使用MRI扫描预测MGMT促进物甲基化状态? 对深度学习模型进行了广泛的实验评估
Numan Saeed1, Muhammad Ridzuan1, Hussain Alasmawi1
1Department of Machine Learning, Mohamed bin Zayed University of Artificial Intelligence, Abu Dhabi, United Arab Emirates.
Medical image analysis
|October 12, 2023
概括
分析大脑MRI的深度学习模型无法可靠地预测质母细胞瘤中MGMT促进体甲基化状态. 外部验证对于确保AI在癌症诊断中的准确性至关重要.
科学领域:
- 神经瘤学神经瘤学
- 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:
- 深度学习 (DL) 对医学诊断有希望,但临床疗效往往没有得到证实.
- 质母细胞瘤治疗反应受到MGMT促进体甲基化的影响,通常通过侵入性活检确定.
- 使用MRI进行MGMT甲基化状态的非侵入性预测可以改善质母细胞瘤患者的管理.
研究的目的:
- 为了评估深度学习模型在预测MGMT促进体甲基化状态的性能,从质母细胞瘤MRI扫描.
- 使用可解释性技术和大量数据集评估这些AI模型的可靠性.
主要方法:
- 利用了585个质母细胞瘤MRI扫描的大型公共数据集.
- 应用各种深度学习算法来预测MGMT促进体甲基化状态.
- 采用Grad-CAM,遮蔽灵敏度,特征可视化和训练损失景观,以实现模型的可解释性.
主要成果:
- 在深度学习模型预测和实际的MGMT促进剂甲基化状态之间没有发现显著的相关性.
- 可解释性技术没有从MRI数据中揭示可靠的预测模式.
结论:
- 当前的深度学习模型,当应用于MRI扫描时,无法准确预测质母细胞瘤中MGMT促进体甲基化状态.
- 外部队列数据和严格的验证对于确保AI诊断工具在瘤学中的可靠性至关重要.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.1K
09:06Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRI—Application in Premanifest Huntington's Disease
Published on: June 9, 2018
12.2K
