深度学习和传统放射学预测IDH基因定型状态基于磁共振成像数据在成年扩散质瘤
Hongjian Zhang1, Xiao Fan2, Junxia Zhang2
1Department of Medical Informatics, School of Biomedical Engineering and Informatics, Nanjing Medical University, Nanjing, Jiangsu, China.
Frontiers in oncology
|September 15, 2023
概括
后勤回归有效地预测了使用深度学习 (DL) 签名的扩散性结质瘤中的异酸脱酶 (IDH) 状态,优于传统的放射学 (CR) 特性,改善了患者的预后.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 准确的手术前确定异酸脱酶 (IDH) 状态对于管理成人扩散质瘤,指导手术决策和预测患者结果至关重要.
- 集成先进的计算技术,如深度学习 (DL) 和传统的放射学 (CR) 提供了在神经瘤学中提高诊断准确性的潜力.
研究的目的:
- 确定最佳的机器学习模型来预测成年扩散性结质瘤中的IDH基因型.
- 为了评估DL签名和CR特征与单个特征集的联合预测性能.
主要方法:
- 分析了486名成年扩散性质瘤患者的回顾性队列,使用来自医疗中心和癌症基因组图谱 (TCGA) 的数据.
- 从四种MRI模式 (T1WI,T1CE,T2WI,FLAIR) 中提取了常规放射学 (CR) 特性,并使用LASSO算法进行了选择.
- 使用CNN+LSTM网络提取深度学习 (DL) 功能,集成到DL签名中,并通过嵌套的10倍交叉验证与CR功能相结合,用于通过嵌套的10倍交叉验证进行机器学习模型训练和验证.
主要成果:
- 与其他模型相比,物流回归 (LR) 显示出优异的预测性能 (AUC: 0.920 ± 0.043,准确度: 0.843 ± 0.044) 和稳定性 (RSDAUC: 4.7%).
- 在子组分析中,DL特征 (AUC: 0.915 ± 0.054) 显著超过了CR特征 (AUC: 0.830 ± 0.066).
- 与单独的DL签名相比,DL和CR特征的组合并没有产生明显不同的结果.
结论:
- 后勤回归是一种非常有前途的机器学习模型,用于成年扩散质瘤的IDH基因定型.
- 与传统的放射学特征相比,深度学习签名提供了优越的预测值和IDH状态的区分能力.
- 这些发现支持在临床实践中使用基于DL的成像生物标志物进行非侵入性IDH基因定型.
