人工智能对成像因素在使用马刀阶段治疗转移的演变中的评估

科学领域:

• 放射性外科和神经瘤学
• 医疗成像中的人工智能
• 深度学习用于预测诊断.

背景情况:

• 研究深度学习模型,用于预测大脑转移 (BM) 对立体射线外科手术 (SRS) 的早期反应.
• 采用了来自19名BM患者的MRI图像 (FLAIR和CE T1w) 的最小预处理.
• 根据治疗结果,患者被分为响应者或不响应者.

研究的目的:

• 评估三个深度学习模型的预测性能:CNN_model (从头开始训练),TL_model (转移学习) 和FT_model (微调).
• 确定最有效的模型来预测脑转移中放射性手术的早期反应.
• 评估使用深度学习与小数据集用于SRS预后的可行性.

主要方法:

• 在MRI图像数据集上训练并验证了三种不同的深度学习模型 (CNN,TL,FT).
• 使用了一个包含2320个回归类图像和874个进展类图像的数据集.
• 随机分配图像给培训,测试和验证组用于模型开发和选择.

主要成果:

• CNN_model实现了最高的整体精度 (0.98) 和AUC (0.989),在预测SRS反应方面表现出卓越的性能.
• TL_model表现良好 (精度为0.92,AUC为0.936),但需要对回归类进行精度改进.
• 与其他两种模型相比,FT_model的整体精度 (0.83) 和AUC (0.885) 较低.

结论:

• 从头开始训练的CNN_model是预测大脑转移中SRS反应最准确的模型.
• 深度学习模型,特别是CNN,即使数据有限,也显示出预测SRS预后的潜力.
• 需要进一步的研究来解决阶级不平衡,并完善模型性能.