传统MRI的深度学习和基于变压器的特征融合用于区分脊柱骨解质骨转移和多发性骨髓瘤
Haicheng Bian1, Na Tian2, Yuzhu Zhang3
1Department of Radiology, The Affiliated Hospital of Qingdao University, Qingdao 266000 Shandong, China.
European journal of radiology
|November 2, 2025
概括
这项研究开发了一种使用MRI序列和变压器融合的深度学习模型,以区分脊柱骨解骨转移 (OBM) 和多发性骨髓瘤 (MM). 变压器融合模型显示了对非侵入性差异化的有希望的准确性和通用性.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 脊椎骨解性骨转移 (OBM) 和多发性骨髓瘤 (MM) 在常规MRI上具有相似的成像特征,使差异诊断复杂化.
- 准确的区分对于适当的治疗计划和患者管理至关重要.
研究的目的:
- 开发和评估一个深度学习模型,使用传统的MRI序列来区分脊柱OBM和MM.
- 调查基于变压器的功能融合在提高诊断性能方面的有效性.
主要方法:
- 一项回顾性研究包括663名患有OBM (n=342) 或MM (n=321) 的患者.
- 传统的MRI序列 (T1WI,T2WI,T2WI-fs) 用DenseNet169进行分析,以提取特征.
- 使用特征级融合和基于变压器的融合方法构建了分类模型.
- 模型性能使用ROC曲线,校准图和DCA进行评估,以AUC为主要指标.
主要成果:
- 仅仅T2WI-fs序列就达到0.765.5的AUC.
- 变压器融合模型 (T2WI+T2WI-fs) 显示出最佳性能,AUC为0.783.
- 虽然在外部测试组中没有统计学意义,但变压器融合模型显示出卓越的临床净益和通用性.
结论:
- 传统MRI序列的基于变压器的特征融合提供了一个准确而非侵入性的方法来区分脊柱OBM和MM.
- 这种方法对改善脊髓骨病变的诊断准确性具有显著的临床实用性.


