同时预测基67和PIT-1表达在垂体腺瘤使用不同的放射学模型
Fangzheng Liu1, Yuying Zang2, Limei Feng2
1Department of Neurosurgery, Beijing Tiantan Hospital, Capital Medical University, No.119 South Fourth Ring West Road, Fengtai District, 100070, Beijing, China.
Journal of imaging informatics in medicine
|May 15, 2024
概括
这项研究开发了一种深度学习放射学 (DLR) 模型,用于预测海马体腺瘤 (PA) 中的Ki67和PIT-1表达. 与经典的机器学习和深度学习模型相比,DLR模型表现出卓越的性能.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 生物医学成像技术 生物医学成像技术
背景情况:
- 垂体腺瘤 (PAs) 是常见的瘤,需要精确的手术前评估.
- 预测Ki67和垂体转录因子1 (PIT-1) 表达对于PA管理至关重要.
- 目前用于预测这些标记物的手术前方法是有限的.
研究的目的:
- 开发和评估放射学模型,用于在下垂体腺瘤中预先预测高Ki67和阳性PIT-1表达.
- 为了比较经典机器学习 (CML),深度学习 (DL) 和深度学习放射学 (DLR) 模型的性能.
主要方法:
- 对247名患有PAS的患者进行了回顾性分析.
- 从T1WI,T1CE和T2WIMRI序列中提取成像特征.
- 使用选定的特征开发CML,DL和DLR模型.
- 使用AUC,灵敏度,特异性,精度,NPV和PPV评估模型性能.
主要成果:
- DLR模型使用了107个选定的功能,性能优于CML和DL模型.
- 在测试组中,DLR模型实现了0.827的AUC,灵敏度,特异性,精度,NPV和PPV分别为0.792,0.800,0.796,0.800和0.792.
- 为了协助临床决策,构建了一个DL放射性名图 (DLRN).
结论:
- 与CML和DL模型相比,DLR模型在同时预测PA中的Ki67和PIT-1表达方面表现出更高的有效性.
- 放射学,特别是DLR,提供了一个有前途的非侵入性方法,用于手术前分层的垂体腺瘤.
