基于多参数MRI的MGMT促进剂甲基化预测,通过视觉图神经网络进行了多参数MRI预测
Mingzhe Hu1,2, Kailin Yang3, Jing Wang1
1Emory University, Department of Radiation Oncology and Winship Cancer Institute, Atlanta, Georgia, United States.
Journal of medical imaging (Bellingham, Wash.)
|February 19, 2024
概括
一个新的深视图神经网络 (ViG) 模型使用MRI非侵入性地预测O6-甲基氨酸-DNA甲基转移酶 (MGMT) 促进剂在质母细胞瘤中的甲基化状态. 这种自动化方法为治疗计划提供了更高的准确性.
科学领域:
- 神经瘤学神经瘤学
- 放射基因组学是指放射基因组学.
- 人工智能在医学中的应用
背景情况:
- 质母细胞瘤 (GBM) 是一种具有攻击性的脑瘤.
- O6-甲基氨酸-DNA甲基转移酶 (MGMT) 促进剂甲基化状态是GBM治疗的关键生物标志物.
- 目前评估MGMT甲基化的标准方法包括侵入性组织活检和DNA测序.
研究的目的:
- 开发和验证一种非侵入性,自动化的方法,使用医学成像来预测MGMT促进物甲基化状态.
- 提高MGMT甲基化状态评估的效率和准确性.
主要方法:
- 开发了一个深视图神经网络 (ViG) 模型.
- 该模型使用了多参数磁共振成像 (MRI) 数据.
- 通过使用583例患者病例的数据集,将ViG模型的性能与已建立的放射遗传学分类方法进行比较.
主要成果:
- 性能最好的ViG模型,整合了流体减弱倒置恢复 (FLAIR),T1加权前对比 (T1w) 和T2加权 (T2) MRI序列,实现了0.628.2的曲线下的面积 (AUC).
- 这种多序合的融合方法在AUC得分上表现出了统计学上显著的改善,与使用单个MRI序列的模型相比.
- 该模型在预测MGMT促进剂甲基化状态方面表现优于之前的挑战获胜模型.
结论:
- 开发的ViG模型提供了一种优越的,非侵入性的方法来预测MGMT促进剂在GBM中的甲基化状态.
- 医学图像的图形表示有效地处理复杂性和不规则性,提高预测准确性.
- 这项工作建立了一个自动管道,用于二次验证MGMT甲基化状态,以帮助临床决策.
