质母细胞瘤和放射治疗:从MRI (GRASP研究) 获得生存预测的多中心AI研究

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:

• 放射治疗后的质母细胞瘤生存预测对于治疗计划至关重要.
• 评估放射治疗和辅助性temozolomide后的结果至关重要.
• 目前的预后方法可能无法充分利用治疗后成像数据.

研究的目的:

• 开发和验证一种深度学习模型,用于预测放射治疗后8个月内质母细胞瘤存活率.
• 为了评估使用早期治疗后大脑MRI扫描用于生存预测的疗效.
• 为质母细胞瘤患者建立预后生物标志物.

主要方法:

• 收集了来自英国11个中心的206名质母细胞瘤患者的回顾性和前性数据.
• 训练有素的深度学习模型使用T2加权和对比增强的T1加权MRI序列.
• 整合了非成像数据 (人口统计,MGMT状态,治疗) 和研究了预训练模型.

主要成果:

• 深度学习成像模型在预测存活率方面明显优于非成像模型.
• 模型在内部和外部验证集的接收器操作特征曲线 (AUC) 下实现了高面积.
• 预训成像模型使用大脑MRI的大数据集,大大提高了性能.

结论:

• 使用放射治疗后MRI扫描的深度学习模型可靠地预测质母细胞瘤存活率.
• 该模型作为预后生物标志物,识别需要加强或替代治疗策略的患者.
• 这些发现支持使用人工智能驱动的成像分析来进行个性化质母细胞瘤管理.