人工智能有潜力改善医学图像数据的分析。例如，基于深度学习的算法可以确定肿瘤的位置和大小。这是国际医学图像分析竞赛 AutoPET 的成绩，卡尔斯鲁厄理工学院 (KIT) 的研究人员在该竞赛中排名第五。七个最佳 autoPET 团队在杂志上报道自然机器智能关于算法如何在正电子发射断层扫描 (PET) 和计算机断层扫描 (CT) 中检测肿瘤病变。（DOI：10.1038/s42256-024-00912-9）
成像技术在癌症诊断中发挥着关键作用。准确确定肿瘤的位置、大小和类型对于选择正确的治疗至关重要。最重要的成像技术包括正电子发射断层扫描（PET）和计算机断层扫描（CT）。PET 使用放射性核素来可视化体内的代谢过程。恶性肿瘤的代谢率明显高于良性组织。放射性标记的葡萄糖，通常是氟-18-脱氧葡萄糖 (FDG)，用于此目的。在 CT 中，身体在 X 射线管中逐层扫描，以可视化解剖结构并定位肿瘤。
自动化可以节省时间并改进评估
癌症患者有时会有数百个病变，即肿瘤生长引起的病理变化。为了获得统一的图像，有必要捕获所有病变。医生通过手动标记 2D 切片图像来确定肿瘤病灶的大小 - 这是一项极其耗时的任务。“使用算法进行自动评估将节省大量时间并改善结果，”卡尔斯鲁厄理工学院人机交互实验室计算机视觉 (cv:hci) 负责人 Rainer Stiefelhagen 教授解释道。
Rainer Stiefelhagen 和 cv:hci 博士生 Zdravko Marinov 参加了 2022 年国际 autoPET 竞赛，在来自世界各地的 359 名参赛者的 27 支队伍中获得第五名。卡尔斯鲁厄的研究人员与来自埃森 IKIM（医学人工智能研究所）的 Jens Kleesiek 教授和 Lars Heiliger 教授组成了一个团队。autoPET 由图宾根大学医院和慕尼黑慕尼黑大学医院组织，结合了成像和机器学习。任务是自动分割全身 PET/CT 上显示的代谢活跃的肿瘤病灶。对于算法训练，参与团队可以访问大型带注释的 PET/CT 数据集。决赛阶段提交的所有算法均基于深度学习方法。这是机器学习的一种变体，它使用多层人工神经网络来识别大量数据中的复杂模式和相关性。autoPET 竞赛中的七支最佳团队现已报告了在医学图像数据自动分析中的可能性自然机器智能杂志。
算法集成在检测肿瘤病变方面表现出色
正如研究人员在其出版物中解释的那样，事实证明，顶级算法的集合优于单个算法。算法集合能够有效、精确地检测肿瘤病变。“虽然图像数据评估中算法的性能确实部分取决于数据的数量和质量，但算法设计是另一个关键因素，例如在预测分割的后处理中做出的决策，”斯蒂费尔哈根解释道。需要进一步的研究来改进算法并使其更能抵抗外部影响，以便它们可以用于日常临床实践。目标是在不久的将来实现医学 PET 和 CT 图像数据分析的完全自动化。
来源：
期刊参考：
加蒂迪斯，S.，等人。（2024）。肿瘤 PET/CT 成像中全自动病变分割的 autoPET 挑战结果。 自然机器智能。doi.org/10.1038/s42256-024-00912-9。发表于：