从成年类型扩散性质瘤的手术前MRI中获得的3D深度学习衍生特征的附加预后价值
Jung Oh Lee1,2, Sung Soo Ahn3, Kyu Sung Choi1,2
1Department of Radiology, Seoul National University Hospital, Seoul, Republic of Korea.
Neuro-oncology
|October 19, 2023
概括
使用3D卷积神经网络 (CNN) 分析的全脑MRI的空间特征显示了扩散性质瘤的独立预后价值. 将成像与临床和分子数据相结合,提供了最好的生存预测.
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:
- 扩散性质瘤是具有可变预后的初级脑瘤.
- 准确的预后标记对于指导治疗策略至关重要.
- 当前的预后模型往往缺乏对成像数据的全面整合.
研究的目的:
- 评估成年型扩散性质瘤中全脑MRI中提取的空间特征的预后意义.
- 开发和验证使用MRI数据进行生存预测的深度学习模型.
- 为了比较基于成像的预后的表现与已建立的临床和分子标记.
主要方法:
- 一项回顾性多中心研究包括1925名分布性质瘤患者在五个数据集中.
- 多通道3DMRI (T1,T2,T2-FLAIR) 数据使用3D适应的SE-ResNeXt模型进行处理.
- 基于深度学习的预后指数 (DPI) 由空间特征衍生出来,以预测整体存活率.
- 考克斯回归和一致性指数 (C指数) 用于模型评估和比较.
主要成果:
- 只有MRI的DPI模型实现了显著的预后价值,C指数为0.709 (SNUH) 和0.677 (Severance).
- DPI被确定为一个独立的预后因素,单独优于临床和分子变量.
- 与使用单个数据类型的模型相比,集成成像,临床和分子数据的多式模式显示出更高的性能 (更高的C指数).
结论:
- 从使用全脑MRI的3DCNN中获得的全球形态特征对扩散性质瘤具有独立的预后价值.
- 整合各种数据类型,包括MRI衍生的空间特征,临床信息和分子遗传学,优化预后准确性.
- 这种人工智能驱动的方法可以提高在扩散性质瘤患者的预测结果.
