超越手工制作的特征用于儿科低度质瘤的治疗前分子状态识别
Kareem Kudus1,2, Matthias W Wagner3,4, Khashayar Namdar1,2
1Neurosciences & Mental Health Research Program, The Hospital for Sick Children, Toronto, Canada.
Scientific reports
|August 17, 2024
概括
使用放射学和卷积神经网络 (CNN) 的组合模型准确地识别了儿科低度质瘤 (pLGGs) 的分子状态. 这种方法超越了个人放射学或CNN模型,用于pLGG的非侵入性遗传状态确定.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 儿科低度质瘤 (pLGGs) 的治疗需要分子状态的确定.
- 使用基于MRI的放射学或卷积神经网络 (CNN) 可以实现对pLGGs遗传变化的非侵入性识别.
研究的目的:
- 开发和评估一个结合放射学和CNN模型,用于pLGGs的非侵入性分子状态识别.
- 将组合模型的性能与独立的放射学和CNN模型进行比较.
主要方法:
- 对336名PLGG患者 (1999-2018) 的T2-FLAIRMR图像进行了回顾性分析.
- 开发一个CNN模型,一个随机森林放射学模型和一个联合放射学-CNN模型.
- 调查CNN从MRI图像中预测放射性特征的能力.
主要成果:
- 联合放射学-CNN模型的平均AUC为0.824,超过放射学模型 (0.802) 和CNN模型 (0.764).
- 模型之间的性能差异具有统计学意义 (p < 0.05).
- CNNs成功地学习了一些放射性特征,但未能学习其他特征,这表明完全捕捉手工制作特征的局限性.
结论:
- 与单个方法相比,联合放射学和CNN方法在非侵入性PLGG遗传状态差异化方面提供了更高的性能.
- CNN在学习预测性放射性特征方面显示出潜力,但无法完全复制所有手工制作的放射性信息.
