文章内容

上海市第九人民医院 - 《九院报》

我院整复外科神经纤维瘤病团队在全球数字医学顶尖期刊《npj 数字医学》上发表研究论文——

成功开发基于MRI影像的良恶性鉴别深度学习AI模型

2025-02-15    

本报讯(通讯员 金奚佳)1月26日,我院整复外科神经纤维瘤病团队在全球数字医学顶尖期刊《npj 数字医学》(《npj Digital Medicine》,Nature子刊,IF:12.4)上发表研究论文。该研究聚焦罕见肿瘤1型神经纤维瘤病,在全球首次报道开发了基于MRI影像的良恶性鉴别深度学习AI模型。本文第一作者为上海九院整复外科青年医师魏澄江医生、放射科唐言医生、复旦大学附属肿瘤医院孙仰白医生;通讯作者为天津市肿瘤医院杨吉龙教授、上海九院整复外科王智超副教授、李青峰教授。

1型神经纤维瘤病发病率约1:3500,已被纳入我国《第二批罕见病目录》。丛状神经纤维瘤为其典型表现之一,尽管这是一种良性肿瘤,但其致残致畸,可全身发病,对NF1患者生理及心理影响巨大。不止于此,部分PNF可恶变为恶性周围神经鞘膜瘤,一旦恶变,早期转移,是影响NF1患者预后的主要因素。

MRI影像作为PNF首选影像检查,被发现其在良恶性鉴别中具有一定价值。然而,既往鉴别主要依赖影像及专科医师临床经验,在NF1这类罕见病中难以普及。

近年来,基于深度学习的AI模型为多种肿瘤良恶性鉴别提供了一种客观、高效且易于普及的新方式,但在NF1中却未见报道。团队回顾文献,NF1领域相关模型开发主要面临以下瓶颈:(1)作为一种罕见肿瘤数据规模的限制;(2)相较于肝癌、肺癌等仅发生于某一特定解剖学部位,NF1全身发病导致周围解剖结构的巨大差异进一步限制了肿瘤自动识别深度学习模型开发。

针对全身不同部位NF1肿瘤所处解剖环境不同这一挑战,团队创新性地提出引入重要正常解剖结构进入训练、帮助模型正确识别NF1肿瘤病灶这一思路。通过引入正常组织标签,团队显著提升了模型肿瘤识别能力,最终成功建立了国内外首个NF1全身肿瘤恶变自动识别、鉴别的深度学习AI模型,并申请了国家软件著作权专利。

该模型的成功建立,为NF1患者恶变早期筛查提供了一种客观、高效且易于普及的新方式。同时,模型引入重要正常解剖结构辅助病灶识别这一思路也为其他全身发病肿瘤、转移瘤的精准识别提供了一种新方法学参考。