多模式深度学习改善了儿科低度质瘤复发风险预测
Maryamalsadat Mahootiha1,2,3,4, Divyanshu Tak3,4, Zezhong Ye3,4
1Faculty of Medicine, University of Oslo, Oslo, Norway.
Neuro-oncology
|August 30, 2024
概括
对MRI特征的深度学习 (DL) 提高了对儿科低度质瘤复发的预测. 结合成像和临床数据的多式DL模型为这些脑瘤提供了优越的风险分层.
科学领域:
- 神经瘤学神经瘤学
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
背景情况:
- 儿科低度质瘤 (pLGGs) 在使用常规因子预测术后复发方面存在挑战.
- 需要新的方法来改善手术后PLGGs的风险分层.
研究的目的:
- 调查深度学习 (DL) 应用到磁共振成像 (MRI) 瘤特征的实用性,以提高pLGGs的术后风险分层.
- 将DL衍生成像特征的预测性能与临床和多式模式模型进行比较.
主要方法:
- 使用预训练的DL工具,从两个机构的pLGG患者的手术前T2加权MRI扫描中提取成像特征.
- 训练了三个DL物流危险模型:仅临床特征,仅DL-MRI特征和多式 (临床+DL-MRI特征).
- 用时间依赖的协同指数 (Ctd) 和卡普兰-梅尔分析来评估风险组分层的模型性能.
主要成果:
- 与DL-MRI (0.79) 和临床模型 (0.72) 相比,多式DL模型显示出优异的无事件生存 (EFS) 预测 (Ctd:0.85).
- 多式模式显著改善了风险分层,区分高风险 (3年EFS: 31%) 和低风险 (92%) 组 (P < .0001).
- 总共分析了396名患者,平均随访时间为85个月;28%的患者出现了复发.
结论:
- 深度学习有效地从MRI中提取图像特征,这些特征对预测PLGG复发有信息.
- 综合成像和临床数据的多模式DL模型显著提高了pLGGs的术后风险分层.
- 用更大,多中心数据集进行进一步验证可能是必要的,以提高这些预测模型的通用性.
