隨著人們健康意識的增加，腎上腺腫塊的發現在臨床上變得十分常見，在所有腹部CT檢查中約占4%。在沒有癌症史的患者中，絕大多數在影像學檢查中偶然發現的腎上腺腫塊是良性的。然而，一些腫塊可能需要利用影像學(CT、MRI、PET/CT或隨訪檢查)、生化評估、活檢或手術切除來進行額外的定性，這取決於腫塊的大小、影像學特征和激素水平。當發現腎上腺腫塊時，隨後關於是否需要進行額外檢查的建議往往取決於腫塊是否為新發、是否增大等征象來確定的。

機器學習作為一種新興的手段及策略，可協助醫生進行自動化圖像分析和診斷性能的改善。其中，監督下的機器學習算法需要通過對感興趣的解剖結構的標記和/或輪廓的準確注釋。為了減少閱讀者之間對解剖結構進行手動分割的巨大差異，自動分割方法在醫療任務中變得越來越普遍。

近日，發表在Radiology雜誌的一項研究創建了一個夠在增強CT中準確地分割和區分正常腎上腺和含有腫塊的腎上腺的機器學習算法，並評估了算法的性能，為臨床自動、準確的進行腎上腺腫塊的識別及分割提供了技術支持。

本項回顧性研究納入了兩組增強腹部CT檢查的圖像(發展數據集和次級測試集)。發展數據集中的腎上腺由放射科醫生手動分割，開發數據集和次級測試集中的圖像都被手動分類為正常或含有腫塊的腎上腺圖像。在開發數據集上訓練深度學習分割和分類模型，並在兩個數據集上進行評估。使用Dice相似性係數(DSC)評估了分割性能，同時使用敏感性和特異性評估了分類性能。

開發數據集包含274個CT檢查(251名患者;中位年齡61歲;133名女性)，二級測試集包含991個CT檢查(991名患者;中位年齡62歲;578名女性)。在開發測試集上，正常腺體的模型DSC中值為0.80(IQR，0.78-0.89)，腎上腺腫塊的模型DSC中值為0.84(IQR，0.79-0.90)。在開發讀者集上，正常腺體的讀者間DSC中位數為0.89(IQR，0.78-0.93)，腎上腺腫塊為0.89(IQR，0.85-0.97)。放射醫師手動分割的讀片員間DSC與機器自動分割沒有區別(P=0.35)。在開發測試集上，該模型的分類靈敏度為83%(95%CI：55，95)，特異性為89%(95%CI：75，96)。在二級測試集上，該模型的分類靈敏度為69%(95%CI：58，79)，特異性為91%(95%CI：90，92)。

圖 與模型相比，讀者之間在腎上腺分割方麵的差異性示例。增強CT圖像顯示一位45歲女性的正常左側腎上腺， (A-E)由五位放射科醫生創建的同一腎上腺分割，(F) 由模型創建的分割，第3位讀者產生最大的分割，第2位讀者產生最小的分割

本項研究提出的機器學習模型可用於協助放射科醫生準確和快速地解釋圖像，並進一步減少閱片者之間的差異，降低了工作量並提高了診斷信心。

原文出處：

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