MRI Radiomics Meets Artificial Intelligence: Development and Validation of a Random Forest Model for Brain Tumor Classification in Sudanese Patients

大脑扫描中的隐形线索

想象你是一名试图破解谜题的侦探，但你拥有的唯一证据只是一张黑白照片。有时，照片显示的是一个清晰、无害的肿块；而有时，它显示的却是一个危险、不断生长的怪物。问题在于，仅凭肉眼观察，这两者看起来可能非常相似。这就是医生在试图弄清楚大脑肿瘤是“良性”（无害）还是“恶性”（危险）时面临的日常挑战。他们依赖于 MRI 扫描，这就像是利用磁铁而非光线来拍摄你头部内部图像的超级相机。但是，人类的眼睛会疲劳，有时两位医生看着同一张图片，对所见之物也会产生分歧。

为了解决这个问题，科学家们发明了一种新型的侦探工作，叫做影像组学（Radiomics）。把标准的 MRI 扫描想象成一幅画。放射科医生看着这幅画说：“那看起来像是个肿瘤。”而影像组学则像是将这幅画分解成数百万个微小的像素，然后测量每一个像素的精确灰色程度、纹理和形状。它将图像变成了一张巨大的数字表格，这些数字是肉眼无法看见的，但计算机可以读取。通过将这些数字输入到人工智能（AI）——特别是一种被称为**随机森林（Random Forest）**的计算机大脑——科学家们希望教会计算机识别那些能够区分无害肿块与危险肿块的隐藏模式，而无需切开患者的身体。这篇论文提出了一个简单但至关重要的问题：这种数字侦探工作能否帮助苏丹的医生做出更好的决策？

苏丹的数字侦探

在这项研究中，来自苏丹阿尔扎伊姆·阿尔扎哈里大学（Alzaiem Alazari University）的一个研究小组决定建立他们自己的数字侦探。他们想看看是否可以创建一个计算机模型，帮助苏丹医生仅通过观察 MRI 扫描来区分良性和恶性脑肿瘤。他们收集了一组由 120 名已确诊脑肿瘤的患者组成的数据。其中一半（60 名患者）患有良性肿瘤，另一半（60 名患者）患有恶性肿瘤。这些都是真实的病例，通过显微镜观察组织得到了确认，因此研究人员确切知道每一组的情况。

首先，团队必须准备数据。他们获取了 MRI 图像并对其进行了清理，确保颜色和大小保持一致，就像调整照片的亮度和对比度使一切看起来都一样。然后，一位资深的放射科医生在每张图像上手动绘制了一条线，以告诉计算机问题的具体位置。一旦隔离出肿瘤，他们就使用一种特殊的计算机程序从每个肿瘤中提取了超过 100 种不同的“线索”。这些线索包括肿瘤表面的凹凸程度、灰色像素的排列方式以及颜色的强度等。

从这份庞大的线索名单中，团队精选出了六个最好的线索——即最可靠的嫌疑人——来用于他们的模型。然后，他们训练了一个随机森林算法（一种机器学习类型，其工作原理类似于一组专家对决策进行投票），教它如何利用这六个线索来猜测肿瘤是良性还是恶性。他们将数据分为两组：一组是用于教导计算机的“训练”组，另一组是用于测试计算机是否真正学会了知识的“测试”组。

计算机发现了什么

当计算机在测试组进行最终考试时，它的正确率达到了 71%。这意味着如果你向该模型展示 100 张新的大脑扫描图，它大约能正确预测其中 71 张的肿瘤类型。它在识别危险肿瘤方面表现尤为出色，捕捉到了 75% 的恶性肿瘤（这被称为灵敏度）。然而，它并不完美；它漏掉了一些恶性病例，有时也会对良性肿瘤产生混淆，导致其特异性为 66.7%。整体得分（称为 F1 分数）为 0.72，而衡量模型区分两组能力的曲线下面积（AUC）为 0.764。

研究人员还查看了患者的背景资料，以观察年龄或性别是否有助于预测肿瘤类型。他们发现年龄和性别其实并不重要；计算机不需要知道患者是一位 20 岁的男性还是 60 岁的女性，就能做出准确的判断。然而，他们确实发现了关于肿瘤大小的一些有趣发现。相比于肿瘤较小的患者，肿瘤较大的患者更有可能出现神经系统症状（如头痛或虚弱）。数学计算显示这种联系非常紧密，p 值小于 0.01。

结论与局限性

研究结论认为，使用 MRI 影像组学结合随机森林模型是分类苏丹脑肿瘤的一种可行方法。这表明，对于那些可能无法获得最先进设备的医生来说，这种方法可以作为一种有用的、非侵入性的工具，提供基于数字而非仅仅基于直觉的第二意见。该模型表明它可以支持临床决策并提高诊断准确性。

然而，作者谨慎地指出，这并不是一个最终的解决方案。他们指出，他们的 120 名患者样本量相对较小，且由于他们仅观察了过去一家医院的数据，该模型在其他人身上可能不会以完全相同的方式运作。他们还注意到，计算机仍然会犯错，会漏掉一些恶性肿瘤，这在医学领域是一个严重的问题。研究人员建议，在该工具广泛应用于医院之前，需要在更大规模的人群中进行测试。他们还建议在未来增加更多类型的 MRI 扫描并使用更先进的计算机方法。目前，这项研究是一个充满希望的第一步，表明这个“数字侦探”具有潜力，但在能够独立破案之前，它还需要接受更多的训练。