脑髓母细胞瘤与皮洛细胞性星细胞瘤在人类水平上的区分:现实世界多中心试点研究
Benedikt Wiestler1,2,3, Brigitte Bison3,4,5,6, Lars Behrens3,4,5,6
1Department of Neuroradiology, School of Medicine and Health, Technical University of Munich, 81675 Munich, Germany.
Cancers
|April 27, 2024
概括
一个新的深度学习模型准确地区分了脑髓母细胞瘤和小细胞天体瘤,这两种常见的儿科大脑瘤. 这种人工智能工具在各种MRI数据上进行训练,显示出高诊断准确度,有助于手术前诊断.
科学领域:
- 人工智能在医学中的应用
- 儿科神经瘤学 儿科神经瘤学
- 医学成像分析 医学成像分析
背景情况:
- 脑髓母细胞瘤和皮洛细胞性星细胞瘤是儿童常见的脑瘤.
- 这些瘤通常具有类似的成像特征,使诊断复杂化.
- 准确的手术前分化对于适当的治疗计划至关重要.
研究的目的:
- 开发和验证一种深度学习分类器,用于区分脑髓母细胞瘤和小细胞性星细胞瘤.
- 为了评估模型的表现与人类专家阅读器相比.
- 用异质的手术前MRI数据来评估模型的稳定性.
主要方法:
- 开发了一个基于补丁的3D-DenseNet深度学习分类器.
- 用自动瘤细分来进行特征提取.
- 该模型在195个手术前核磁共振成像 (69个髓母细胞瘤,126个飞细胞瘤) 的多中心数据集上进行了训练,并对64名患者进行了测试.
主要成果:
- 深度学习分类器在测试组中实现了0.986的曲线下的面积 (AUC).
- 该模型正确诊断了97% (62/64) 的病例,每个瘤类型只有一次错误分类.
- 分类器的表现与专家神经放射学家相当,并且明显优于经验较少的读者.
结论:
- 深度学习与自动细分相结合,提供了一种可靠的方法,用于在手术前区分脑髓母细胞瘤和囊性星细胞瘤.
- 该模型在处理来自多个机构的异质成像数据方面表现出了稳健性.
- 这种人工智能方法有可能提高诊断准确度,并支持儿科神经瘤学中的临床决策.
