多达 80% 的多发性硬化症患者（pwMS）会出现脊髓（SC）病变，脊髓病变被纳入了诊断标准，并且具有很强的预后价值。因此，在对该疾病进行初步评估时，会非常系统地进行脊髓磁共振成像（MRI）检查。不过，由于获取图像存在困难（例如，组织体积小、存在搏动伪影），对脊髓 MRI 的解读要比对脑部 MRI 的解读更具挑战性。鉴于存在伪影的风险，国际上的相关建议指出，对于多发性硬化症患者，应至少从 T2 加权序列、质子密度加权序列或短时间反转恢复序列（STIR）中选取两个序列来进行脊髓 MRI 检查。

深度学习模型已广泛应用于对多发性硬化症患者脑部 MRI 的分析中。一些模型能够在给定的脑部 MRI 图像上对多发性硬化症病变进行分割，另一些模型则专门用于区分多发性硬化症病变和非特异性白质病变，还有一些模型能够在两次纵向脑部 MRI 扫描之间检测出新的多发性硬化症病变。然而，类似的工具在分析脊髓 MRI 方面可能带来的额外价值在很大程度上仍未得到探索。在研究环境中，已经开发出了基于深度学习（DL）的用于分割脊髓病变的工具，并且这些工具已被纳入开源的脊髓工具箱中，但在临床环境下，它们尚未被评估作为辅助放射科医生检测脊髓病变的工具。最近，有人提出了一种用于区分脊髓肿瘤性病变和炎症性病变的诊断工具。目前，放射科医生在临床实践中尚未使用任何帮助检测多发性硬化症患者脊髓病变的工具。此外，也没有提出并评估过任何结合分析两个脊髓序列（如临床常规所建议的那样）的工具。

最近，发表在European Radiology 上的一篇文章开发一种深度学习（DL）模型，用于从矢状位 T2 加权序列和短时间反转恢复序列（STIR）中检测脊髓（SC）多发性硬化症（MS）病变，并探究该模型是否能够提高临床医生检测脊髓病变的能力。

基于法国多发性硬化症登记处（OFSEP）影像数据库中的脊髓矢状位 T2 加权序列和 STIR 序列的扫描数据开发了一个深度学习工具，该数据库包含来自 40 台不同扫描仪的回顾性数据。在 2023 年 12 月至 2024 年 6 月期间，基于回顾性数据进行了一项多阅片者研究，以比较 20 名临床医生在使用和不使用该工具的情况下，解读脊髓上部和下部扫描图像的性能。由三名专家确定了金标准。对敏感性、准确性和阅片者之间的变异性进行了评估。

研究纳入了 50 名患者（39 名女性，中位年龄：41 岁 [范围：15-67 岁]），这些患者在 2017 年 2 月至 2022 年 12 月期间进行了脊髓 MRI 检查。当使用该工具进行阅片时，临床医生检测脊髓病变的平均敏感性有所提高（从 74.3%[95% 置信区间 = 67.8-80.6%] 提高到 79.2%[95% 置信区间：73.5-85.0%]；P < 0.0001），而平均准确性没有显著差异：（69.0%[95% 置信区间：62.8-75.2%] 对比 70.1%[95% 置信区间：64.3-75.9%]；P = 0.08）。使用该工具后，阅片者在病变检测方面的变异性略有改善（莱特卡帕系数 = 0.55 对比 0.60），但无统计学差异（P = 0.056）。 

表 读者调查，每项回复数（20名读者中）

本项研究表明，使用自动化工具可以通过提高敏感性来帮助临床医生检测多发性硬化症患者的脊髓病变。

原文出处：

Baptiste Lodé,Burhan Rashid Hussein,Cédric Meurée,et al.Evaluation of a deep learning segmentation tool to help detect spinal cord lesions from combined T2 and STIR acquisitions in people with multiple sclerosis.DOI:10.1007/s00330-025-11541-0

Tags： European Radiology：深度学习分割工具在多发性硬化症患者中的应用