基于深度学习的预测,基于全脑MRI的扩散中线质瘤中H3K27M变化的预测
Bowen Huang1, Yuekang Zhang1, Qing Mao1
1Department of Neurosurgery, West China Hospital of Sichuan University, Chengdu, China.
Cancer medicine
|July 18, 2023
概括
一个深度学习模型使用全脑MRI准确地预测了扩散中线质瘤 (DMGs) 中的H3K27M突变状态. 这种自动化方法有助于对DMG患者的预后,克服了病理学获得的挑战.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 扩散中线质瘤 (DMGs) 的预后与H3K27M突变状态有关.
- 病理性获取在DMG中对准确的H3K27M状态确定提出了挑战.
研究的目的:
- 开发一个完全自动化的深度学习模型,用于预测DMG中的H3K27M变异状态.
- 为了利用全脑MRI进行非侵入性H3K27M状态预测.
主要方法:
- 在235名DMG患者 (WCHSU和CSNH) 的全脑MRI数据上利用深度学习.
- 在正常人头部MRI上使用模型预训练和用于分类和瘤细分任务的联合训练.
- 分类和细分之间的综合信息交互,以提高预测准确性.
主要成果:
- 平均分类准确度达到90.5% (培训) 和85.1% (外部测试).
- 表现出强的表现,平均AUROC为94.18% (培训) 和87.64% (外部测试).
- 报告的AUPRC平均值为93.26% (训练) 和85.4% (外部测试),预训练和联合训练提高了准确性.
结论:
- 开发的深度学习模型在预测DMG中的H3K27M变异状态方面表现出色.
- 该模型的可重现性和概括能力在外部数据集上得到了验证.
- 这种自动化方法为DMG患者的管理和预后提供了一个有前途的工具.
