相关实验视频
Updated: Jul 3, 2026
08:38
Targeted DNA Methylation Analysis by Next-generation Sequencing
Published on: February 24, 2015
37.1K
基于微调的适应性转移学习,用于识别MGMT促进体甲基化状态
Erich Schmitz1, Yunhui Guo2, Jing Wang1
1Advanced Imaging and Informatics for Radiation Therapy (AIRT) and Medical Artificial Intelligence and Automation (MAIA) Laboratory, Department of Radiation Oncology, University of Texas Southwestern Medical Center, Dallas, TX, United States of America.
Biomedical physics & engineering express
|July 19, 2024
概括
一个新的3D SpotTune网络使用MRI扫描改进了使用MRI扫描来预测O6-甲基瓜氨酸-DNA甲基转移酶 (MGMT) 促进剂甲基化状态. 这种自适应转移学习方法与标准方法相比,提高了诊断准确性.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 多形质母细胞瘤 (GBM) 是一种具有不良预后的侵袭性脑瘤.
- O6-甲基氨酸-DNA甲基转移酶 (MGMT) 促进剂甲基化是GBM治疗耐药性的关键预测因子.
- 目前用于确定MGMT甲基化状态的方法具有侵入性和耗时性.
研究的目的:
- 提高转移学习的性能,以预测MGMT促进剂在GBM中的甲基化状态.
- 开发和评估一个具有自适应微调能力的3D SpotTune网络.
- 将SpotTune的性能与使用各种MRI模式随机初始化的网络进行比较.
主要方法:
- 基于ResNet50的3D SpotTune网络被开发用于处理体积MRI数据.
- 三种网络类型进行了比较:3D SpotTune,随机初始化和在Medical.Net上预训练.
- 这些网络在公开的GBM数据集 (240名患者,11种MRI模式) 上进行了培训和评估,使用5倍交叉验证.
主要成果:
- 与随机初始化的网络相比,3D SpotTune网络表现出更高的性能.
- 最好的SpotTune模型实现了AUC为0.6604,AP为0.6179,灵敏度为0.6667和特异性为0.6061.
- 在SpotTune中的自适应微调提高了MGMT甲基化状态的预测准确性.
结论:
- SpotTune提供一种自适应转移学习方法,用于预测GBM患者的MGMT甲基化状态.
- 这种方法通过使用标准的手术前MRI扫描来提高诊断性能.
- 在GBM中,SpotTune为预测治疗反应提供了一个有希望的,不那么侵入性的替代方案.
