深度学习辅助的定量敏感性映射作为分类和质瘤分子亚型的工具

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 神经瘤学神经瘤学

背景情况:

• 准确的质瘤分类和分子亚型分类对于治疗计划和预后至关重要.
• 传统的MRI技术在非侵入性评估这些瘤特征方面存在局限性.
• 定量敏感性映射 (QSM) 提供了表征组织磁性特性的潜力.

研究的目的:

• 评估深度学习 (DL) 辅助的QSM在质瘤分级中的有效性.
• 评估DL辅助QSM在质瘤分子亚型化中的实用性,特别是预测IDH1和ATRX状态.
• 为了比较DL辅助QSM与传统MRI序列 (T2 FLAIR,T1WI+C) 的性能.

主要方法:

• 对42名质瘤患者进行3.0TMRI的回顾性分析,包括T2 FLAIR,T1WI+C和QSM.
• 手动执行瘤细分;用于从MRI切片中提取特征的初始卷积神经网络 (CNN).
• 使用五倍交叉验证用于训练和评估模型性能,使用准确度和AUC.

主要成果:

• 具有DL的单模QSM在区分质母细胞瘤与其他等级以及预测IDH1/ATRX状态方面表现优于T2 FLAIR和T1WI+C.
• 将QSM,T2 FLAIR和T1WI+C与DL结合起来,在质瘤分级 (0.89) 和预测IDH1突变 (0.89) 和ATRX损失 (0.71) 中获得了最高的准确性.
• 在关键诊断任务中,DL辅助的QSM显著优于单独的传统MRI模式.

结论:

• 深度学习辅助的QSM是用于非侵入性质瘤分级和分子亚型的宝贵工具.
• 这种人工智能驱动的方法补充了传统的MRI,为关键质瘤特征提供了更好的诊断准确性.
• DL辅助的QSM作为神经瘤学的新型分子成像技术具有前景.