评估联邦式人工智能算法在辅助检测和分割脑转移瘤方面的有效性：局限性与机遇

AI自动分割脑转移瘤的准确性及局限性研究，纳入50例患者236个病灶，评估算法敏感性52.1%，PPV78.0%，但亚厘米病灶检测性能受限，DSC平均0.60且46.3%需人工修正，边界低估显著，提示需更多外部数据验证。

摘要

背景

准确检测和分割脑转移灶对于立体定向放射外科（SRS）的规划至关重要，但手动方法仍然耗时且存在观察者间差异。基于人工智能（AI）的自动分割工具显示出了一定的潜力，但在不同数据集上的独立外部验证仍然有限。

方法

这项回顾性研究包括了50名患者，他们共有236个脑转移灶，这些患者接受了使用增强后3特斯拉MPRAGE和3D-TSE序列的SRS治疗。评估了一种基于云的联邦AI算法在检测敏感性、假阳性（FP）、Dice相似系数（DSC）以及医生定性评估方面的表现。真实轮廓数据来自多医生审查后制定的临床治疗计划。

结果

AI算法成功识别出了236个治疗病灶中的123个，病灶特异性敏感性为52.1%，患者平均敏感性为69.2%，阳性预测值（PPV）为78.0%。虽然所有病灶的中位体积为0.045立方厘米，但算法检测到的病灶体积显著更大，中位体积为0.250立方厘米（p < 0.001）。平均Dice相似系数（DSC）为0.60，直径超过1.0厘米的病灶得分始终较高。定性评估显示，46.3%的AI生成的分割结果需要大幅修改。值得注意的是，大多数AI生成的轮廓完全包含在真实标注范围内，这往往导致病灶边缘被低估。

结论

AI算法表现出中等敏感性以及较低的假阳性率。然而，对于亚厘米级的病灶，其性能受到限制，这可能是由于初始训练数据集的构成所致，这强调了在多样化外部数据集上进行独立验证的必要性和价值。