Radiology:AI在多发性硬化皮质和皮质旁病变检测中的评估

多发性硬化症是一种中枢神经系统的炎症性、脱髓鞘和神经退行性疾病，会导致各种身体和认知障碍。尽管多发性硬化症的病变可以影响整个中枢神经系统，但在MRI上白质中最为明显。然而，免疫组化染色显示，多发性硬化病变也经常发生在皮质。已知皮质病变与残疾和认知有关，因此可以在监测多发性硬化症患者的疾病进展中发挥重要作用。在MRI上可见的皮质病变是多发性硬化症的病理标志，这使得诊断标准从仅有皮质下的病变（即触及皮质）扩展到皮质下或皮质上的病变。

由于其体积小、相对于正常灰质的对比度低，皮质病变在传统的临床MRI序列（如T1加权、T2加权和FLAIR序列）获得的图像上不明显。随着先进MRI技术的发展，如双反转恢复（DIR）和相位敏感反转恢复（PSIR）序列，皮质病变的可视化得到了改善。然而，这些序列在常规诊断和临床实践中无法获得。最近，使用人工智能（AI）的试点研究已经能够从常规临床MRI方案（即T1和质子密度/T2加权序列的组合）中生成人工DIR图像。为了发挥人工智能生成的DIR和PSIR图像的潜力，多中心数据评估对于了解其在临床或研究环境中硬件和序列参数变化的价值至关重要。

近日，发表在Radiology杂志的一项研究在多中心环境下评估了人工智能生成的DIR和PSIR图像与MRI获得的DIR和PSIR图像相比用于诊断和疾病监测皮质和皮质旁多发性硬化症病变的能力及价值。

本项研究使用生成对抗网络来生成基于人工智能的DIR（n = 50）和PSIR（n = 43）图像。通过7名读者（都有超过10年的病变评估经验）的随机盲法打分，比较了人工智能生成的图像和MRI获得的（参考）图像之间检测到的病变数量。可靠性以类内相关系数（ICC）表示，病变亚型的差异用Wilcoxon签名秩检验来确定。

研究从七个中心（2020年2月至2021年1月）回顾性地收集了202名多发性硬化症患者（平均年龄，46岁±11[SD]；127名女性）的MRI扫描图像。在AI生成的DIR图像上共检测到1154个病变，而在MRI获得的DIR图像上共检测到855个病变（每个读者的平均差异为35.0%±22.8；P＜0.001）。在人工智能生成的PSIR图像上，检测到803个病变，而在MRI获得的PSIR图像上检测到814个（98.9%±19.4；P=0.87）。各个中心的DIR（ICC，0.81）和PSIR（ICC，0.75）的可靠性都不错。从区域上看，人工智能生成的DIR图像比MRI获取的DIR图像检测到更多的皮质旁病变（495 [42.9%] vs 338 [39.5%]; P < .001）。在人工智能生成的PSIR图像上，检测到的皮质旁病变比MRI获得的PSIR图像少（232 [28.9%] vs 282 [34.6%]; P = .02）。

图 一个假阳性的病变示例。(A) MRI获得的与(B)人工智能(AI)生成的双反转恢复图像（非强化），38岁女性。插图表示的病变在人工智能生成的图像上被认为是皮质旁的病变，但由于病变和皮质之间可见白质的边缘，在MRI获得的图像上没有被确定为皮质旁的病变

研究表明，人工智能生成的双反转恢复和相位敏感反转恢复图像与MRI获得的同类图像相比表现良好，在多中心环境下认为是可靠的，且阅读者之间和中心之间的解释一致。

原文出处：

Piet M Bouman,Samantha Noteboom,Fernando A Nobrega Santos,et al.Multicenter Evaluation of AI-generated DIR and PSIR for Cortical and Juxtacortical Multiple Sclerosis Lesion Detection.DOI:10.1148/radiol.221425