通过可解释的人工智能模型,多中心研究初级中枢神经系统淋巴瘤和质母细胞瘤之间的术前区分
Yun-Feng Yang1,2, Endong Zhao3,4, Yutong Shi5
1Laboratory for Medical Imaging Informatics, Shanghai Institute of Technical Physics, Chinese Academy of Sciences, Shanghai, 200083, China.
Neuroradiology
|September 3, 2024
概括
一个新的Max-Fusion模型在MRI扫描上结合了深度学习和放射学,显著改善了从质母细胞瘤 (GBM) 区分初级中枢神经系统淋巴瘤 (PCNSL). 这种融合方法提高了诊断准确度,为更好的患者治疗策略提供了帮助.
科学领域:
- 神经瘤学神经瘤学
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
背景情况:
- 在初级中枢神经系统淋巴瘤 (PCNSL) 和质母细胞瘤 (GBM) 之间进行准确的手术前区分对于有效的治疗计划至关重要.
- 磁共振成像 (MRI) 是评估脑瘤的一个关键模式,但区分PCNSL和GBM可能是具有挑战性的.
- 深度学习和放射学为提高神经瘤学诊断准确性提供了有希望的途径.
研究的目的:
- 评估深度学习,放射学和综合模型的有效性,使用MRI进行PCNSL和GBM的手术前分化.
- 探索这些预测模型的可解释性.
- 开发一个最佳的模型,以提高诊断性能.
主要方法:
- 两家医疗中心261名患者的MRI数据的回顾性分析.
- 使用Pyradiomics提取放射性特征以创建放射学模型.
- 深度学习模型的培训:基于变压器的MobileVIT和基于CNN的ConvNeXt.
- 放射学和深度学习模型的融合使用后期融合来创建一个Max-Fusion模型.
- 使用SHAP和Grad-CAM进行可解释性分析.
主要成果:
- 在外部测试组中,Max-Fusion模型实现了0.92的最高曲线下面积 (AUC).
- 在MobileVIT和ConvNeXt模型中,AUC分别为0.91和0.89.
- 放射学模型实现了0.86.6的AUC.
- 在Max-Fusion模型和Radiomics模型 (P=0.02) 之间观察到AUC的显著差异.
结论:
- 与单个模型相比,Max-Fusion模型在区分PCNSL和GBM方面表现出卓越的性能.
- 模型融合是提高医疗应用中的诊断决策的有效策略.
- 准确的手术前分化有助于临床医生选择最佳的治疗方案和管理策略.
