文献速递神经儿科影像MR

深度学习对比增强MRI在儿童脑成像的跨人群验证

Deep learning for contrast-enhanced MRI in pediatric brain imaging.
PubMed 文献 · Neuroradiology · 2026-07-04

本研究测试了一个仅用成人数据训练的深度学习对比放大算法在儿童脑肿瘤MRI中的应用。回顾性纳入22例0-17岁患儿,比较标准剂量与人工双倍剂量增强图像的定量指标与三位神经放射科医生的定性评分。结果显示对比放大图像显著提高CNR、LBR和CEP,多数阅片者更偏好放大图像,且未检出解剖结构变形。

要点

  • 对比放大图像在多数病例中更受阅片者偏好,可能有助于显示低强化小病灶。
  • 算法仅放大外源性对比剂摄取区域,不增强自发T1高信号。
  • 少数病灶可能出现信号饱和,需调整灰阶窗后即可显示内部结构。

核心结论

  • 仅用成人数据训练的深度学习对比放大算法可显著提高儿童患者的定量对比指标。
  • 该算法应用于儿童脑MRI时,在多数病例中比标准剂量图像更受偏好。

研究设计与样本

  • 回顾性单中心可行性及跨域验证研究,纳入22例0-17岁经病理诊断为多种脑肿瘤的患儿。
  • 对比放大图像由U-Net编码器-解码器网络结合HDR后处理生成,输入为T1W增强前后图像。
  • 定量分析包含19例存在强化病灶的病例,并按年龄分为0-2岁与2-17岁亚组。
  • 三位神经放射科医生对全部22例进行4分Likert量表定性评估及总体偏好选择。
  • 解剖相似性通过SSIM与log-Jacobian range评估,统计检验采用双侧配对t检验。

关键影像表现/征象

  • 对比放大图像中病灶强化成分显示更明显,而瘤内中央坏死区保持不强化。
  • 少数小且模糊的强化灶在放大图像上显示得更清晰。
  • 平扫T1即存在的自发性高信号在放大图像中不出现异常增强。
  • 个别病例在相同灰阶窗下病灶内可见表观信号饱和,调整窗宽后内部结构仍可见。

诊断标准与关键数值

  • 对比放大图像较标准剂量图像:CNR提高186.5%,LBR提高61.9%,CEP提高110.4%。
  • 0-2岁亚组中CNR、LBR、CEP分别提高153.9%、47.9%、98.5%。
  • SSIM范围为0.949-0.995,平均0.98,提示放大图像与标准剂量图像高度相似。
  • log-Jacobian range在两组间无统计学差异(p=0.556)。
  • 多数阅片者选择偏好放大图像:Reader1为12/22,Reader2为18/22,Reader3为13/22。

临床应用与阅片要点

  • 对比放大图像可能帮助显示标准剂量下不明显的低强化小病灶。
  • 阅片时需注意个别病灶出现信号饱和,调整窗宽窗位后可恢复内部结构显示。
  • 算法不增强平扫T1高信号区域,可辅助鉴别真正强化与自发高信号。
  • 经验较少的阅片者对放大图像偏好更高,提示其在高负荷阅片场景中可能具有辅助价值。

局限性

  • 样本量仅22例,统计学效能有限。
  • 回顾性单中心设计,结果的外推性需谨慎。
  • 定量分析中ROI由一名专家放置,未进行正式的组内或组间变异性评估。
  • 4分Likert量表存在天花板效应,可能不足以检测细微的组间差异。
全文中译11 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:Neuroradiology. 2026 Jul 4;68(9):3059–69. doi: 10.1007/s00234-026-04073-x

引言

在磁共振成像(MRI)过程中使用对比剂,以提高人体解剖结构和病理特征的显示效果 [1, 2]。标准诊疗方案推荐大多数钆基对比剂(GBCAs)的使用剂量为 0.1 mmol Gd/kg,而对于新一代对比剂如钆匹克仑,推荐剂量为 0.05 Gd/kg [3]。

近年来,在对比增强 MRI 领域,基于人工智能的解决方案已被提出,涉及三个相关但不同的任务:对比放大、剂量降低和合成剂量预测(或虚拟对比)。在给予临床标准钆剂量后,对比放大旨在生成与原始采集相比增强效果更加显著的增强后图像 [4–6]。剂量降低方法则专注于在注射减少剂量的对比剂后恢复标准水平的对比增强 [7–11]。最后,合成剂量预测力求在完全不注射对比剂的情况下重现标准的增强后图像,其依据的假设是对比相关信息可以从其他 MRI 序列中推断出来,例如 T2 加权成像或扩散加权成像 [12–17]。本研究专门聚焦于对比放大范式。

对比剂的剂量通常基于疗效和安全性两方面的考虑来确定。然而,在某些情况下,使用高于推荐剂量的对比剂可能是有益的——例如——以提高对小的、低增强病灶的检出率 [18–20]。

在这一框架下,AI 对比放大方法可被视为一种在不增加钆暴露的情况下提高病灶可见性的解决方案。

在用于放大脑部 MRI 扫描中 GBCAs 效果的基于 AI 的方法中,有一种方法 [4] 以 T1 加权增强前图像和标准增强后图像作为输入,基于卷积神经网络,选择性增强在标准剂量下表现出对比剂摄取的脑区,证明了定量对比放大和病灶显著性改善,例如在小的多发性硬化斑块和转移性病灶中。

该网络使用成人患者的影像数据进行训练和验证。由于高质量儿科 MRI 数据集的可用性有限,将这一方法推广到儿科人群具有挑战性。数据的稀缺阻碍了针对儿科患者特定解剖和病理特征的稳健、可泛化模型的开发。近期研究已探索了 AI 方法在儿科影像中的应用 [21, 22];然而,训练数据量仍然有限,需要进一步努力在这一特定人群中扩展和验证这些方法。

在本研究中,我们假设在成人脑部 MRI 数据上训练的 AI 网络能够(i)有效增加对比增强病灶内的对比度,并且(ii)在不同患者群体(特别是儿科患者)中保持解剖保真度。为验证这一假设,我们对应用于被诊断患有各种脑肿瘤的儿科患者(0–17 岁)的算法进行了定量分析和多阅片者临床性能评估。本研究设计为可行性和跨域验证研究,而非人群层面的性能研究,同时承认样本量有限且外推性可能受限。

材料与方法

数据集

对22例儿科患者(13例男性,9例女性)的多参数MR扫描进行筛选,经意大利热那亚利古里亚大区伦理委员会批准(注册号006/2019),筛选依据为:(i)具有钆对比剂(GBCA)给药前(PRE)和给药后标准剂量(SD,0.1 mmol Gd/kg)的轴位T1W梯度回波或自旋回波图像,且两次采集参数相同(回波时间(TE)、重复时间(TR)、几何方位、图像分辨率);(ii)无运动伪影;(iii)SD与PRE之间配准成功(经目视验证)。

预处理

数据使用Anonymizer Pro(NeoLogica srl,意大利)进行匿名化处理,并使用DICOM标签RescaleSlope(0028,1053)和RescaleIntercept(0028,1052)进行线性重标定。为了用作深度学习模型的输入,随后采用仿射配准程序(SimpleElastix [23])对成像序列进行配准;采用默认仿射参数映射,使用高级Mattes互信息作为相似性度量,通过自适应随机梯度下降进行优化,采用线性插值和多分辨率图像金字塔。

最后,与训练数据的预处理一致,通过将同一患者每对图像除以SD图像的最大值,将扫描图像线性归一化至[0,1]范围。选择SD作为参考是因为预期其具有最大强度值。

深度学习方法

应用Fringuello Mingo等人[4]开发的深度学习算法,以PRE和SD图像作为输入来预测人工双剂量图像(A-DD)。该AI模型由一个类似U-Net的编码器-解码器卷积神经网络组成,每个分支有3层,编码器和解码器结构相应层级之间具有跳跃连接(更多细节见补充信息)。该模型在约2000例成人受试者的中枢神经系统(CNS)对比增强MRI检查上训练,包含PRE和SD对比扫描;该放大算法首先通过一项专门设计的临床前研究进行验证,该研究涉及48只注射标准剂量和双剂量对比剂的Wistar大鼠,以获得真实双剂量(DD)图像作为金标准;随后,该算法在成年患者上进行了测试,并在两项临床研究中进行了临床评估,将A-DD*与SD图像进行比较[4]。

后处理

对比剂剂量放大后的预测图像经过一个额外的后处理步骤,该步骤基于高动态范围(HDR)算法,以增加动态范围、纹理真实感和局部固有对比度,尤其是在非强化的脑实质区域。

HDR算法在所有受试者中相同地应用,包括计算放大图像与两幅T1W输入图像的逐体素加权线性组合。加权系数在图像中进行调制,使得:(i)在图像的非强化区域,PRE和SD图像的权重较高,(ii)在强化区域,放大图像对像素强度的贡献最大。所得图像(A-DD*)的特点是在健康或非强化组织中图像质量和局部对比度进一步提高。该算法此前已经过临床验证[24]。更多细节见补充信息部分。

定量分析

通过评估病灶与脑组织比值(LBR)、对比噪声比(CNR)和对比增强百分比(CEP),将SD扫描与A-DD*图像进行比较:其中SI和StDev表示从放置在病理(病灶)和正常表现(脑)组织中的感兴趣区(ROI)采样的平均信号强度(SI)及其标准差(StDev)。

ROI由一位经验丰富的神经放射学专家(**,20年经验)放置在肿瘤病灶最大的均匀强化区域和对侧大脑实质内(避开大血管);ROI放置方案事先与临床医生协商确定,虽然未进行正式的评估者内或评估者间变异性评估,但其稳健性在预适应期内得到了评估。

ROI放置的代表性示例见图1。使用Shapiro–Wilk检验评估数据正态性。使用双侧配对t检验比较统计学差异。还使用Cohen差值度量计算了效应量。此外,计算了三个参数(LBR、CNR、CEP)的百分比变化。

定量分析共在19例病例上进行(3例受试者因相应脑病灶未显示任何对比增强而被排除),并根据年龄定义的病例亚组进行分析(0–2岁 n = 10,2–17岁 n = 9)。预计0–2岁受试者相对于用于训练网络的成人图像表现出最显著的解剖学差异。

图1 患者t的ROI放置(绿色病灶ROI,红色实质ROI) 查看原图 ↗

阅片研究

SD和A-DD*图像由三位神经放射学专家(**、**、**,分别为20年、1年和5年经验)进行定性评估,评估者对图像来源设盲,并可自由调整每幅图像的窗宽窗位。阅片者使用4点Likert量表(表1)独立对图像质量、成像伪影的存在、病灶边界勾画、病灶内部形态显示、对比增强程度和血管清晰度进行评分。使用双侧t检验比较统计学差异。此外,要求阅片者对每位患者在SD和A-DD*之间表达总体偏好。

表1 定性评估标准 查看原表 ↗

解剖相似性分析

将A-DD*图像与SD图像进行定量比较,以评估解剖相似性。首先,计算结构相似性指数(SSIM)[25]这一常用相似性度量,以评估A-DD*与SD图像之间的解剖对应关系。SSIM值接近1表明比较图像之间具有较高的结构相似性,而值接近0则表明存在显著的结构差异。此外,使用非线性配准算法(FSL/FNIRT [26])将每位受试者的SD和A-DD*图像配准到相应的增强前图像,并计算所得的形变场。使用SynthSeg [27]进行颅骨剥离以去除大部分非脑组织和背景后,计算对数雅可比范围以定量评估解剖差异。具体而言,对数雅可比范围通过量化配准过程中引入的局部体积变化来衡量空间畸变:大于零的值表示扩张,小于零的值表示收缩[28, 29],用于支持解剖结构的保留。随后使用配对t检验对从SD和A-DD*图像获得的对数雅可比范围进行统计学比较。该指标与SSIM互补:SSIM评估强度和结构相似性,而对数雅可比专门捕捉几何一致性。这两种测量的结合提供了对解剖保真度更全面的评估。

结果

共有22例患者(0–17岁;9例女性,13例男性)被认为符合阅片研究的条件。对于定量评估,仅纳入具有强化病灶特征的患者。

所有受试者,包括那些具有非强化病灶的受试者,均纳入定性评估和解剖相似性分析。

筛选过程如图2所示。

图像采集使用Philips 1.5 T或3 T扫描仪(Intera Achieva、Ingenia CX,Philips,Best,荷兰),遵循欧洲儿科肿瘤学会(SIOPE)关于中枢神经系统肿瘤患者成像的MRI指南[30]。表2详细列出了年龄、性别和病理,包括肿瘤类型和世界卫生组织(WHO)分级[31],该分级主要基于肿瘤的组织学特征和分子标志物,是诊断、研究、癌症登记方面的全球参考标准。

图3展示了三位具有不同对比增强模式的受试者的PRE、SD和A-DD*图像。如放大区域所示,与SD图像相比,A-DD*图像显示出明显增强的对比度,且没有脑解剖结构的任何变形或图像质量的下降。患者“c”代表具有复杂内部形态的肿瘤;虽然对比度明显增强,但肿瘤的结构特征得以保留。在病例“b”中,肿瘤的中央坏死区域保持不变,而病灶腹侧的对比增强成分在A-DD*图像上变得更加清晰可见。同样,在患者“u”中,SD图像上不特别明显的两个小而模糊的对比增强区域在A-DD*图像上显示得更加清晰。

图4展示了一例双侧丘脑胶质瘤,其左侧丘脑可见轻度自发性T1高信号(在PRE图像上可见),但注射对比剂后未显示增强程度增加。

定量分析证实,在对比增强区域,无论是相对于周围组织还是相对于增强前图像,信号强度均有所增加。实际上,与相应的SD采集相比,A-DD*图像中的LBR、CNR和CEP值均显著更高(Cohen's d CEP = 0.859,Cohen's d CNR = 1.291,Cohen's d LBR = 1.342)。

对分析的n = 19例病例进行平均,观察到的百分比增加分别为61.9%、186.5%和110.4%。SD和A-DD*图像各指标值的箱线图如图5所示,以展示整个人群中指标的总体分布;各年龄亚组的结果见补充信息,特别是在0–2岁亚组中,百分比增加为47.9%、153.9%和98.5%,证实了该网络在存在显著解剖差异的情况下仍具有稳健性的假设。

定性评估由三位阅片者在整个数据集(n = 22)上独立完成。在所有标准上,A-DD*图像被认为与SD图像相当,未观察到统计学显著差异(表3),但阅片者2认为A-DD*图像的图像质量更高。就阅片者间的平均值而言,图像质量方面,SD图像评分为3.75,而A-DD*图像为3.86(p值 = 0.05);伪影存在方面,SD图像为3.80,A-DD*为3.80(p值 = 1);病变边界清晰度方面,SD为3.93,A-DD*为3.95(p值 = 0.65);病变内部形态方面,SD和A-DD*均为3.95(p值 = 1);对比增强程度方面,SD图像为3.92,A-DD*为3.95(p值 = 0.48);最后,血管显著性方面,两种图像均被评为3.95(p值 = 1)。然而,当被要求表达总体偏好时,A-DD*图像在大多数病例中受到青睐:阅片者1在22例中的12例(54.5%)偏好A-DD*,阅片者2在22例中的18例(81.8%)偏好A-DD*,阅片者3在22例中的13例(59.1%)偏好A-DD*。总体偏好表达的Cohen's kappa系数显示,R1-R3之间的一致性为0.646,而R1-R2和R2-R3之间的一致性为0.240。

图6展示了一个所有阅片者均偏好SD图像而非A-DD*图像的示例。确实,在少数病例中,该算法持续扩展了A-DD*图像的信号强度范围,导致病灶内出现明显的信号饱和(图6A)。在该受试者中,SD图像中可见的病灶内两个小的内侧囊性成分,在使用相同强度标度显示时,在A-DD*图像中不易辨别。然而,如图6B所示,A-DD*图像中肿瘤的内部形态得以保留,并且在适当调整灰度窗后变得清晰可见。

解剖相似性分析表明,A-DD*图像相对于相应的SD图像具有解剖保真度,无论是在SSIM还是在配准指标方面。A-DD*与SD图像之间的SSIM值范围为0.949至0.995(均值 = 0.98,标准差 = 0.012),表明放大剂量图像与标准剂量图像之间几乎完全相似。

此外,对于Log-Jacobian范围(RANGE SD均值 = 0.592,RANGE A-DD*均值 = 0.558,配对t检验p值 = 0.556),未观察到统计学显著差异(图7),表明非线性形变场不受对比度放大算法的影响;这说明该网络虽然在成人脑图像上训练,但在放大早期脑发育阶段MR图像的对比度时,不会引入可检测到的结构形变。

图2 研究流程图:患者队列筛选 查看原图 ↗
表2 儿科人群的人口统计学表(影像采集期间的患者ID、肿瘤亚型和年龄)。NA:不适用 查看原表 ↗
图3 3例代表性患者的PRE、SD和A-DD*图像。对于每位患者,报告了全脑图像和病灶放大图。左上角的字母代表患者ID,与表1一致。黄色方框指示放大区域。 查看原图 ↗
图4 患者“e”的PRE、SD和A-DD*扫描图像,该患者在对比度放大算法后未显示任何对比度伪影。 查看原图 ↗
图5 A-DD*与SD图像在LBR、CNR、CEP方面的定量比较。*p < 0.05,**p < 0.01,***p < 0.001 查看原图 ↗
表3 每位阅片者对SD和A-DD图像的定性评估结果(按阅片者和标准)。报告了每位阅片者及阅片者间平均评分在SD与A-DD*之间的统计学差异。 查看原表 ↗
图6 患者g的代表性病例,所有阅片者均认为SD优于A-DD*(图A)。病灶放大图及灰度调整结果(图B)。从左至右:优化灰度的SD、与A-DD*相同灰度的A-DD*、优化灰度的A-DD*。 查看原图 ↗
图7 SD到PRE和A-DD*到PRE的Log-Jacobian范围值的箱线图(全脑及病灶特定区域)。 查看原图 ↗

讨论

在儿科脑MRI中,为AI模型获取足够大且具有代表性的训练数据集仍然是一个重大挑战[32]。此外,尤其是在0–2岁儿童中,大脑经历过渡性变化,其特征是由于持续髓鞘化导致的显著形态学改变和内在对比度的变异性[33]。这些挑战阻碍了用于儿科脑部的稳健AI增强诊断成像工具的开发[34]。

我们假设,一种在成人人群中开发和验证的脑成像AI工具[4],尽管存在解剖和发育差异,也可能适用于儿科患者。这一假设基于该AI网络的设计,其功能是放大外源性对比度(如对比剂引入的对比度),而不改变原始MRI扫描中存在的底层解剖结构或内在组织对比度。由于该算法不修改年龄依赖性特征,也不引入人为的结构改变,我们提出其效果与发育阶段无关,使其能够在成人和儿科脑MRI中增强图像对比度而不损害诊断完整性。鉴于患者队列有限,这些发现应谨慎解读,特别是关于其推广到更广泛临床人群的普适性,并应被视为在更大儿科队列中进一步评估的初步步骤。

为评估基于人工智能的对比增强工具的性能,首先进行了定量分析。观察到的对比增强参数增加,具体为对比增强百分比(CEP)、对比噪声比(CNR)和病灶-背景比(LBR),可归因于对比增强病灶区域内的对比放大,同时周围脑实质的信号强度和对比保持稳定。定量指标的改善反映了该算法的效果超越了简单的“窗宽窗位”调整;实际上,增强放大引入了对比度指标的真实变化,仅靠标准窗宽窗位调整是无法测得的,后者仅改变图像的视觉外观。重要的是,该网络保留了解剖结构和局部固有对比,确保了原始图像内容的完整性。该工具的价值在结果部分图3所示的病例中显而易见。例如,尽管内部形态复杂,患者“c”的肿瘤在A-DD*图像上获得了明显增强,提示对比增强放大可能有助于勾画肿瘤负荷。患者“u”证实了不同的应用但相同的价值,该患者两个固有对比度较低的区域在A-DD*图像上显示得更为清晰。

此外,图4展示了另一个代表性病例:一位在T1增强前图像上可见自发性轻度高信号的患者未显示任何增强放大,这突出表明该放大算法不作用于生理性高信号,而是选择性地作用于以对比剂摄取为特征的区域。

由独立阅片者在单盲研究设计中进行的定性评估进一步支持了这些发现,A-DD*图像获得的评分接近“优”,且阅片者2认为图像质量优于SD扫描。其余定性评分未观察到统计学显著差异。这一结果应结合Likert量表的天花板效应来解释;实际上,SD图像的评分一直非常高(4分量表平均分3.75),留给检测增量改善的动态范围有限。因此,Likert量表可能不够敏感,无法捕捉两组本已高质量的图像之间细微但有临床意义的差异。

因此,定性结果更适合被解释为证明非劣效性,确认A-DD*图像保持了图像质量,不引入伪影,也不产生虚假的对比增强。

A-DD*图像最显著的益处来自互补性发现,包括所有对比度相关指标的定量改善,与读者整体的偏好一致。事实上,所有读者均表示相比SD图像更偏好对比度放大后的图像,表明这种改善在定量和定性层面都是明显的。尽管所有读者都表示偏好A-DD*,但最显著的结果来自 Reader 2——经验最少的神经放射科医生,其在超过80%的病例中偏好A-DD*。读者间差异是放射影像判读研究中已知且可预见的因素 [35, 36]。Reader 1 和 Reader 3 之间表现出较高的一致性(κ = 0.646),而与较年轻读者的一致性仅为轻微(κ = 0.240)。这种观察到的差异可能反映了读者在经验和对增强成像熟悉程度方面的不同,尤其是在新型图像处理技术的背景下。此外,Reader 2 认为与SD相比,A-DD*的图像质量有统计学显著改善。这些发现提示,A-DD*可被认为更具可读性且清晰度更高,表明对比度放大算法可成为处于临床职业生涯初期放射科医生的有价值工具,甚至可帮助在高负荷工作条件下工作的经验丰富的专业人员,例如在漫长一天中审阅了大量病例之后;相反,经验更丰富的放射科医生可能需要一定的适应过程来调整到对比度放大后的扫描图像,因为他们的诊断常规已较为固定。

图6展示了少数几位读者(三位)均偏好SD而非A-DD*的病例之一,原因是强化病灶内出现了明显的信号饱和。如结果部分所述,这种效应可通过适当调整灰阶窗宽窗位轻松逆转。这一观察并不反映算法的失败;然而,它凸显了临床医生需要熟悉新图像的必要性。该工具正确地保留了肿瘤异质性和解剖信息;因此,只需极少的培训,临床医生即可自信地判读A-DD*图像,并充分获益于其所提供的增强信息。

我们证明了该AI算法选择性地进行对比度放大,而不会在A-DD*图像中引入任何解剖结构失真。我们通过SSIM指标直接测量A-DD*与SD图像之间的相似性对其进行评估,随后通过确认在将A-DD*和SD分别与相应的PRE增强前图像进行配准时,以Log-Jacobian范围表示的形变比较未出现统计学显著差异。

最后,我们注意到在0–2岁亚组中观察到了类似的趋势(见补充信息)。该发育阶段的特点是中枢神经系统快速变化,可能在形态学和生理学特征方面引入更大的个体间差异。尽管该亚组分析受限于样本量小,应被视为探索性的,但所观察到效应的一致性为该方法在不同发育阶段中的稳健性提供了初步支持。

本研究存在若干局限性,值得考虑。最显著的是样本量较小,这反映了收集儿科脑肿瘤患者影像数据的固有困难,该人群既临床脆弱又在统计学上较为罕见。然而,需要强调的是,儿科人群仅被用作算法的测试集,而非用于训练目的;本研究的测试集样本量与若干项包含临床评估的剂量降低或对比增强研究相当,这些研究通常仅纳入几十例患者[6, 10, 11]。例如,Haase等人[6]在其关于脑转移瘤识别的对比增强研究以及剂量降低算法研究中,测试集均纳入了30例患者。此外,必须着重指出的是,本研究涉及的是儿科患者,与成人相比,他们在临床上属于更为脆弱和复杂的人群。

此外,基于ROI的定量分析依赖于人工勾画ROI,因此本身就容易受到操作者依赖性的变异影响。由于未进行正式的观察者内或观察者间可重复性分析,ROI选择对定量指标的影响无法直接评估。

此外,本研究无法获得真正的双剂量对比增强图像,这限制了将AI增强图像与临床采集的高剂量参考图像进行直接比较的能力。但值得注意的是,同一网络已在脑肿瘤临床前模型中进行了评估,该模型中可获得真正的双剂量采集图像,并且该网络在预测与更高剂量对比剂相关的外源性对比增强方面表现出了优异的性能。

为克服这些局限性,已规划了若干后续步骤。未来工作将侧重于在更大规模、更具异质性的队列中验证所提出的算法,理想情况下纳入多中心数据以提高泛化能力。此外,前瞻性研究将是评估基于AI的对比增强在常规临床实践中临床影响的最佳设置。此类研究对于超越技术验证、确定该方法在临床相关任务中的潜在附加价值至关重要,尤其是在儿科人群中。最后,本研究的目的是评估对比增强算法在儿科患者队列中的技术有效性。然而,科学界目前正在致力于证明AI对比放大在不同应用中的临床价值,例如改善微转移灶的检测、更精确的病灶边界勾画以及更早识别复发或残留病灶。值得注意的是,现有文献已提供了初步证据,表明类似算法可能有助于改善临床结局,特别是在转移灶识别方面。然而,这仍然是一个高度活跃且不断发展的研究领域[23]。

总之,本研究的结果表明,在成人数据上训练的基于深度学习的对比增强模型可以推广到儿童脑部MRI,在保持解剖保真度的同时增强钆对比剂(GBCAs)的效果。这一点得到了定量指标和定性评估的支持,也得到了解剖相似性分析的支持,表明不存在结构失真。这些结果提示,该方法可能有助于在儿童影像中实现更详细的病变特征描述。然而,其在临床工作流程和诊断决策方面的潜在获益仍有待前瞻性研究加以证实。在这一背景下,人工对比增强可能成为儿童脑肿瘤影像中一种有前景的辅助工具,因为准确且高质量的影像对于诊断、治疗计划和随访至关重要。

补充信息

以下是电子补充材料的链接。补充文件1(DOCX 63 KB)

引用

  1. Macula, Morana, Coppola, et al. Deep learning for contrast-enhanced MRI in pediatric brain imaging. Neuroradiology. 2026. PMID: 42400647. doi:10.1007/s00234-026-04073-x
  2. 全文:PMC13680331(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13680331/

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。