在儿科神经母细胞瘤中预测MYCN基因放大:开发基于深度学习的工具,用于自动瘤细分和基于计算机断层扫描的放射学特征的比较分析和化

科学领域:

• 放射学和瘤学 放射学和瘤学
• 人工智能在医学中的应用
• 医学成像分析 医学成像分析

背景情况:

• 在神经母细胞瘤中,MYCN基因放大是关键的预后指标.
• 准确的MYCN状态对于指导治疗决策和改善患者结果至关重要.
• 目前用于MYCN状态评估的方法可能是侵入性的或耗时的.

研究的目的:

• 为儿童神经母细胞瘤瘤细分开发一个自动化的深度学习框架.
• 从CT扫描中提取的放射学特征使用MYCN基因放大状态进行分类.
• 建立一个端到端的管道,以改善神经母细胞瘤风险分层.

主要方法:

• 利用47例儿科神经母细胞瘤病例的对比增强CT扫描.
• 实现了修改后的U-Net,用于自动化瘤细分.
• 提取了放射性纹理特征,并应用了ComBat对扫描器变异性的协调.
• 采用集体和阶段逻辑回归方法来进行特征选择和MYCN分类,使用机器学习.

主要成果:

• 经过修改的U-Net获得了0.728 (训练) 和0.680 (测试) 的中位数.
• 确定的主要放射性特征包括NGTDM忙碌度,NGTDM强度和GLRLM变异.
• 性能最好的分类模型实现了97%的加权F1得分,96.9%的AUC和96.97%的准确性.
• 协调使各分类器的分类准确度提高了2-3%.

结论:

• 拟议的深度学习框架准确地对儿童神经母细胞瘤中MYCN基因放大状态进行了分类.
• 这种自动化方法为风险评估和临床决策支持提供了一种非侵入性方法.
• 这项研究证明了人工智能驱动的放射学在改善神经母细胞瘤管理方面的潜力.