基于深度学习的多发性骨髓瘤全身低剂量CT影像辅助诊断与预后评估研究综述

基于深度学习的多发性骨髓瘤全身低剂量CT影像辅助诊断与预后评估研究综述多发性骨髓瘤（MultipleMyeloma,MM）是浆细胞恶性增殖性疾病，约占血液系统恶性肿瘤的10%，其特征为骨髓中克隆性浆细胞异常增生，分泌单克隆免疫球蛋白或其片段，导致骨破坏、肾功能损害、高钙血症、贫血等系列临床表现。骨骼受累是MM的核心特征之一，超过80%的患者在确诊时已存在溶骨性病变、病理性骨折或骨质疏松，骨相关事件不仅显著降低患者生活质量，更是独立的不良预后因素。全身低剂量CT（WholeBodyLow-doseComputedTomography,WBLD-CT）因辐射剂量低、扫描速度快、空间分辨率高、对溶骨性病变敏感度优异等特性，已逐步取代传统X线平片成为MM骨病评估的首选影像学手段，被国际骨髓瘤工作组（IMWG）纳入MM诊断与疗效评估的常规检查路径。但WBLD-CT全序列包含数百层影像，人工阅片需逐帧分析全身骨骼区域，不仅耗时久（单例阅片平均耗时15-30分钟），且对医师经验要求高，易漏诊肋骨、胸骨等部位的微小病变，也难以对肿瘤负荷进行精准的定量评估。近年来深度学习技术在医学影像分析领域快速发展，其自动特征提取、端到端学习的优势为解决MMWBLD-CT影像分析的临床痛点提供了新路径，相关研究已覆盖病变检测、诊断分型、风险分层、预后预测等多个场景，展现出巨大的临床转化潜力。一、深度学习在MMWBLD-CT影像病变自动检测与分割中的研究进展MM骨病变的精准检出与量化是诊断与评估的基础，深度学习在此领域的研究主要聚焦于溶骨性病变、骨质疏松、病理性骨折等典型征象的自动识别。早期研究多采用基于二维卷积神经网络（2DCNN）的方法，针对CT轴位切片逐帧提取特征，实现病变层面的分类与定位。例如2020年欧洲放射学团队开发的2DU-Net衍生模型，在187例MM患者的WBLD-CT数据集上进行训练，对溶骨性病变的检出敏感度达92.3%，特异度为87.1%，单例影像平均处理时间仅为12秒，显著优于传统计算机辅助检测（CAD）系统。但2D模型缺乏三维空间上下文信息，对形态不规则、跨多层面的病变易出现重复检测或漏检，随后研究逐步向三维卷积神经网络（3DCNN）过渡。2022年国内血液肿瘤研究中心联合影像科团队提出了一种基于区域建议的3DMaskR-CNN模型，创新性地引入了骨骼区域前置分割模块，先通过阈值分割与形态学操作提取全身骨骼掩码，再在骨骼区域内进行病变检测，有效降低了软组织伪影的干扰，在包含324例患者的多中心数据集上，该模型对直径≥5mm溶骨性病变的检出敏感度达94.7%，对肋骨、脊柱等易漏诊部位病变的检出率较人工阅片提升了8.2%，同时可自动输出每个病变的体积、CT值、分布位置等量化参数，为肿瘤负荷评估提供了客观指标。针对WBLD-CT影像中普遍存在的噪声问题，部分研究将注意力机制与低剂量CT去噪算法相结合，进一步提升小病变的检出性能。2023年NatureCommunications发表的研究提出了一种噪声鲁棒性3DCNN模型，通过在训练阶段引入低剂量-常规剂量CT配对数据进行对抗训练，使模型在仅使用低剂量CT影像的情况下，病变检测性能接近常规剂量CT水平，对直径2-5mm的微小溶骨性病变检出敏感度达82.5%，而同期人工阅片对该类病变的检出敏感度仅为65%左右。除了溶骨性病变，深度学习对MM其他骨相关征象的识别能力也得到验证，2024年一项纳入412例MM患者的研究开发了多任务学习模型，可同时实现溶骨性病变、病理性骨折、骨质疏松三类征象的自动识别与分割，三类任务的Dice系数分别为0.89、0.85和0.87，能够为临床提供全面的骨病评估报告。当前病变检测模型的局限性主要体现在对成骨性病变、治疗后修复性病变的鉴别能力不足，临床中治疗后出现的骨质硬化灶易被模型误判为活动性病变，未来需纳入更多治疗后随访的病例数据优化模型性能。二、基于深度学习的MMWBLD-CT影像诊断与分型模型构建MM的诊断需要结合临床表现、实验室检查与影像学特征，深度学习模型通过挖掘WBLD-CT影像中的深层特征，可辅助实现MM的鉴别诊断与分型。在鉴别诊断方面，MM的溶骨性病变需与转移性骨肿瘤、骨质疏松性骨折、骨巨细胞瘤等疾病相鉴别，传统影像鉴别依赖医师对病变形态、分布、伴随征象的综合判断，对不典型病例鉴别难度大。2022年Radiology发表的研究构建了基于WBLD-CT的深度学习鉴别诊断模型，纳入了276例MM、198例转移性骨肿瘤、143例良性骨质疏松性骨折患者的影像数据，模型提取病变的形态学特征、纹理特征、空间分布特征共128个，结合患者年龄、性别等临床特征进行训练，对MM与其他骨病的鉴别准确率达89.2%，受试者工作特征曲线下面积（AUC）为0.94，性能优于3名具有10年以上经验的放射科医师的平均水平（AUC=0.88）。进一步的可解释性分析显示，模型鉴别MM的关键特征包括病变多发且随机分布、溶骨性破坏边界清晰、无骨膜反应、伴随弥漫性骨质疏松，与临床诊断的典型征象高度一致，为模型的临床可信度提供了依据。在MM分型方面，不同分子分型的MM患者骨病严重程度与预后存在显著差异，例如伴有t(4;14)、del(17p)等高危细胞遗传学异常的患者溶骨性病变更为广泛，肿瘤侵袭性更强。2023年一项探索性研究首次尝试通过WBLD-CT影像特征预测MM的细胞遗传学分型，研究纳入192例已完成荧光原位杂交（FISH）检测的初治MM患者，利用3DCNN提取全身骨骼的全局影像特征，构建高危细胞遗传学异常预测模型，模型在独立测试集上的AUC达0.79，准确率为76.3%，说明CT影像特征中蕴含与分子分型相关的潜在信息，可为无法及时开展基因检测的基层医疗机构提供风险提示。此外，针对冒烟型多发性骨髓瘤（SMM）的进展风险预测也是研究热点，SMM是MM的癌前阶段，每年约有10%的患者进展为活动性MM，早期识别高进展风险患者可实现提前干预。2024年JCOOncologyPractice发表的研究纳入248例SMM患者的基线WBLD-CT影像与随访数据，开发的深度学习模型可自动量化全身骨病变数量、体积、分布模式等特征，结合血清游离轻链比值等实验室指标，预测SMM患者2年内进展为活动性MM的AUC达0.83，显著优于传统的梅奥20/2/20风险分层模型（AUC=0.74），为SMM的精准分层管理提供了新工具。三、深度学习辅助MM预后评估与疗效响应预测的临床价值预后评估是MM个体化治疗的核心环节，传统预后分层系统如R-ISS分期主要基于实验室指标与临床特征，缺乏影像学的定量信息，而骨病的严重程度与患者生存预后密切相关。深度学习通过挖掘WBLD-CT影像中的预后相关特征，可进一步提升预后预测的准确性。2021年Leukemia发表的首个大样本研究，纳入了639例初治MM患者的基线WBLD-CT影像与5年以上随访数据，利用深度学习模型自动提取1024个高维影像组学特征，通过LASSOCox回归筛选出12个与无进展生存期（PFS）和总生存期（OS）独立相关的影像特征，构建了影像预后评分（ImagingPrognosticScore,IPS）。研究结果显示，IPS是PFS（HR=2.31,P<0.001）和OS（HR=2.76,P<0.001）的独立预测因素，将IPS纳入R-ISS分期系统后，新的R-ISS-IPS分层模型对患者预后区分度显著提升，C-index从0.72提高至0.78，可将传统R-ISSII期患者进一步划分为低危和高危亚组，两组5年OS率分别为78.2%和45.3%，差异具有统计学意义。2023年后续的多中心验证研究纳入了来自不同国家的1247例患者数据，证实该预后模型具有良好的泛化性，在不同人群、不同CT设备扫描的数据集上C-index均保持在0.75以上。在疗效响应评估方面，IMWG疗效评价标准中的骨病疗效评估长期以来是难点，传统影像学方法难以区分治疗后残留的病变是否仍具有肿瘤活性，而深度学习可通过监测治疗前后CT影像特征的动态变化，实现早期疗效预测。2022年一项前瞻性队列研究纳入112例接受新药联合治疗的初治MM患者，分别在基线、治疗2个疗程、治疗4个疗程时进行WBLD-CT扫描，利用Siamese网络提取治疗前后的影像特征变化，构建早期疗效预测模型，结果显示该模型在治疗2个疗程时即可预测患者是否能达到非常好的部分缓解（VGPR）及以上疗效，AUC达0.81，早于传统的血清学指标评估时间点，且预测准确性高于血清M蛋白下降率（AUC=0.72）。2024年的最新研究进一步结合了PET-CT的代谢特征与WBLD-CT的形态特征，开发的多模态深度学习模型对治疗后微小残留病（MRD）阴性的预测AUC达0.85，为无创性MRD评估提供了可能。此外，深度学习模型还可用于预测MM患者骨相关事件的发生风险，2023年研究构建的模型基于基线WBLD-CT影像特征，预测患者1年内发生病理性骨折、脊髓压迫等骨相关事件的AUC达0.84，可帮助临床医生提前采取干预措施（如局部放疗、骨科固定）降低不良事件发生率。四、当前研究挑战与未来发展方向尽管深度学习在MMWBLD-CT影像分析领域已取得显著进展，但仍面临多方面的挑战，距离大规模临床应用还有一定距离。首先是数据标准化问题，WBLD-CT的扫描参数（如管电压、管电流、重建算法）在不同医疗机构差异较大，低剂量CT的噪声水平参差不齐，导致模型在跨中心数据集上的泛化性能下降，目前多数研究为单中心回顾性研究，缺乏统一标准化的多中心大样本数据集支撑，未来需推动建立多中心、多设备、多人群的MM影像数据库，制定统一的影像采集与标注规范。其次是模型可解释性不足，当前多数深度学习模型为“黑箱”模型，仅能输出诊断或预测结果，无法清晰展示决策依据，临床医生对其可信度存在顾虑，未来需重点发展可解释人工智能（XAI）技术，通过类激活映射、特征可视化等方法，明确模型决策所依赖的影像特征与临床意义，提升模型的临床接受度。第三是临床workflow融合问题，现有模型多为单一任务模型，无法直接嵌入医院现有的影像信息系统（PACS），临床应用时需要额外的影像传输与预处理步骤，影响使用效率，未来需开发一体化的辅助诊断系统，实现从PACS自动调取影像、自动分析、自动生成结构化报告的全流程整合，同时需明确模型的临床应用场景与权责划分，建立相应的监管规范。未来研究的重点方向包括三个层面：一是多模态融合模型的开发，将WBLD-CT影像特征与临床信息、实验室检查、基因组学、代谢组学数据相结合，构建多组学融合的诊断与预后模型，