例(图6)。在基线条件下(无AI辅助),放射科医师_1和放射科医师_2在内部测试集上表现相当(AUC:0.683 [0.591–0.776] vs 0.621 [0.524–0.719],Z = 1.362,p = 0.173)。然而,在外部测试集上观察到显著的性能差距:经验更丰富的放射科医师_2优于放射科医师_1(AUC:0.760 [0.675–0.845] vs 0.580 [0.486–0.674],Z = 4.937,p < 0.001),反映了更丰富的临床经验通常带来的更优泛化能力。

关于AI辅助的影响,结果因阅片者经验而异。对于放射科医师1,AI辅助未显著改善内部测试集上的诊断性能(AUC = 0.665 [95% CI:0.567–0.764] vs 0.683 [0.591–0.776];差值 = −0.018 [95% CI:−0.073至0.037],Z = −0.640,p = 0.522)或外部测试集上的诊断性能(AUC = 0.600 vs 0.580;差值 = 0.020 [−0.033至0.074],Z = 0.732,p = 0.464)。值得注意的是,内部测试集CI的上界(0.037)排除了临床实质性获益(ΔAUC > 0.05)。相比之下,放射科医师2从模型中获得了实质性获益,在内部测试集上实现了性能提升(AUC = 0.754 [0.669–0.838] vs 0.621 [0.524–0.719];差值 = 0.133 [0.049至0.218],Z = 3.076,p = 0.002),并在外部测试集上显示出改善趋势(AUC = 0.820 [0.747–0.893] vs 0.760 [0.675–0.845];差值 = 0.060 [−0.005至0.125],Z = 1.821,p = 0.068)。

图5 模型注意力图的代表性示例。a 一例非良性骨肿瘤(骨肉瘤),放射科医师和模型均正确诊断。b 一例非良性骨肿瘤(骨肉瘤),放射科医师误诊而模型正确诊断。c 一例良性骨肿瘤(动脉瘤样骨囊肿),放射科医师和模型均正确诊断。d 一例良性骨肿瘤(内生软骨瘤),放射科医师误诊而模型正确诊断。e 一例非良性骨肿瘤(骨肉瘤),模型误诊而一名放射科医师正确诊断。f 一例良性骨肿瘤(骨纤维结构不良),模型误诊而放射科医师正确诊断 查看原图 ↗
图6 有无模型辅助的放射科医师的ROC曲线。(a) 内部测试。(b) 外部测试 查看原图 ↗

讨论

这项多中心研究证明了深度学习(DL)模型在X线片骨肿瘤分类方面优于影像组学方法。我们的结果特别强调了领域特异性医学图像预训练在提高分类性能和稳定性方面的显著优势,这对在监督式诊断工作流程中提供潜在支持具有重要意义。

对于影像组学模型,观察到小波变换特征占主导地位(11个所选特征中有8个)。这一发现与既往骨肿瘤影像组学研究一致,其中小波特征已被证明构成所选特征的大多数,并在捕捉对表征恶性组织改变具有生物学意义的多尺度纹理信息方面发挥关键作用[25, 26]。然而,影像组学模型在内部验证中仅达到中等性能(AUC = 0.688),在外部验证中性能较差(AUC = 0.524)。这种显著的性能下降表明泛化能力有限,而仅有少数研究应用外部数据集进行验证[27]。影像组学泛化能力较差可能是因为手工特征对图像采集参数和肿瘤勾画的变化高度敏感[28],限制了其在多中心环境中的潜在辅助价值。我们的定量分析支持这一假设,该分析揭示了显著的域偏移,尤其是在图像对比度方面。这种对比度偏移可能源于不同中心采集的异质性和厂商特定的后处理,从而形成具有挑战性的测试环境。然而,所有DL模型均表现出显著更好的泛化能力,在外部验证中保持合理性能。这表明与预定义的影像组学特征相比,学习到的特征表示可能捕捉到更稳健且可迁移的成像特征。

RadImageNet预训练模型优于ImageNet预训练模型,且这一模式在不同架构中均成立。这一性能优势与Mei等[12]先前的研究一致,他们首次引入了RadImageNet并证明其在多种放射学应用中优于ImageNet。我们观察到的使用RadImageNet与ImageNet预训练时外部验证AUC的10.3%提升(0.738 vs 0.669)尤其值得注意,且与其他研究结果相似,例如Zhang等[29]报告了在X线片上椎体骨折分类的外部验证中AUC提升8.4%,提示X线片分类模型的泛化能力可能尤其受益于医学图像预训练。这一优越性能可能源于RadImageNet与医学图像领域更为接近,且该数据集包含的放射学图像与骨肿瘤X线片具有相似的灰度表现、对比度模式和解剖结构。这种领域相似性促进了更有效的知识迁移,因为模型在预训练期间已学习了相关的特征表示。此外,我们的结果表明,在使用RadImageNet预训练时ResNet50架构优于InceptionV3,这与先前的一项研究[12]一致。这可能归因于其残差连接有助于训练更深的网络同时缓解梯度消失问题[18]。该架构似乎对骨肿瘤分类尤为有利,因为多尺度的细微纹理和边缘特征在诊断上具有重要意义[7]。除了性能指标之外,我们的边界框扰动实验揭示,RadImageNet预训练模型与ImageNet预训练对应模型相比表现出显著更好的稳定性。这种对肿瘤定位变化的增强鲁棒性对于临床部署至关重要,因为精确的肿瘤分割可能并不总是可获得的。

将ResNet50_RadImageNet预测与临床特征(年龄和肿瘤位置)相结合的融合模型在内部验证中获得了最高的AUC(0.788),但在外部验证中表现出性能下降(AUC = 0.699),低于纯影像模型(AUC = 0.738)。与先前的单中心验证研究[10]相反,这一发现提示临床特征与肿瘤分类之间的关系可能在不同患者人群中存在差异,可能引入偏倚而非增强泛化性。多项多中心研究也报告了类似发现,即融合模型在外部测试中未能产生优越性能[30]。

分层分析显示,误分类并非随机发生,而是由特定的影像学和解剖学挑战所驱动。外部集中GCT的高假阴性率提示了一个特定陷阱,即模型将其表现特征解读为无侵袭性病变。相反,骨肉瘤被稳健识别,可能因为其高级别恶性特征明显且具有域不变性。中轴骨中性能下降凸显了从复杂重叠结构(如肠气、肋骨)中分离病变的难度,相比之下附肢骨背景更为清晰。小病变的频繁误分类表明这些肿瘤可能缺乏自信的AI识别所需的显著破坏性特征。这些发现提示放射科医师在解读中轴骨小溶骨性病变时应提高警惕,因为这些情形代表了模型的主要盲点。

此外,解决我们研究数据集与真实世界临床实践之间的类别不平衡和分布偏移非常重要。我们的内部数据集富集了非良性肿瘤(63.3%),反映了一家三级转诊中心的情况,而外部测试集的患病率较低(23.3%)。这一患病率差异导致外部集的PPV较低(40.8%),而内部集为82.8%。然而,模型保持了74.8%的特异度。这一特性对于模型在一般实践或初级保健环境中的应用尤为相关,在这些环境中良性骨病变是常见的偶然发现。高特异度对于防止假阳性导致的专科中心“转诊过载”至关重要。因此,尽管低患病率导致了较低的PPV,该模型仍可作为有价值的分诊决策支持工具,帮助有效过滤良性病例,同时标记可疑病变以供专科医师复核。

模型注意力模式的可视化显示,ResNet50_RadImageNet在正确分类的病例中适当地聚焦于诊断相关区域,进一步增强了模型的可解释性和合理性,这在帮助临床医师快速将注意力引向相关区域方面也很有用。模型正确分类了放射科医师误诊的肿瘤的病例,凸显了AI在临床实践中的潜在补充作用。

辅助诊断实验进一步揭示了放射科医生经验与人工智能辅助之间的交互作用。尽管两位读者均为肌肉骨骼放射科主治医师,但年资更高的读者在外部队列上表现出显著优于经验较少读者的泛化能力。这与广泛临床经验有助于在未见数据中更好地抵御域偏移的预期相一致。然而,在内部测试集上,年资更高读者的基线性能存在变异性,在统计学上与经验较少的读者相当,但数值上更低。关键在于,人工智能辅助在此处最为有益,显著提升了年资更高读者的性能。这表明,尽管专家放射科医生具备较强的泛化能力,他们仍易受观察者间变异性或疲劳相关波动的影响。在此背景下,该模型有效发挥了“第二读者安全网”的作用,校准了专家的判断并减轻了性能下降。相反,经验较少的读者未获得显著改善,提示经验较少的读者可能在有效整合人工智能预测方面面临挑战,原因可能是确认偏倚或在解决与模型分歧时的不确定性。这种差异性影响与既往研究结果相呼应,即人工智能辅助改善了一些放射科医生的诊断准确性,但并非所有人,取决于其经验水平和对人工智能支持的接受度[31–33]。

基于这些见解,该模型在临床环境中的实际定位最好定义为半自动化、有监督的工作流程,而非完全自主的筛查流水线。在这种交互式设置中,放射科医生首先识别并勾画病灶边界框,模型即时提供预测以辅助表征。对于专科中心(恶性肿瘤高患病率),该模型可供专家使用以减少疲劳相关错误。对于初级保健或全科实践(良性病变高患病率),该模型可作为分诊工具。此外,其稳健的特异性(即使在外部队列中仍达74.8%)支持对有良性病变的自信排除,从而可能减少不必要的活检。

我们研究的主要局限性如下:第一,采用二分类方法(良性 vs 非良性)而非具体的组织学诊断。我们承认这简化了骨肿瘤的病理复杂性,特别是关于中间性病变。此外,仅关注X线摄影,尽管临床实践通常结合多种成像方式。未来研究应探索针对特定肿瘤亚型的多分类分类以及多种成像方式的整合。第三,我们承认虽然模型达到了高特异性,但外部测试集的敏感性降至57.1%,而内部集为57.1%。这种敏感性下降是深度学习应用中已知的挑战,通常归因于域偏移(成像方案和扫描仪的差异)和谱偏倚(医院间肿瘤亚型的异质性)。因此,在当前形式下,该模型可作为一般临床实践中的分诊支持工具。未来涉及多中心训练数据和域适应等技术的研究对于提高模型在不同临床环境中的敏感性和泛化性至关重要。此外,不同中心手动分割方案的变异性可能引入噪声并影响影像组学特征的稳定性。未来工作可受益于采用自动或半自动分割工具以增强可重复性。

总之,我们的研究表明,在RadImageNet上预训练的深度学习模型在X线摄影骨肿瘤分类方面优于影像组学方法和在ImageNet上预训练的模型。RadImageNet预训练的ResNet50模型与其他模型相比表现出更优的性能和稳定性,且AI辅助可在某些情况下提高放射科医生的表现。这些发现支持领域特定预训练的价值,并突显了所开发模型作为骨肿瘤评估诊断支持工具的初步可行性。

补充信息

电子补充材料

引用

  1. Li Z, Wang H, Wei G, et al. Medical image pretraining-based transfer learning for generalizable and robust diagnosis of bone tumors on radiographs: a multi-center study. Insights Imaging. 2026. PMID: 41944974. doi:10.1186/s13244-026-02271-y
  2. 全文:PMC13057043(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13057043/

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。