使用动态敏感性对比MRI与深度学习在162个质瘤中识别IDH和TERTp突变

科学领域:

• 神经瘤学神经瘤学
• 医学成像医学成像
• 机器学习 机器学习

背景情况:

• 异酸脱酶 (IDH) 和端粒酶逆转录酶基因促进体 (TERTp) 突变在质瘤生物学中至关重要.
• 目前用于识别这些突变的方法需要侵入性瘤组织活检.
• 术前识别这些遗传变异对于最佳的治疗计划至关重要.

研究的目的:

• 通过对相对脑血量 (rCBV) 图像的深度学习来预测质瘤中的IDH和TERTp突变子组.
• 探索DSC-MRI获得的rCBV信息对于非侵入性质瘤亚型的有用性.

主要方法:

• 从DSC-MRI数据生成rCBV图像. 这是一个非常好的方法.
• 经典机器学习算法的应用到细分瘤特征.
• 预先训练的卷积神经网络 (CNNs) 的训练,包括关注型模型,在rCBV和解剖图像上进行突变子组分类.

主要成果:

• 经典机器学习的准确性达到IDH高达83%,TERTp高达68%,只有TERTp的子组高达76%.
• 具有注意力门的最佳CNN模型在IDH突变子组中达到88%的准确率,在TERTp突变子组中达到70%,在TERTp单独子组中达到84%.
• 该CNN模型显示出高灵敏度和特异性,特别是对于IDH突变子组.

结论:

• 动态灵敏度对比MRI (DSC-MRI) 可以有效地用于质瘤中IDH和TERTp分子子组的非侵入性分类.
• 这种非侵入性方法有助于在手术前识别关键的基因变异,从而改善患者的治疗.
• 深度学习模型,特别是具有注意力门的CNN,在预测MRI数据中的质瘤突变状态方面显示出显著的希望.