人工智能有潜力改善医学影像数据的分析。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AutoPET竞赛的结果，这是一项国际性的医学影像分析比赛，卡尔斯鲁厄理工学院（KIT）的研究人员在这次比赛中排名第五。七支最佳的autoPET团队在《自然机器智能》杂志上报告了如何利用算法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起着关键作用。精确确定肿瘤的位置、大小和类型对于选择正确的治疗方法至关重要。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利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。为此，通常使用放射性标记的葡萄糖，即氟-18-脱氧葡萄糖（FDG）。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和提高评估效果
癌症患者有时会有数百个病灶，即由肿瘤生长引起的病理变化。为了获得统一的图像，需要捕捉所有病灶。医生通过手动标记2D切片图像来确定肿瘤病灶的大小——这是一个极其耗时的任务。“使用算法进行自动化评估可以节省大量时间并提高结果质量，”卡尔斯鲁厄理工学院计算机视觉与人机交互实验室（cv:hci）主任Rainer Stiefelhagen教授解释道。
Rainer Stiefelhagen和cv:hci的博士生Zdravko Marinov参加了2022年的国际autoPET竞赛，在27支参赛队伍中排名第5，共有359名来自世界各地的参与者。卡尔斯鲁厄的研究人员与埃森IKIM研究所（医学人工智能研究所）的Jens Kleesiek教授和Lars Heiliger组成了一个团队。autoPET竞赛由图宾根大学医院和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上可视化的代谢活跃肿瘤病灶。为了训练算法，各参赛队伍可以访问一个大型标注的PET/CT数据集。所有提交到竞赛最终阶段的算法都基于深度学习方法。这是一种使用多层人工神经网络识别大量数据中复杂模式和相关性的机器学习变体。autoPET竞赛中排名前七的团队现在在《自然机器智能》杂志上报告了自动化分析医学影像数据的可能性。
算法集成在检测肿瘤病灶方面表现出色
研究人员在其出版物中解释说，顶级算法的集成比单个算法更胜一筹。算法集成能够高效而精确地检测肿瘤病灶。“虽然算法在图像数据分析中的表现部分取决于数据的数量和质量，但算法设计也是一个关键因素，例如在预测分割的后处理中所做的决策，”Stiefelhagen解释道。进一步的研究需要改进算法，使其对外部影响更具抵抗力，以便在日常临床实践中使用。目标是在不久的将来实现医学PET和CT影像数据的全面自动化分析。
原始出版物
Sergios Gatidis, Marcel Früh, Matthias P. Fabritius, Sijing Gu, Konstantin Nikolaou, Christian La Fougère, Jin Ye, Junjun He, Yige Peng, Lei Bi, Jun Ma, Bo Wang, Jia Zhang, Yukun Huang, Lars Heiliger, Zdravko Marinov, Rainer Stiefelhagen, Jan Egger, Jens Kleesiek, Ludovic Sibille, Lei Xiang, Simone Bendazzoli, Mehdi Astaraki, Michael Ingrisch, Clemens C. Cyran & Thomas Küstner: autoPET挑战赛在肿瘤学PET/CT成像中全自动病灶分割的结果。《自然机器智能》，2024年。DOI: 10.1038/s42256-024-00912-9
更多信息请访问cv:hci的KIT主页。
(全文结束)
