图1.(a)LNs短直径在训练数据集中的分布;(b)LNs短直径的分布在测试数据集中;自动LNDS模型对内部和外部测试数据集中具有不同短直径的LN的灵敏度曲线。信用：SIBET
多参数磁共振成像(mpMRI)已被接受为直肠癌诊断的首选替代方案。对于所有MR报告，N分期都是必需的，因此，准确检测和分割淋巴结(LN)是前提。
然而，当前诊断方法的瓶颈是在多个器官和多个间隔的背景下，LN识别效率低下。此外，当切片的数量超过20个时，有经验的放射科医生将需要3-10分钟才能完成对患者的LN检测，并且结果会受到检测器的主观经验，环境的影响，并且可能导致误诊。
已经开发出一种智能识别方法，并首先将其用于实现RC患者术前的自动LN检测和分割(auto-LNDS)。这一进展是由中科院苏州生物医学工程技术研究所的高新研究团队与中山大学附属第六医院的孟晓春以及其他三所3A医院共同完成的。分布在中国不同地区。
这项研究纳入了373例RC患者。三位高级专家的注释被用作模型训练的基础。融合的T2加权图像(T2WI)和扩散加权图像(DWI)通过传递学习生成自动LNDS模型，为Mask R-CNN的深度学习框架提供了输入。
图2.淋巴结检测。答：原始的T2WI。b：原始DWI。c：融合图像。d：融合图像上带有黄色方框的带注释的淋巴结的地面真相。e：融合图像上显示的自动LNDS检测结果。白色框代表真阳性，青色框代表假阳性，橙色框代表假阴性。船只充满了红色。第四行的情况显示了自动LNDS模型遗漏的两个LN。在第五行的情况下，两个内部带有红色的青色盒子是被自动LNDS模型误诊为LN的小血管(青色箭头)，另一个青色盒子是被误诊为LN的肠壁。信用：SIBET
结果表明，与其他已报道的算法相比，该模型在检测不同规模的LN方面具有出色的性能(图1)。所检测的LN的尺寸较小(短直径小至3mm)，并且精度较高，这比已报道的算法和初级放射科医生要好(表1)。
此外，仅需1.37秒即可检测并分割患者的所有LN，这比医生的检测速度快131倍。
该模型可以帮助最大程度地减少放射科医生之间LNs检测的差异，提高临床工作流程的效率，并且还具有帮助医师确定淋巴结分期的潜力。此外，该方法可扩展到基于多模式图像(PET，CT，MRI等)的术前评估人体各部位肿瘤的N分期，这具有很高的临床意义，对自动识别胸部，腹部甚至全身的LN。
该研究由中国国家自然科学基金资助。相应的结果作为封面文章发表在EBioMedicine中，标题为“基于深度学习的多参数MRI直肠癌淋巴结的全自动检测和分段：多中心研究” 。
