Self-Supervised Text-Vision Alignment for Automated Brain MRI Abnormality Detection: A Multicenter Study (ALIGN Study)

doi:10.1148/ryai.240619

Self-Supervised Text-Vision Alignment for Automated Brain MRI Abnormality Detection: A Multicenter Study (ALIGN Study)

2026-03-01

0

PRE

AI

DOI：10.1148/ryai.240619

原文链接

原文求助

摘要

En 中文

目的：开发一种自监督文本-视觉框架，通过利用自由文本神经放射学报告检测脑部MRI扫描中的异常，无需专家标注的训练数据集。材料与方法：这项回顾性和前瞻性多中心研究包括2008年1月至2019年12月间在英国两家国家医疗服务体系医院对成年患者进行的81 936例脑部MRI检查及相应放射学报告，用于训练和内部测试；以及2022年3月至2024年3月间在四家独立国家医疗服务体系医院前瞻性收集的1 369例检查用于外部测试（ClinicalTrials.gov编号NCT04368481）。使用自监督任务训练神经放射学语言模型（NeuroBERT）生成报告嵌入。卷积神经网络（每MRI序列一个）通过最小化均方误差损失训练将扫描映射到嵌入。该框架通过文本-图像相似性对新检查中的异常进行评分检测。模型诊断性能采用受试者工作特征曲线下面积（AUC）评估。结果：该框架在正常与异常分类中达到AUC 0.95（95% CI：0.94，0.97），在外部站点具有良好的泛化能力，贝德福德、诺丁汉、诺里奇和约维尔检查水平的AUC分别为0.90（95% CI：0.86，0.93）、0.87（95% CI：0.83，0.90）、0.86（95% CI：0.83，0.90）和0.85（95% CI：0.81，0.89）。在五个零样本分类任务（急性卒中、多发性硬化、颅内出血、脑膜瘤和脑积水）中，框架平均AUC为0.89（范围：0.77-0.93）。对于视觉-语义图像检索，七种病理学中前15幅图像的平均精度为0.84。结论：该自监督文本-视觉框架无需专家标注数据集即可准确检测脑部MRI异常。临床试验注册编号：NCT04368481 © 作者（们）2025。经北美放射学会以CC BY 4.0许可发布。

Keyword:

Head and Neck

Unsupervised Learning

Convolutional Neural Network (CNN)

Neuroradiology

Self-Supervised Text-Vision Alignment for Automated Brain MRI Abnormality Detection: A Multicenter Study (ALIGN Study)

摘要

期刊

机构

引用论文