使用基于深度学习的多参数磁共振成像分析预测周围质母细胞瘤透和随后的复发
Sunwoo Kwak1,2, Hamed Akbari3, Jose A Garcia1,2
1University of Pennsylvania, Perelman School of Medicine, Department of Radiology, Philadelphia, Pennsylvania, United States.
Journal of medical imaging (Bellingham, Wash.)
|September 2, 2024
概括
这项研究开发了一个深度学习模型,使用多参数MRI扫描来预测质母细胞瘤 (GBM) 透. 人工智能准确地识别了侵入性瘤细胞,改善了对侵略性脑瘤的手术规划.
科学领域:
- 神经瘤学神经瘤学
- 医学成像分析分析 医学成像分析
- 医学中的人工智能
背景情况:
- 质母细胞瘤 (GBM) 是一种侵略性的脑瘤,需要精确的手术切除.
- 恶性细胞透到可见的瘤边界之外,使治疗复杂化.
- 当前的机器学习方法需要广泛的专家注释进行培训.
研究的目的:
- 开发一种人工智能模型,用于预测GBM透在周围部区域.
- 增强GBM患者的手术规划和治疗策略.
- 克服传统机器学习的局限性,需要专家绘制的感兴趣区域.
主要方法:
- 使用深度学习方法与数据增强用于培训.
- 将模型应用于229名患者的手术前多参数MRI扫描.
- 在多个机构中进行 robust 模型评估的 Employee leave-one-site-out 交叉验证.
主要成果:
- 该模型使用mpMRI数据准确预测瘤透.
- 在六个机构实现了高绩效,证明了可通用性.
- 沃克塞尔智能赔率比率从8.13到19.48不等,表明强大的预测能力.
结论:
- 对mpMRI的深度学习分析可以在没有专家ROI图纸的情况下预测GBM透.
- 该模型显示在各种患者队列和机构中具有显著的概括性和可重复性.
- 这种方法有助于有针对性的超总切除和优化辅助疗法.
