ルーティン磁気共鳴画像による基礎モデル 脳腫瘍の分子プロファイリングと進行予測

科学分野:

• 医療イメージングにおける人工知能
• 神経腫瘍学 神経腫瘍学
• 医療のための機械学習

背景:

• ファンデーションモデルは,医療イメージングの強力なツールとして浮上しています.
• セルフ・スーパーバイザード・ラーニング (SSL) は,手作業による広範な注釈の必要性を軽減します.
• グリオマの診断と治療のモニタリングには,正確な画像分析と分子プロファイリングが必要です.

研究 の 目的:

• 定期的な臨床MRIスキャンを用いた自己監視型基礎モデル (UMBIF) を開発する.
• 膠原腫の治療後のイメージング結果の特徴化におけるUMBIFのパフォーマンスを評価する.
• 膠原腫患者の分子バイオマーカーを予測するUMBIFの能力を評価する.

主な方法:

• ユニファイド・マルチモダル・ブレイン・イマージング・ファンデーション (UMBIF) モデルを作成しました.
• 51,029回の常時脳MRIスキャンでハイブリッドSSLオブジェクトを使用して,UMBIFを訓練しました.
• 先行訓練されたUMBIFエンコーダを下流タスクに適応した:結果予測と分子マーカー推論 (IDH, MGMT, 1p/19q).

主要な成果:

• UMBIFは,下流のタスクにおいて,他のSSL方法や伝統的な分類器を上回った.
• 治療後の結果の特徴化で0.899の精度 (0.815AUC) を達成しました.
• 分子プロファイルの高精度/AUC: 1p/19q コデレーション (0.898/0.916),IDH 変異 (0.829/0.896),MGMT メチル化 (0.905/0.859) を実証した.

結論:

• UMBIFは,治療後のイメージング評価と,膠原腫における分子状態の予測のための強力な移転性を示しています.
• 自己監督の予習は,パフォーマンスを向上させ,手動の注釈への依存を軽減します.
• UMBIFフレームワークは,効率と信頼性を向上させるために,診断ワークフローを合理化することができます.