随着人们健康意识的增加，肾上腺肿块的发现在临床上变得十分常见，在所有腹部CT检查中约占4%。在没有癌症史的患者中，绝大多数在影像学检查中偶然发现的肾上腺肿块是良性的。然而，一些肿块可能需要利用影像学（CT、MRI、PET/CT或随访检查）、生化评估、活检或手术切除来进行额外的定性，这取决于肿块的大小、影像学特征和激素水平。当发现肾上腺肿块时，随后关于是否需要进行额外检查的建议往往取决于肿块是否为新发、是否增大等征象来确定的。

机器学习作为一种新兴的手段及策略，可协助医生进行自动化图像分析和诊断性能的改善。其中，监督下的机器学习算法需要通过对感兴趣的解剖结构的标记和/或轮廓的准确注释。为了减少阅读者之间对解剖结构进行手动分割的巨大差异，自动分割方法在医疗任务中变得越来越普遍。

近日，发表在Radiology杂志的一项研究创建了一个够在增强CT中准确地分割和区分正常肾上腺和含有肿块的肾上腺的机器学习算法，并评估了算法的性能，为临床自动、准确的进行肾上腺肿块的识别及分割提供了技术支持。

本项回顾性研究纳入了两组增强腹部CT检查的图像（发展数据集和次级测试集）。发展数据集中的肾上腺由放射科医生手动分割，开发数据集和次级测试集中的图像都被手动分类为正常或含有肿块的肾上腺图像。在开发数据集上训练深度学习分割和分类模型，并在两个数据集上进行评估。使用Dice相似性系数（DSC）评估了分割性能，同时使用敏感性和特异性评估了分类性能。
开发数据集包含274个CT检查（251名患者；中位年龄61岁；133名女性），二级测试集包含991个CT检查（991名患者；中位年龄62岁；578名女性）。在开发测试集上，正常腺体的模型DSC中值为0.80（IQR，0.78-0.89），肾上腺肿块的模型DSC中值为0.84（IQR，0.79-0.90）。在开发读者集上，正常腺体的读者间DSC中位数为0.89（IQR，0.78-0.93），肾上腺肿块为0.89（IQR，0.85-0.97）。放射医师手动分割的读片员间DSC与机器自动分割没有区别（P=0.35）。在开发测试集上，该模型的分类灵敏度为83%（95%CI：55，95），特异性为89%（95%CI：75，96）。在二级测试集上，该模型的分类灵敏度为69%（95%CI：58，79），特异性为91%（95%CI：90，92）。

图 与模型相比，读者之间在肾上腺分割方面的差异性示例。增强CT图像显示一位45岁女性的正常左侧肾上腺， (A-E)由五位放射科医生创建的同一肾上腺分割，(F) 由模型创建的分割，第3位读者产生最大的分割，第2位读者产生最小的分割

本项研究提出的机器学习模型可用于协助放射科医生准确和快速地解释图像，并进一步减少阅片者之间的差异，降低了工作量并提高了诊断信心。
原文出处：

Cory Robinson-Weiss,Jay Patel,Bernardo C Bizzo,et al.Machine Learning for Adrenal Gland Segmentation and Classification of Normal and Adrenal Masses at CT.DOI:10.1148/radiol.220101

Tags： Radiology：机器学习实现肾上腺肿块的全自动分割和分类