基于机器学习的脑髓母细胞瘤自动图像细分和在线生存预测模型
Lili Zhou1, Qiang Ji1, Hong Peng2
1Cancer Center, Beijing Tiantan Hospital, Capital Medical University, No. 119, Nansihuan West Road, Fengtai District, Beijing, 100070, China.
European radiology
|November 23, 2023
概括
结合放射学和临床数据的新模型改善了脑髓母细胞瘤 (MB) 患者的生存预测. 一个人工智能驱动的细分工具还简化了瘤划分,节省了癌症护理的时间和资源.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 脑髓母细胞瘤 (MB) 是一种主要的大脑瘤,预后可变.
- 准确的生存预测对于治疗计划和患者管理至关重要.
- 放射学和深度学习为改善预后建模提供了潜力.
研究的目的:
- 开发一个集成放射学和临床特征的动态名谱,用于估计MB患者的整体生存期 (OS).
- 创建一个自动化的MRI图像分割模型用于瘤划分,以减少劳动力和时间成本.
主要方法:
- 对217名MB患者的数据进行了回顾性分析.
- 使用类内相关系数 (ICC),随机生存森林 (RSF) 和LASSO回归的变量选择.
- 使用考克斯比例危险和卡普兰-梅尔分析进行预测模型的开发.
- 使用3D-Unet深度学习架构开发自动瘤细分模型.
主要成果:
- 与放射学 (C-index = 0.738) 或单独临床特征 (C-index = 0.565) 相比,联合放射学和临床模型显示出更高的OS预测准确性 (C-index = 0.747).
- 较高的Rad分数与较差的OS有显著的关联 (训练中p < 0.001,验证中p = 0.047).
- 3D-Unet模型在培训,验证和测试集中的细分分别实现了0.80,0.82和0.78的平均子系数.
结论:
- 将放射学特征与临床特征相结合,显著提高了脑髓母细胞瘤总生存预测的准确性.
- 一个自动化的MRI图像分割模型有效地减少了与瘤划分相关的时间和劳动力成本.
- 开发的AI系统有助于临床医生预后估计,支持神经瘤学领域的精准医学倡议.
