中枢神经系统(CNS)单发强化病灶，包括高级别胶质瘤(HGG)和脑转移灶的鉴别诊断，在常规放射治疗中仍是一个挑战。由于这两种病变在常规MRI上常常显示相似的形态学特征，如强化、坏死或血管源性水肿，因此鉴别HGG和单发转移瘤通常需要先进的MRI方法进行辅助。在过去的几年中，数百篇论文已经解决了先进的磁共振成像序列如扩散加权成像 (DWI) 、灌注加权成像(PWI）、动态磁敏感对比 (DSC)和动态对比增强(DCE)、磁共振波谱、动脉自旋标记 (ASL)或酰胺质子转移 (APT) 等用于这项任务的能力。 这些先进的模式提供了新的影像学特征以提高两者之间的鉴别诊断。此外，在过去的十年中，基于传统或先进的MRI序列的图像的人工智能(AL) 解决方案提供了新的见解和相关信息，以提高准确性、灵敏度和MRI在这种特定情况下的特异性。

在这一点上，人工智能算法的其他潜在信息来源是电子健康记录 (EHR) ，在研究的示例中，影像学报告包含与患者人口统计学、临床病史相关的所有信息，以及影像学家在报告过程中识别的所有体征和特征。在这种情况下，人工智能的一个部门-自然语言处理(NLP) -致力于赋予计算机解释和理解人类语言的能力，主要基于机器学习(ML)，已经成为一个很有前途的临床实用工具，可从影像学报告中提取信息并建立其关系。更重要的是，NLP工具可以以人类无法估到的方式管理大型数据集。

近日，发表在European Radiology杂志的一项研究比较了不同的基于自然语言处理(NLP)的深度学习模型，以根据放射学报告中包含的数据帮助放射科医生区分HGG和转移。

本回顾性研究包括2010年至2022年间来自两个不同机构的185份MRI报告。总共117个报告被用于训练，21个被保留为验证集，而其余的被用作测试集。比较了不同深度学习模型在HGG和转移分类中的性能。具体来说，使用了卷积神经网络(CNN)、双向长短期记忆(BiLSTM)、 BiLSTM和CNN的混合版本，以及放射学特定的双向编码器表示来自变压器(RadBERT)模型。

对于MRI报告的分类，CNN网络在所有测试中提供了最好的结果，其宏均值精度为87.32%，灵敏度为87.45%，F1评分为87.23%。此外，研究所使用的NLP算法检测肿瘤、颞叶和肺叶等关键词，将放射报告积极分类为HGG或转移组。

图 HGG (高级别胶质瘤) 和转移瘤检测的文字意义

本项研究表明，基于CNN的深度学习模型使放射科医生能够根据具有高精度值的MRI报告区分HGG和转移，并且可以作为传统基于图像的方法的额外工具来完成这项具有挑战性的任务。

原文出处：

Teodoro Martín-Noguerol,Pilar López-Úbeda,Albert Pons-Escoda,et al.Natural language processing deep learning models for the differential between high-grade gliomas and metastasis: what if the key is how we report them?DOI:10.1007/s00330-023-10202-4