在使用基于多参数MRI的深度细分网络和放射学分析来预测垂体腺瘤中的Ki67表达

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• Ki67增殖指数对于垂体腺瘤 (PA) 行为和复发预测至关重要.
• 放射学和深度学习是用于垂体瘤分析的新兴工具.

研究的目的:

• 评估预测PA中的Ki67扩散指数的可行性.
• 在多参数MRI上利用深度细分网络和放射学来进行Ki67预测.

主要方法:

• 训练了一个cfVB-Net自分区模型,评估其子相似系数 (DSC).
• 将1214名患者分为高 (HG) 和低 (LG) Ki67表达组.
• 开发了使用放射学特征的分类模型和结合临床因素,成像特征和Radscores的名图.

主要成果:

• 该cfVB-Net模型实现了良好的细分性能 (DSC: 0.723-0.930).
• 通过T1WI,T2WI和对比度增强T1WI (CE T1WI) 来区分HG与LG,确定了最佳的放射性特征.
• 结合CE T1WI和T1WI模型显示出高预测准确度 (AUC: 0.927培训,0.831验证,0.825测试);年龄,哈迪等级和Radscores预测了高的Ki67表达.

结论:

• 深度细分网络和多参数MRI上的放射学分析对于预测PAS中的Ki67表达是有效的.
• 综合方法证明了PA管理的显著临床应用价值.