在医学的世界里，鼻腔和鼻窦的恶性肿瘤就像一群隐藏在黑暗中的 “小怪兽”，它们虽然不常见，只占头颈部肿瘤的 3 - 5%，却给医生们带来了不少麻烦。其中，鳞状细胞癌（SCC）是这群 “小怪兽” 里的 “大反派”，在鼻窦肿瘤里占比 60 - 70% 。它恶性程度高，很多患者发现时就已经是晚期，而且症状不典型，就像一个隐藏很深的 “伪装者”。
除了 SCC，腺样囊性癌（ACC）和嗅神经母细胞瘤（ONB）也不容小觑。ACC 起源于鼻腔黏膜的导管上皮、黏液和浆腺，虽然看起来 “生长缓慢”，但却会沿着神经 “悄悄蔓延”，还能像个 “小钻头” 一样钻进颅骨底部，侵犯颅内。ONB 则起源于鼻窦腔的嗅神经上皮，很容易突破 “防线”，侵入前颅窝。
不同的 “小怪兽” 治疗方法也不一样。对于 ACC 和 ONB，早期手术加上放疗效果不错；而 SCC，尤其是高级别 SCC，因为预后较差，常常需要手术、放疗、化疗多管齐下。而且，它们的 5 年总生存率也各不相同，SCC 只有 50% 甚至更低，ONB 和 ACC 则分别能达到 65 - 75% 和 69 - 82%。所以，能早点发现这些 “小怪兽”，并准确区分它们，对患者的治疗和预后来说至关重要。
MRI（磁共振成像）在鼻腔鼻窦肿瘤的诊断中扮演着重要角色，它能提供高分辨率的软组织图像，就像给医生们装上了一双 “透视眼”。但要通过 MRI 区分 SCC、ACC 和 ONB 却不容易，尤其是对经验不足的年轻医生来说，这三种肿瘤在 MRI 上的表现就像三胞胎，很难分清。传统的诊断方法主要依据肿瘤的形态和信号特征，可这些特征都不太 “靠谱”，没有特异性。后来，定量功能磁共振成像技术，像动态对比增强 MRI（DCE - MRI）和扩散峰度成像（DKI）出现了，本以为能 “大显身手”，可它们也有自己的问题，扫描时间长，老年人很难耐受，图像后处理也复杂，诊断准确率也有限，所以在临床上并没有广泛应用。
就在大家为这些问题发愁的时候，人工智能（AI）的出现带来了新的希望。深度学习（DL）模型作为 AI 的 “得力助手”，在医学影像识别领域逐渐崭露头角。它就像一个聪明的 “图像侦探”，能从复杂的图像里找出关键线索。在鼻腔鼻窦区域，也有研究尝试用 DL 模型来区分不同的病变，但 DL 模型在鼻腔鼻窦恶性肿瘤的识别上效果到底如何，能不能帮助医生提高诊断水平，还是个未知数。
为了解开这些谜团，作者[第一作者单位] 的研究人员在《BMC Medical Imaging》期刊上发表了一篇名为《Development and validation of deep learning models based on multi-sequence MRI for differentiating sinonasal squamous cell carcinoma, adenoid cystic carcinoma and olfactory neuroblastoma》的论文。研究人员通过一系列实验，得出了令人惊喜的结论：基于多序列 MRI 的 ResNet101 网络深度学习模型，就像一个 “超级侦探”，能有效区分鼻腔鼻窦的 SCC、ACC 和 ONB，而且还能大大提高资深和初级放射科医生的诊断能力。这一成果意义重大，为鼻腔鼻窦恶性肿瘤的诊断开辟了新的道路，让医生们在面对这些 “小怪兽” 时有了更强大的武器。
研究人员为了开展这项研究，用到了好几种关键技术方法。首先，他们收集了 465 名患者的数据，这些患者都经过病理确诊，分别患有 SCC、ACC 或 ONB。接着，对患者进行术前 MRI 扫描，获取 T2 加权成像（T2WI）、对比增强 T1 加权成像（CE - T1WI）和表观扩散系数（ADC）等图像。然后，从传统 MRI 图像中找线索，分析肿瘤的形状、边缘、T2WI 信号强度等特征，通过统计学方法找出独立预测因子，构建传统 MRI 模型。同时，研究人员还利用深度学习技术，对图像进行预处理，调整像素间距，增强图像对比度。他们对比了 ResNet50、ResNet101 和 DenseNet121 等不同的网络模型，用迁移学习的方法让模型更好地适应数据，最终选出最佳的深度学习模型。
下面我们来看看具体的研究结果。
- 患者基本信息：研究人员把 465 名患者分成了训练验证组和外部测试组。训练验证组在医院总部，用 MR 扫描仪 1 检查；外部测试组在分院，用 MR 扫描仪 2 检查。两组患者在性别和年龄分布上没有明显差异，这就保证了实验结果的可靠性，不会因为患者的基本情况不同而受到干扰。
- 传统 MRI 模型的诊断性能：研究人员发现，三种肿瘤在 ADC 值、形状、边缘、T2WI 信号强度和生长方式（如神经侵犯和颅内侵犯）等方面存在显著差异。经过进一步分析，只有 T2WI 信号强度和颅内侵犯这两个特征能作为独立预测因子，被用来构建传统 MRI 模型。在比较了不同的机器学习分类器后，ExtraTrees（ET）表现最佳，构建出的传统 MRI 模型在测试集中的准确率为 0.760，敏感性为 0.624 。但这个成绩并不理想，说明传统 MRI 特征在诊断鼻腔鼻窦恶性病变方面的能力有限。
- 不同经验放射科医生的诊断性能：研究人员让一位资深放射科医生（SR）和一位初级放射科医生（JR）分别诊断 465 例鼻腔鼻窦病变。结果发现，SR 的诊断准确率为 0.806，JR 只有 0.656 ，SR 的表现明显更好，而且他们之间的诊断一致性为中等水平（kappa 值 = 0.618）。从混淆矩阵来看，SR 容易把 SCC 误诊为 ONB，JR 则更容易把 SCC 误诊为其他两种肿瘤。
- 不同 DL 网络的建立和诊断性能：研究人员通过计算 Dice 分数来评估图像分割的准确性，结果显示 JR 和 SR 之间的平均 Dice 分数为 0.86 ，说明图像分割的一致性较好。在比较 ResNet101、ResNet50 和 DenseNet121 这三种 DL 网络时，发现 ResNet101 在测试队列中的表现最为出色，尤其是在平均融合序列（macro - AUC = 0.892，micro - AUC = 0.875，Accuracy = 0.810 ）和 ADC 序列（macro - AUC = 0.872，micro - AUC = 0.874，Accuracy = 0.814 ）上，表现优异。这表明 ResNet101 网络在区分鼻腔鼻窦恶性肿瘤方面具有很大的潜力。
- 深度学习可视化：研究人员利用梯度加权类激活映射（Grad - CAM）技术，让深度学习模型 “开口说话”，展示它在诊断时关注的区域。结果发现，模型主要关注病变的实性成分，这说明病变实性成分的异质性对于肿瘤分类和识别非常重要。
- 传统 MRI、手动（JR/SR）和 DL 模型的性能评估：研究人员对比了传统 MRI 模型、手动诊断（JR/SR）和 DL 模型在区分肿瘤方面的能力。结果发现，基于平均序列的 DL 模型在区分 ONB/ACC/SCC 与其他肿瘤时表现最佳，ADC - 基于的 DL 模型也不错。在手动诊断中，SR 的表现比 JR 好。
- AI 辅助下放射科医生的诊断性能：研究人员选择性能最佳的 ResNet101 网络平均融合序列 DL 模型作为 AI 辅助方案。结果发现，有了 AI 的帮助，SR 和 JR 的诊断准确率都大大提高。SR 的准确率从原来的 0.806 提升到 0.957，JR 从 0.656 提升到 0.925 。而且，两人诊断的一致性也大幅提高，kappa 值从 0.618 提升到 0.853。这说明 AI 真的是医生们的好帮手，能让诊断更准确、更一致。
最后，我们来总结一下研究结论和讨论部分。这项研究表明，基于 MRI 的深度学习模型就像一个 “智能诊断小能手”，可以有效区分鼻腔鼻窦的 SCC、ACC 和 ONB，还能帮助放射科医生，尤其是经验不足的初级医生，做出更准确的诊断。不过，研究也存在一些不足之处。比如参与研究的医生数量较少，可能会影响诊断结果的一致性；样本只来自一家医院，虽然在分院进行了测试，但还需要多中心、大样本的实验来进一步验证；研究没有纳入临床特征，后续可以结合临床特征构建更强大的模型；而且在图像质量调整和分割方面，缺乏客观统一的标准，可能会导致不同医生之间的差异。
尽管有这些不足，但这项研究仍然为鼻腔鼻窦恶性肿瘤的诊断带来了新的思路和方法。未来，随着研究的不断深入和技术的不断进步，相信深度学习模型会越来越完善，成为医生们诊断疾病的得力 “伙伴”，帮助更多患者战胜疾病。
生物通微信公众号
