从非增强性结质瘤中识别IDH突变和1p/19q非编码切除的星细胞瘤:手动识别,然后通过人工智能识别识别
Lei He1, Hong Zhang1, Tianshi Li1
1Department of Neurosurgery, Beijing Tiantan Hospital, Capital Medical University, Beijing, People's Republic of China.
Neuro-oncology advances
|February 26, 2024
概括
T2-FLAIR不匹配标志 (T2FM) 对星细胞瘤具有高度特异性,但并不总是存在. 一种支持向量机 (SVM) 模型有效地识别了缺乏T2FM的质瘤中的星细胞瘤,提高了诊断准确度.
科学领域:
- 神经瘤学神经瘤学
- 放射学 放射学是一门学科.
- 机器学习在医学中的应用
背景情况:
- T2-FLAIR不匹配标志 (T2FM) 对IDH突变的高特异性,1p/19q非代码切除的天体细胞瘤.
- 然而,T2FM仅在18.2%-56.0%的星系细胞瘤中存在,需要使用替代的诊断方法.
- 区分星系细胞瘤和没有T2FM的质瘤对于准确的诊断和治疗至关重要.
研究的目的:
- 开发和验证一种方法来区分星系细胞瘤与非增强性质瘤,特别是那些对T2FM信号负的质瘤.
- 为了评估支持矢量机 (SVM) 分类模型与手动T2FM选相结合的有效性.
主要方法:
- 在非增强性质瘤队列中手动识别阳性T2FM质瘤.
- 应用支持矢量机 (SVM) 分类模型,利用放射学特征来区分星细胞瘤与负T2FM结质瘤.
- 使用独立的培训和验证数据集验证SVM模型.
主要成果:
- 在训练和验证组中,T2FM标志保持了对星系细胞瘤的100%特异性.
- 在SVM模型中,在T2FM阴性质瘤中识别星细胞瘤的准确率达到了>85% (预测得分>0.70).
- 在SVM模型中,在阴性T2FM质瘤中识别非细胞瘤的准确率达到了95%以上 (预测得分<0.30).
结论:
- 将手动T2FM查与SVM分类模型相结合,为在非增强性质瘤中发现星细胞瘤提供了更有效的方法.
- 这种综合方法提高了天体细胞瘤的诊断准确度,特别是在缺乏T2FM标志的情况下.
