術前と術後のコントラスト強化T1画像を用いたグリオブラストーマにおける擬似進行と腫瘍進行を区別するための深層学習モデル

科学分野:

• 神経イメージング
• 医療における人工知能
• 腫瘍学

背景:

• 腫瘍進行 (TuP) と偽進行 (PsP) の正確な予測は,膠芽細胞腫 (GBM) 患者の管理と予後にとても重要です.
• 治療後のPsPとTuPの区別は,従来のイメージング方法を使用して困難です.

研究 の 目的:

• GBM の患者で PsP と TuP を予測するためのディープラーニング (DL) 予後モデルを開発し,検証する.
• 術前と術後のコントラスト強化型T1重量化 (CET1) マグネット共振画像 (MRI) を活用して,予測の精度を高める.

主な方法:

• Vision Transformer (ViT) DLモデルは,110人のGBM患者の術前および術後のCET1MRIスキャンから得られた専門家セグメントの腫瘍領域で訓練されました.
• 比較分析にはPCAとLASSO回帰による特徴選択による主流のコンボリューションニューラルネットワーク (CNN) モデルが含まれていた.
• マルチモダルのアプローチは,包括的な予測のための臨床的特徴を持つDLの特徴を統合した.

主要な成果:

• CET1- ViTモデルは,手術前の画像と手術後の画像を組み合わせて,高い性能を達成しました (AUCは95. 5%までのトレーニングで,95. 2%の検証).
• ViTモデルはPsPとTuPを予測する上で標準的なCNNアーキテクチャを大幅に上回った.
• マルチモダルのモデルは優れた予測力を示し,AUCは98. 6% (訓練) と99. 3% (検証) に達した.

結論:

• 術前および術後のCET1MRIを用いた新しいDLモデルは,GBM患者のPsPとTuPを効果的に予測します.
• このアプローチは治療の有効性を評価し,腫瘍の再発の早期徴候を検出するための有望なツールです.
• この発見は,神経腫瘍学における先進的なDL技術の統合を支持し,患者のアウトカムを改善します.