骨腫瘤是導致20歲以下的癌症患者死亡的第三大原因。根據2020年公布的世界衛生組織第五次骨腫瘤分類，骨腫瘤被分為良性、中間型或惡性。不同類型的骨腫瘤有不同的生物學行為。良性腫瘤通常比較穩定，通常決定采用刮除術或隻要求隨訪或局部刮除。中間型腫瘤會有局部侵襲性，通常會選擇更激進的治療方法來防止複發。惡性腫瘤由於具有侵襲性生物學行為和遠處轉移的概率，因此需要綜合治療(如手術、化療和放療)。因此，骨腫瘤的鑒別診斷對臨床決策至關重要。

        基於數據驅動的機器學習和深度學習(DL)技術已被廣泛研究，現階段已用於臨床的多個領域。由於骨腫瘤的發病率相對較低，十分缺乏關於DL應用於骨腫瘤的相關研究。此外，關於平片上的骨腫瘤的DL研究更少。

        近日，發表在European Radiology雜誌的一項研究評估了DL在鑒別良性、惡性和中間型骨腫瘤方麵的能力，並將DL與放射科醫生的診斷水平進行了比較，為臨床快速準確的評估骨腫瘤提供了技術支持。

        本項回顧性研究收集了2012年至2019年間經病理確診的骨腫瘤的數據。構建了深度學習和機器學習融合模型，利用病變的常規X線片和潛在的相關臨床數據將腫瘤分類為良性、惡性或中間型。比較了五位放射科醫生使用和不使用該模型的診斷性能。使用曲線下麵積(AUC)來評估診斷性能。

        共有643名患者(中位年齡，21歲;四分位數範圍，12-38歲;244名女性)的982張X線片被納入最終評估。在測試組中，二元類別分類任務中，良性/非良性、惡性/非惡性和中度/非中度的放射學分類模型的AUC分別為0.846、0.827和0.820;融合模型的AUC分別為0.898、0.894和0.865。在三類分類任務中，放射學模型的宏觀平均AUC為0.813，而融合模型的宏觀平均AUC為0.872。在觀察測試中，所有放射科醫生的平均宏觀平均AUC為0.819。在三類分類融合模型的支持下，宏觀AUC提高了0.026。

        本研究開發了一個融合了放射學和臨床信息的模型用以良性、中間型和惡性腫瘤的鑒別。事實證明，與放射科醫生相比，該模型在鑒別診斷方麵十分有潛力。該模型可以幫協助臨床進行患者的早期風險評估，並指導患者進行個性化治療。