Commentary on "Effects of Deep Learning-Based Reconstruction on the Quality of Accelerated Contrast-Enhanced Neck MRI".

導入 AI 重建縮短頸部核磁共振一半的掃描時間，卻讓流體假體內的假影訊號大幅飆升至 8.92%，遠高於傳統影像的 1.75%。當我們沉浸在深度學習帶來的高對比雜訊比與銳利邊緣時，這份來自首爾聖母醫院的高階技術評估指出了明確的實戰方向。雖然演算法成功消除了存在於體表之外的空氣中假影，但只要病患吞嚥、呼吸或頸動脈搏動產生的條紋假影與正常解剖構造重疊，模型反而會不經意地強化這些干擾。這迫使放射線專科醫師必須重新認識並適應這些計算機運算後產生的新穎影像特性，同時在極致的掃描速度與假影放大的潛在風險之間找到最佳的妥協點。

頭頸 MRI 的 52.6% 掃描加速與 106 例收案

為了驗證深度學習在對比劑增強頸部核磁共振上的實際臨床效益，研究團隊在兩台配置 64 通道頭頸線圈的 3T 磁振造影儀上進行了嚴格的雙盲測試。研究最終納入了 106 位年齡平均 60.4 歲的頭頸腫瘤患者。這群病患的分佈相當廣泛，其中佔大宗的是口腔癌（31.1%）、聲門癌（20.8%）與口咽癌（14.2%）。從治療史來看，高達 84% 的病患是經歷手術或化放療後的追蹤案例，這意味著解剖構造往往伴隨組織沾黏與纖維化，使得影像判讀更具挑戰性。

影像擷取均採用具備 Dixon 雙點水脂分離技術的 T1 加權序列。在深度學習組別，團隊導入了西門子的閉源試驗版軟體 WIP 1062（整合去噪與內插升頻的演算法）。這個稱為 DL-TSE 的序列運算邏輯分為三步：首先運用變分網路在原始解析度下對對比影像進行去噪，接著利用深度學習網路推斷高頻資訊進行 k-space 內插升頻，最後再跑傳統 Dixon 演算法產出水脂分離圖。對照組則是採用相同參數，但僅依賴常規內插法重建的傳統渦輪自旋回波（Conv-TSE）影像。

為了挑戰極限，DL-TSE 大幅拉高了相位編碼方向的平行造影加速因子。軸切面的加速因子設定為 3，使得總掃描時間從傳統的 2 分 56 秒微幅下降了 15.9% 來到 2 分 28 秒。更激進的是冠狀切面，加速因子被推升至 4，讓掃描時間從漫長的 3 分 48 秒直接砍半，縮短了 52.6% 來到僅需 1 分 48 秒。在這樣懸殊的時間差異下，兩組依然維持了完全相同的最終重建平面解析度（軸切面 0.26 毫米，冠狀切面 0.29 毫米）。所有影像交由兩名分別具備 34 年與 8 年經驗的神經放射科醫師，在相隔一個月的洗脫期後進行交叉盲測。

從假體測量到 Table 3 黏膜 FWHM 分析

在進入複雜的病患解剖構造前，團隊先利用裝載氯化鎳的靜態假體與配備蠕動幫浦的客製化血流假體進行了客觀校正。在靜態假體的冠狀切面掃描中，深度學習重建在直徑 0.6、0.7 與 0.8 毫米的解析度測試孔徑上，均測量出更纖細的 FWHM（代表邊緣銳利度的半高寬）。具體來說，在最小的 0.6 毫米孔洞陣列中，DL-TSE 的 FWHM 為 0.53 毫米，明顯優於傳統組別的 0.58 毫米，證實了內插演算法確實在邊緣重塑上具備物理優勢。

此外，研究也掃描了健康志願者來精算組織雜訊。在軸切面，DL-TSE 測量到的腦橋訊雜比（14.52 對 11.75）與對比雜訊比 CNR（目標與背景的訊號差異度）（1.57 對 1.04）皆顯著勝出。然而在極度加速的冠狀切面，DL-TSE 的訊雜比卻反而略微下滑（15.28 對 16.58），這暗示了過於暴力的時間縮減可能抵銷去噪模型帶來的紅利。儘管如此，DL-TSE 在所有切面依然維持了與傳統影像相當的 NU（非均勻度百分比）。

把焦點拉到 Table 3 的 106 位患者實測數據，增強黏膜層的 FWHM 表現全面呼應了靜態假體的發現。無論是鼻咽部的羅森穆勒氏窩、口咽部的軟顎後壁，還是下咽部的梨狀竇，DL-TSE 都帶來了統計學上極度顯著的邊緣銳化（所有 p < 0.001）。兩組差距最劇烈的解剖位置落在經常受微小吞嚥動作干擾的梨狀竇：軸切面為 1.19 對上 1.83 毫米，冠狀切面更是拉開到 1.26 對上 1.91 毫米。這證明了 AI 去噪結合空間內插，能極度有效對抗不自主的生理性微震顫造成的邊緣模糊。

Table 4 視覺評分與 Figure 4 尋獲的病灶

物理測量數據的躍進，毫不意外地轉化為臨床專家視覺評分的全面提升。依據 Table 4 的五分制 Likert 量表結果，DL-TSE 在軸切面的整體影像品質得分高達 4.61 分，以壓倒性的差距贏過傳統內插技術的 3.32 分。在整體的銳利度表現上，DL-TSE 也拿下了 4.40 的高分，遠超常規影像的 3.11 分。兩名資深醫師的評分在多數項目中皆達到了中度至實質的觀察者間一致性（Kappa 係數落在 0.41 至 0.80 之間）。

若進一步拆解各個咽喉區域的黏膜清晰度，深度學習的優勢在容易產生動態模糊的下段咽部尤為突出。在口咽部，軸切面得分從 3.40 躍升至 4.41；在下咽部，得分同樣從 3.58 大幅推高至 4.45。在 36 位影像上帶有可見實體病灶的患者群集裡，AI 重建帶來了更強烈的病灶偵測信心水準（4.56 分對上 3.94 分）。儘管因為樣本數較小（淋巴結評估 n=21），淋巴腫大清晰度的 Kappa 值僅有 0.21，但這其實反映了評分高度集中在 4 或 5 分的低變異性狀態。

更具臨床震撼力的是，研究特別框出了 8 顆在傳統影像上僅被給予「弱信心（平均得分小於等於 3）」懷疑的病灶，卻在 DL-TSE 上獲得了「中度至強烈信心（平均大於等於 4）」的肯定。檢視 Figure 4 提供的實際比較案例，這些受惠於 AI 而浮現的微小異常，包含了 4 例位於舌頭或口腔、1 例在口咽、2 例在聲門，以及 1 例第二區的淋巴結腫大。其中高達 5 處病變後續透過內視鏡或手術病理證實為惡性腫瘤。以聲門鱗狀細胞癌為例，傳統影像因邊緣抖動使得黏膜平滑化，而 DL-TSE 則精準勾勒出局部的表面不規則，成為判斷惡性變化的關鍵樞紐。

Figure 3 證實演算法對解剖重疊假影的強化

然而，這套演算法在處理大尺度動作假影時，卻展現出極度兩極化的矛盾行為。在客製化血流假體實驗中，DL-TSE 成功將散落於管腔外部的百分比訊號鬼影從 0.14% 壓低至 0.06%，但緊貼著矽膠管壁內部的血流假影訊號，卻從原本微弱的 1.75% 狂飆至 8.92%。這個在體外實驗觀察到的現象，在病患實體影像中發生了百分之百的重現，反映了演算法在處理複雜空間特徵時的盲點。

仔細審視 Figure 3 與 Table 4 的假影細項評分，當鬼影出現在體外空氣空間或是呼吸消化道等本該是極低訊號的區域時，DL-TSE 展現了極佳的清除能力（軸切面得分 4.32 優於 3.90，分數越高代表假影干擾越少）。但只要因為吞嚥、深呼吸或周邊頸動脈血管強烈搏動所造成的粗大條紋假影，恰好與脊椎、肌肉或淋巴結等正常解剖構造重疊時，災難就發生了。重疊區域在 DL-TSE 影像上反而變得更加深邃且干擾判讀（軸切面得分 3.78 顯著劣於傳統的 3.95，p < 0.001）。

作者解釋，這種看似矛盾的結果源自於深度學習模型的訓練機制。去噪演算法主要透過乾淨與劣化的成對影像進行訓練，它能輕易辨識出空氣中不該出現的無中生有訊號並將其抹除。但是，該模型並未接受過專門對抗「大幅度整體位移假影」的特殊訓練。因此，當假影邊界與實體組織交疊時，AI 會將這些因運動產生的邊緣誤認為解剖細節，進而啟動內插升頻機制，把原本模糊的假影邊界算得異常銳利。這種選擇性抹除與選擇性強化的特性，是放射線專科醫師在擁抱 AI 時代必須格外小心的地雷。

52.6% 極限加速的代價與放射科臨床實戰建議

這篇研究在討論環節深刻檢討了演算法的適用界線，同時打破了「依賴 AI 就能無腦加速掃描」的迷思。如前所述，在冠狀切面的假體與志願者數據中，當掃描時間被激進地砍掉 52.6% 後，即便有深度學習的強力後援，其最終的訊雜比依然輸給了傳統組別。這證明了減少 k-space 取樣存在著無法跨越的物理極限，一旦原始收案數據的品質劣於一定閾值，AI 去噪所帶來的訊雜比補償將無力回天，甚至可能引發難以預期的影像結構不穩定性。

研究團隊也坦言，本研究受限於單一醫學中心的回溯性設計，且病患組成包含了良性與惡性的高度異質性。在視覺盲測的過程中，審閱者極有可能因為 DL-TSE 異常鮮明的銳利度，而在潛意識中辨識出影像所屬的組別，進而產生觀察者偏誤。同時，因受限於磁振造影儀內部的常規架構限制，研究未能提供「未經 AI 重建但相同加速參數的原圖」作為基準對照，這讓掃描加速與 AI 重建各自的獨立貢獻度變得難以徹底切割分析。

對於身處一線的放射科醫師而言，這份文獻提供了極其具體的臨床操作指引。首先，面對頸部這類本就充斥各種生理運動的複雜區域，我們絕對不能把 AI 當作萬靈丹。確保收案原始影像盡可能免於假影干擾，依然是不可妥協的第一準則，遇到容易劇烈吞嚥的病患，仍應掛上呼吸導航或其他物理防護參數。其次，當我們在螢幕上看到口咽或下咽部異常清晰的微小高訊號凸起時，可以更有信心地發出惡性懷疑報告；但反之，當影像上出現橫跨解剖構造的銳利斑馬紋時，請務必意識到這極可能是 AI 弄巧成拙的傑作，隨時準備切換不同平面的影像以釐清真相。

若在組織內看到異常銳利的深邃條紋，別急著當真，那可能是 AI 強化吞嚥假影的陷阱。