使用1D卷积神经网络跟踪质母细胞瘤的治疗反应
Sandra Ortega-Martorell1, Ivan Olier1, Orlando Hernandez2
1Data Science Research Centre, Liverpool John Moores University, Liverpool L3 3AF, UK.
Cancers
|August 12, 2023
概括
机器学习使用磁共振光谱成像 (MRSI) 准确识别质母细胞瘤治疗反应. 这种方法提供了改善的瘤复发的早期检测,有助于治疗评估.
科学领域:
- 神经瘤学神经瘤学
- 医学成像医学成像
- 机器学习是机器学习.
背景情况:
- 质母细胞瘤 (GB) 是一种难以治疗的脑瘤,经常复发.
- 磁共振成像 (MRI) 与神经瘤学响应评估 (RANO) 标准用于治疗响应评估.
- 伪进展和伪响应现象使早期评估复杂化,磁共振光谱学 (MRS/MRSI) 尚未得到充分利用.
研究的目的:
- 探索MRSI与机器学习相结合的潜力,以改善质母细胞瘤治疗反应评估.
- 使用临床前模型验证一种新的方法.
主要方法:
- 使用MRSI与一维卷积神经网络 (1D-CNNs) 结合使用.
- 在临床前质母细胞瘤 (携带GL261的小鼠) 模型中优化和验证了该方法.
- 采用Grad-CAM用于模型可解释性和可视化.
主要成果:
- 1D-CNN模型准确地确定了正常的大脑,不响应的瘤和响应治疗的瘤区域.
- 生成的颜色编码地图显示N,T和R区域,实现了高精度 (子分数).
- 提出的方法在准确性和可解释性方面超过了以前的方法.
结论:
- 开发的方法为评估质母细胞瘤治疗反应提供了更好的机会.
- 这种方法可以提供早期的瘤复发阶段的迹象.
