使用基于MRI的深度学习方法识别来自肺癌的大脑转移的病态亚型:一个多中心研究
Yuting Li1,2, Ruize Yu3, Huan Chang1
1Department of Radiology, The First Affiliated Hospital of Shandong First Medical University & Shandong Provincial Qianfoshan Hospital, No. 16766 Jingshi Road, Qianfoshan Hospital, Shandong, Jinan, China.
Journal of imaging informatics in medicine
|February 12, 2024
概括
通过多参数MRI进行深度学习 (DL),有效地区分肺癌脑转移亚型. 这种人工智能方法对识别小细胞肺癌与非小细胞肺癌以及腺癌与状细胞癌脑转移有希望.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 区分肺癌中脑转移 (BM) 的病理亚型对于治疗规划至关重要.
- 多参数MRI提供丰富的信息,但区分亚型可能具有挑战性.
- 深度学习 (DL) 为复杂的成像数据的自动化分析提供了一个潜在的解决方案.
研究的目的:
- 评估使用深度学习 (DL) 与多参数MRI的可行性,以在肺癌患者中区分脑转移 (BM) 的病理亚型.
- 开发和验证一个AI模型来分类小细胞肺癌 (SCLC) 和非小细胞肺癌 (NSCLC) BMs.
- 评估模型区分腺癌和状细胞癌BMs的能力.
主要方法:
- 在五个医疗中心对来自246名肺癌患者的456名BM进行了回顾性分析.
- 开发一个以注意引导的残留融合网络 (ARFN) 模型,使用五个MRI序列 (T1WI,T2WI,T2-FLAIR,DWI,对比增强T1WI).
- 使用不同的患者队列对DL模型进行内部验证和外部测试,通过ROC曲线下的面积 (AUC) 评估性能.
主要成果:
- 与单序或组合序列模型相比,多参数MRI模型显示出更高的特异性.
- 对于SCLC与NSCLC BMs的分类,该模型实现了0.796 (内部) 和0.751 (外部) 的AUC.
- 为了区分腺癌与状细胞癌的BMs,该模型实现了0.771 (内部) 和0.738 (外部) 的AUC.
结论:
- 深度学习与多参数MRI相结合,显示出识别肺癌脑转移病理类型的显著区分可行性.
- 开发的ARFN模型为亚型分类提供了一个潜在的非侵入性工具,有助于个性化治疗策略.
- 在更大,多样化的队列中进行进一步验证是有必要的,以确认临床效用.
