由於腦轉移存在與否涉及到分期和治療計劃，因此對於腦轉移瘤的準確診斷對於確定適當的治療策略至關重要。例如，全腦放療是多發轉移的標準治療方法;但對於病灶較小且較少的患者，則考慮采用立體定向放射治療。因此，術前準確評估病灶的數量、大小以及位置至關重要。

        近年來，利用深度學習技術(如神經網絡)算法對腦轉移瘤進行自動檢測已引入臨床應用。一些研究已經證明了使用各種卷積神經網絡(CNN)自動檢測腦轉移瘤的優勢。在強化後的T1加權成像中，增強的血管可能被誤診為轉移性腫瘤。因此，人們引入了血管抑製的成像方法來減少假陽性(FPs)的發生。有學者提出了一種三維MR序列-VISIBLE技術，用於腦轉移瘤的檢測。VISIBLE可同時采集有血管抑製的圖像(以下簡稱 "黑圖像")和沒有血管抑製的圖像("亮圖像")。

        近日，發表在European Radiology雜誌的一項研究開發了一項使用CNN和VISIBLE檢測腦轉移瘤的自動模型，並將其診斷性能與之前的觀察者測試進行了比較，為腦轉移瘤快速準確的定量、定性及定位提供了技術支持。

        本項回顧性研究納入了2016年3月至2019年7月采用VISIBLE成像的臨床懷疑有腦轉移的患者。選取有和無血管抑製的圖像用於訓練現有的CNN(DeepMedic)。使用靈敏度和每個病例的假陽性結果(FPs/case)評估了診斷性能。本研究將CNN模型的診斷性能與12位放射科醫生的診斷性能進行了比較。

        本研究將50名在隨訪中被臨床診斷為腦轉移的患者(30名男性和20名女性;年齡範圍29-86歲;平均63.3±12.8歲;共165個轉移病例)用於訓練。本研究提出模型的敏感性為91.7%，並高於觀察者測試(平均±標準差;88.7±3.7%)。模型中的FPs/病例數為1.5，並高於觀察者測試(0.17±0.09)。

        總之，與放射科醫生相比，本研究由VISIBLE和CNN創建的診斷腦轉移的模型顯示出了更高的靈敏度。