儿科低度质瘤的非侵入性分子亚型与自我监督的转移学习

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:

• 儿科低度结质瘤 (pLGG) 经常含有BRAF突变,影响治疗决策.
• 准确的BRAF突变状态的非侵入性分类对于个性化治疗至关重要.
• 目前的方法可能需要侵入性程序或缺乏全面的预测能力.

研究的目的:

• 开发和验证一个深度学习管道,用于pLGG中基于MRI的BRAF突变状态的非侵入性分类.
• 为了将BRAF突变状态分类为V600E,融合或野生类型的类别.
• 提高预测模型的概括性和解释性.

主要方法:

• 一个回顾性研究使用了两个pLGG数据集与链接的基因组和T2权重的MRI数据.
• 一个两阶段的深度学习管道涉及3D瘤细分和切片分类.
• 研究了知识转移和自我监督方法 (TransferX),以防止过度拟合.

主要成果:

• 在内部验证中,TransferX模型实现了0.82的宏观平均AUC和77%的准确性.
• 外部验证显示AUC为0.73且准确率为75%.
• 一个新的指标,COMDist,被开发来量化模型的注意力准确性.

结论:

• 转移学习和自我监督的交叉培训提高了对非侵入性PLGG BRAF突变状态预测的分类性能.
• 开发的管道在有限的数据场景中显示出希望.
• 这种方法提供了一种非侵入性的方法来预测pLGG BRAF状态,有助于治疗计划.