韩国医院团队开发AI模型 可借助PET/CT等信息提高骨转移灶检出能力

首尔市立博拉梅医院研究团队近日开发出一种人工智能模型，可用于识别CT图像中不易发现的骨转移灶。该模型在训练过程中引入MRI和PET/CT信息，使部分在CT上表现不明显、容易漏诊的病灶也能进入训练数据，从而提升检测能力。

骨转移是判断癌症分期和制定治疗方案的重要依据。若CT图像中病变不够清晰，骨转移可能被延迟发现，并可能引发病理性骨折、脊髓压迫等并发症。以往相关AI研究多依赖CT上清晰可见的病灶建立训练数据，研究团队认为，这种方式可能遗漏真实存在但CT难以辨认的病灶。

此次研究纳入韩国四家医疗机构332名患者的502张胸腹部CT图像，共标注4999个骨转移病灶。团队基于三维图像分割算法“nnU-Net”开发了两个AI模型：模型1仅使用CT可清晰识别的骨转移灶进行训练;模型2则结合MRI和PET/CT识别出的、CT上较难发现的骨转移灶进行训练。随后，研究人员使用另一家医疗机构的数据进行外部验证。

结果显示，模型2的病灶单元召回率为41.8%，高于模型1的33.9%，差异具有统计学意义(P<0.001)。即便只分析CT上相对清晰的骨转移灶，模型2的表现也优于模型1，相关检出结果分别为53.6%和44.7%。

在与人工阅片结果的比较中，模型2的病灶检测准确率为80.1%，高于放射科住院医师组的66.6%和肌肉骨骼放射科专家组的66.5%。不过，在病灶检出召回率方面，模型2为41.8%，住院医师组为39.4%，肌肉骨骼放射科医师组为43.8%，各组之间未见统计学显著差异。

研究团队表示，结果说明医疗AI的性能不仅取决于算法，也取决于训练数据的准确性和完整性。通过MRI和PET/CT补充CT难以显示的病灶，有助于构建更完整的训练数据集。该AI模型平均约49秒即可完成一次CT扫描分析。团队预计，未来可将其接入临床图像查看系统，用于标记可疑病灶，并进一步通过图像分割结果量化评估骨转移体积及治疗前后变化。

金东铉教授表示，该研究的关键在于利用MRI和PET/CT建立包含CT难检病灶的数据集，而不只是学习CT上清晰可见的病变。他认为，使用高质量训练数据的AI模型，其骨转移灶检测能力已显示出与肌肉骨骼放射科医生相当的潜力;若应用于实际CT阅片环境，可作为辅助安全网，帮助发现阅片过程中可能遗漏的骨转移灶。

该研究成果发表于国际期刊《放射学：人工智能》2026年第8卷第3期。