评估两种人工智能技术在多发性硬化症患者随访中检测新出现的T2/FLAIR病变的效果

《Frontiers in Neurology》：Evaluation of two AI techniques for the detection of new T2/FLAIR lesions in the follow-up of multiple sclerosis patients

　　多发性硬化症患者MRI随访中，Pixyl.Neuro.MS?与Jazz?两种AI软件在自动检测新病变方面均显著优于传统临床报告（P<0.01），前者敏感度100%但假阳性率较高（61例），后者特异性更优（100%）。研究证实AI工具可提升 lesion load监测效率，但需人工复核假阳性病例，临床应用需平衡诊断精度与工作流程优化。

　　多发性硬化症（Multiple Sclerosis, MS）是一种影响中枢神经系统（Central Nervous System, CNS）的慢性炎症脱髓鞘疾病。随着病情的发展，MS患者的大脑和脊髓中会出现多个脱髓鞘病灶，这些病灶在磁共振成像（MRI）中通常表现为T2/FLAIR序列上的高信号区域。MRI已成为MS疾病监测的重要工具，其能够提供对病灶数量、位置和变化趋势的精确评估。然而，由于病灶分布的复杂性和数量的差异性，传统的视觉评估方法不仅耗时，而且在不同阅片者之间可能存在较大的主观差异，影响诊断的一致性和准确性。因此，人工智能（Artificial Intelligence, AI）技术的应用在MS的影像学评估中逐渐成为研究热点，其在提高病灶检测效率和准确性方面展现出巨大潜力。

本研究旨在评估两种AI软件——Pixyl.Neuro.MS?和Jazz?——在MS患者随访MRI中对新病灶（New Lesions, NL）检测的性能差异。这两种软件分别采用了不同的技术路径：Pixyl.Neuro.MS?通过自动分割和分类病灶，提供详细的病灶活动图谱，而Jazz?则专注于通过图像配准和可视化优化，帮助放射科医生更直观地比较不同时间点的影像。研究采用回顾性分析的方法，纳入了35例MS患者的随访MRI数据，并由两位具有不同经验水平的放射科医生（一位有15年经验的资深神经放射科医生和一位有4年经验的放射科培训医生）分别进行评估。通过与AI辅助阅片的对比，研究探讨了AI在提升病灶检测能力方面的实际效果，并进一步分析了其在临床应用中的优势和局限性。

研究结果显示，AI辅助阅片在新病灶检测方面显著优于传统的阅片方式。具体而言，使用Pixyl.Neuro.MS?软件的两位医生分别检测到了19和20个真实病灶，而Jazz?软件则帮助两位医生分别检测到19和17个真实病灶。相比之下，标准阅片仅在2名患者中发现了8个新病灶。这表明AI在提高病灶识别率方面具有明显优势，特别是在病灶负荷较高的患者中。此外，AI辅助阅片还显著缩短了阅片时间，Pixyl.Neuro.MS?的平均阅片时间为2分46秒，Jazz?为3分33秒，远低于传统阅片所需的时间。这说明AI不仅提高了病灶检测的准确性，还优化了工作流程，提高了工作效率。

然而，AI技术并非完美无缺。在本研究中，Pixyl.Neuro.MS?软件检测到了61个假阳性病灶，其中40%与图像伪影有关，而60%则源于配准误差或缓慢增大的病灶（Slowly Enlarging Lesions, SELs）。这提示在使用AI进行病灶检测时，仍需放射科医生的审核以排除误报。Jazz?软件虽然在提高敏感性方面表现良好，但其假阳性率较低，这与其不提供病灶分割掩膜、仅优化图像显示方式有关。因此，Jazz?更适合用于快速而准确的病灶对比，而Pixyl.Neuro.MS?则在病灶识别的全面性和细节上更具优势，但需要结合人工审核以提高结果的可靠性。

在临床实践中，MS患者的病灶负荷往往较高，尤其是那些处于疾病进展阶段的患者。这类患者的大脑中通常存在超过20个病灶，这使得传统的视觉检测方法难以准确识别新出现的病灶。AI技术的引入为这一问题提供了新的解决方案，通过自动化处理和智能分析，不仅能够更高效地完成病灶检测任务，还能减少人为误差，提高诊断的一致性。例如，Pixyl.Neuro.MS?通过自动分割病灶，提供了一个标准化的病灶活动图谱，使得医生能够更直观地了解病灶的动态变化。而Jazz?则通过优化图像配准和显示，使医生能够快速切换不同时间点的影像，从而更容易发现细微的病灶变化。

此外，AI在MS随访中的应用还具有重要的临床意义。准确的新病灶检测是评估疾病活动性和调整治疗方案的关键依据。在某些情况下，新病灶的出现可能意味着疾病的复发或进展，进而影响医生的治疗决策。因此，AI技术的引入不仅提高了检测的效率，还可能对患者的长期管理产生积极影响。然而，目前的研究仍处于探索阶段，AI在临床中的实际应用需要进一步验证。例如，AI的性能如何在不同患者群体和不同经验水平的放射科医生之间保持一致性？如何在复杂的影像数据中避免误报？这些问题需要通过更多的临床试验和数据积累来解决。

本研究的局限性也值得关注。首先，研究样本量较小，仅包括35名MS患者，其中大部分具有较高的病灶负荷。这意味着AI在低病灶负荷或早期MS患者中的表现尚不明确。其次，AI辅助阅片是在实验环境下进行的，而非日常临床流程。这种环境可能缺乏实际工作中常见的干扰因素，如时间压力、设备差异等，因此其结果可能与真实临床情况存在一定的偏差。未来的研究应考虑在更接近临床实践的环境中评估AI的性能，以更全面地了解其在实际应用中的价值。

另一个值得注意的方面是，AI工具的持续更新和优化。研究中使用的Pixyl.Neuro.MS?和Jazz?软件版本可能已经过改进，以减少假阳性结果的发生。因此，本研究的结果可能无法完全反映最新版本软件的性能。未来的研究需要关注AI工具的迭代发展，以及如何在不同版本之间进行性能对比，以确保其在临床中的持续适用性。

总的来说，AI在MS随访MRI中的应用为疾病监测提供了一种新的、高效的解决方案。尽管AI在提高病灶检测率和减少阅片时间方面表现出色，但其假阳性率仍需通过人工审核加以控制。因此，AI工具的临床应用应结合放射科医生的专业判断，形成一种人机协作的模式。此外，随着AI技术的不断发展，其在MS影像学评估中的作用将更加突出，有望成为未来神经放射学的重要组成部分。然而，要实现这一目标，仍需在临床实践中进一步验证AI的有效性和安全性，确保其能够真正改善患者的诊疗体验和疾病管理效果。