机器学习推动耳科影像升级：由颞骨MRI生成合成CT

要点

• 机器学习可基于颞骨磁共振成像（magnetic resonance imaging，MRI）生成合成计算机断层扫描（computed tomography，CT）图像，从而在耳科影像检查中避免电离辐射。
• 与真实CT扫描相比，合成CT图像在几何精度和放射密度准确性方面均表现较高，可同时显示关键骨性解剖结构与软组织结构。
• 该技术在人工耳蜗植入中的解剖定位、导航引导和手术计划制定方面显示出适用性，但目前仍有限于诊断用途。

研究背景

在耳科学中，颞骨的精确影像学评估至关重要，尤其对于诊断和术前规划而言。传统上，磁共振成像（MRI）与计算机断层扫描（CT）具有互补性：MRI在软组织对比方面更具优势，而CT则更适于显示骨性结构。然而，CT会使患者暴露于电离辐射，这一点在重复影像检查或脆弱人群中尤为值得关注。若能在无辐射的情况下同时显示软组织和骨性结构，将是一项重要的临床进展。

近年来，机器学习（machine learning，ML）和人工智能的进展推动了从MRI数据生成合成CT图像的发展，旨在发挥MRI在软组织显示方面的优势，同时近似CT对骨细节的呈现能力。本研究在荷兰一家三级转诊中心开展，评估了利用ML算法从颞骨MRI生成合成CT图像的可行性及临床实用性。

研究设计

这是一项诊断性可行性研究，纳入2022年9月至2023年9月期间因常规临床诊疗需要接受头部CT检查的73例患者（中位年龄54岁，范围18～81岁；男性52%）。研究获取了配对的颞骨MRI和CT图像，其中67对影像用于训练第三方ML算法，以便根据MRI数据生成合成CT图像。

随后，15例患者的合成CT图像由两名未参与ML开发团队的耳鼻喉科（ENT）外科医师和两名放射科医师独立评估临床表现。评估内容包括：几何精度和放射密度准确性、采用4分Likert量表评价关键解剖标志的可辨识度，以及其在解剖定位、导航、手术计划制定和诊断用途中的临床适用性。

主要结果

合成CT图像与真实CT图像高度一致。平均表面距离误差为0.38 mm（SD 0.37 mm），平均放射密度误差为4 Hounsfield单位（SD 44），提示其几何精度和密度准确性均较高。诸如颅顶骨（tegmen bone）和听小骨等解剖标志总体上均可较好显示，但该算法倾向于高估颅顶骨厚度，且听小骨常常显示不清。

在定性临床评分中，合成CT扫描总体被评价为与真实CT相当。在回顾环节重复阅片的15例合成CT扫描中，97%被认为适用于解剖定位，83%适用于导航，70%适用于人工耳蜗植入术的手术计划制定。然而，合成CT图像尚不适合作为独立的诊断扫描，这反映出当前图像分辨率和临床可靠性方面仍存在局限。

专家点评

将机器学习整合于医学影像，以基于MRI生成合成CT，代表着向无辐射影像流程迈出的有前景一步，尤其在耳鼻咽喉科领域更具意义。能够在一次MRI检查中同时显示骨性结构与软组织，对于复杂手术计划制定和术中导航具有显著优势。

其局限性包括：对中耳评估至关重要的小听小骨显示不够理想，以及偶发的骨厚度高估，这些问题可能影响精确的手术边界判断。该研究样本量中等且为单中心设计，也提示在广泛临床应用之前，仍需开展多中心验证并进一步优化算法。

结论

本研究表明，基于颞骨MRI的机器学习合成CT图像能够准确呈现骨性解剖结构及软组织，并在耳科手术中的定位、导航和手术计划制定方面发挥重要作用。尽管其目前尚不适合作为主要诊断依据，但这种无辐射影像模式未来有望减少患者的辐射暴露并优化诊断流程。后续研究应重点改进细小骨性结构的显示，并在不同人群中验证其临床结局。

资金支持与临床试验

该研究在荷兰一家三级转诊中心完成，并与第三方开发者合作开发机器学习算法。原始发表中未详细说明具体资助来源。未报告临床试验注册信息。