在垂体神经内分泌瘤中使用基于多参数MRI的放射学分析识别乳腺瘤
Hongxia Li1, Zhiling Liu2, Fuyan Li3
1Department of Radiology, The Second Hospital of Shandong University, No.247 Beiyuan Road, Jinan, 250033, China.
Journal of imaging informatics in medicine
|June 6, 2024
概括
机器学习和放射学使用MRI准确预测垂体瘤亚型. 这种方法有助于手术前的分类,提高了垂体神经内分泌瘤 (PitNETs) 的诊断准确度.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 精确的手术前组织学亚型化垂体神经内分泌瘤 (PitNETs) 对于治疗规划至关重要.
- 目前的诊断方法通常依赖于手术后的病理检查,延迟了最终的治疗策略.
- 多参数磁共振成像 (MRI) 为非侵入性瘤特征提供了丰富的数据.
研究的目的:
- 评估在多参数MRI上使用机器学习和放射学的可行性,以便在手术前预测PitNET组织学亚型.
- 开发和验证PitNET的多类 (六个子类型) 和二进制 (PRL与非PRL) 分类模型.
- 为了提高预测准确度,构建一个临床放射学名图.
主要方法:
- 来自四个医疗中心的1206名PitNET患者的回顾性分析 (2016年1月 - 2022年5月).
- 使用cfVB-Net深度学习模型在多参数MRI上的PitNET的自动细分.
- 放射学特征的提取,放射学分数 (Radscore) 的计算,以及高斯过程 (GP) 机器学习分类器的应用.
- 开发一个临床放射学名图集临床因素和Radscores使用后勤回归.
主要成果:
- 自动化细分模型实现了0.888.88的平均子相似系数.
- 使用T2WI的GP模型在多分类中显示了最高的ROC曲线下的面积 (AUC) (0.711在外部测试集中).
- 在GP模型中,T2WI和对比度增强的T1WI的组合在二元分类方面表现强 (外部测试组中的AUC为0.791).
- 临床放射学名录识别了Radscores和Hardy等级作为PRL表达的显著预测因素.
结论:
- 机器学习和多参数MRI的放射学分析对于PitNET组织学亚型的术前预测是有效的.
- 开发的模型和名图显示了显著的临床应用价值,可以改善手术前的诊断准确性.
- 这种非侵入性方法可以帮助为患有PitNETs的患者制定个性化治疗策略.
