SpineFusion for plane aware local and global MRI classification of multiple sclerosis and myelitis
本文介绍了 SpineFusion，这是一种双编码器深度学习模型，它通过双向交叉注意力机制和平面嵌入将局部与全局 MRI 特征相结合，从而在多个数据集上实现了对多发性硬化症和脊髓炎的高精度分类，同时指出需要进行基于患者分组的外部验证以确认其临床实用性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
人类神经系统是一个庞大且复杂的网络，当它发生功能障碍时，后果可能是深远的。多发性硬化症（multiple sclerosis）和脊髓炎（myelitis）是两种涉及神经纤维保护层炎症和损伤的情况，这些损伤形成的病灶会中断体内的通信。多发性硬化症通常表现为短小、分散的损伤斑块，而脊髓炎则可能导致长距离、连续性的炎症区域。尽管区分这两者对于治疗至关重要，但对于观察医学影像的医生来说，这是一项艰巨的任务。这些被称为磁共振成像（MRI）的影像通过不同角度捕捉身体的薄切片。有时，这两种疾病之间的差异非常微妙，隐藏在微小斑点的纹理中，或者隐藏在病灶横跨切片的方式之中。此外，扫描的方向——无论是从侧面还是从上方观察身体——都会改变解剖结构的呈现方式，从而增加了诊断的复杂性。
为了帮助医生应对这种复杂性，研究人员转向了人工智能，特别是被称为深度学习的一个领域。这些计算机系统旨在从海量数据中学习模式，就像学生通过教科书学习一样，但它们是通过调整数百万个内部设置来识别视觉特征的。挑战在于构建一个既能看到病灶微观细节，又能理解周围解剖结构的宏观背景，同时还能理解图像拍摄角度的系统。如果计算机能够学会结合这些不同的视角，它或许能为疑难病例提供更可靠的第二意见。
来自土耳其大学的一个研究小组开发了一种应对这一问题的新方法，创建了一个名为 SpineFusion 的系统。他们的工作重点在于教计算机观察脊柱和大脑的 MRI 扫描图像，以识别患者是健康的，还是患有多发性硬化症或脊髓炎。研究人员并非简单地训练一个标准的计算机程序；相反，他们构建了一个模仿人类专家观察图像方式的双引擎系统。系统的其中一部分旨在捕捉局部细节，例如微小病灶的具体纹理；而另一部分则观察大局，理解脊髓或大脑的整体形状和背景。至关重要的是，这两个部分并非孤立工作。它们不断交换信息，局部关注的部分会向全局关注的部分寻求帮助，反之亦然。此外，系统会被明确告知它观察的是身体的侧视图还是俯视图，这一信息有助于它正确解读视觉数据。
研究人员在三个不同的公共医学影像集上测试了这个新系统。第一个集合包含近 2,800 张脊髓图像，标注为健康、多发性硬化症或脊髓炎。第二个集合包括超过 3,400 张大脑图像，用于区分健康个体与多发性硬化症患者。第三个也是最大的集合包含了近 12,000 张涵盖八种不同神经系统疾病的图像，范围从阿尔茨海默病到脑肿瘤。在每种情况下，系统都是分别进行训练和测试的，以确保从一个图像集中获得的知识不会泄露到另一个集合的测试中。
结果显示，该系统高效完成了任务。在脊柱图像方面，它正确识别情况的准确率约为 95%。在大脑图像方面，它达到了接近 0.98 的 AUC 值；而在包含八种不同疾病的大型复杂集合中，其 AUC 值超过了 0.99。然而，研究人员谨慎地表示，这并不是一个完美的解决方案。当他们将新系统与此前报告过高分的旧方法进行比较时，发现他们的方案并不一定超越了现有的最佳数值。事实上，系统中专门用于识别局部细节的部分本身就已经非常强大，以至于加入全局背景和角度信息后，仅使结果提升了极小的比例。这表明，对于这种特定类型的脊柱图像，观察精细纹理的能力是最重要的因素，而结合不同视角的复杂设计仅带来了边际收益。
研究还强调了该系统仍然面临困难的地方。最常见的错误发生在计算机混淆多发性硬化症与脊髓炎时，这两种疾病在临床上非常相似，即使是人类专家也往往难以区分。研究人员还指出其数据的一个显著局限性：图像来自公共档案库，这些档案并不总是包含将多个切片与同一位患者联系起来的清晰标签。这意味着来自同一个人的切片可能会同时出现在训练组和测试组中，这可能会使系统在面对全新患者时显得比实际更准确。因此，研究人员强调，他们的发现是一个概念验证，而非一个现成的医疗工具。
最终，这项工作证明了构建一个既能理解医学影像局部细节，又能理解全局背景，并能利用扫描方向来优化判断的机器学习模型是可能的。该系统成功学习了如何融合这些不同类型的信息，创建了一个用于分析 MRI 扫描的稳健框架。虽然目前的结果令人鼓欣，但研究人员总结道，在将此类工具用于帮助患者之前，必须在数据经过严格按患者分组的情况下进行测试，以确保系统真正学习的是疾病本身，而不是仅仅记住了它所见过的特定图像。未来的路径包括完善这些模型，并在临床环境中进行验证，因为在那些环境下，风险极高，对精准度的需求也绝对存在。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。