一个深度学习模型来区分儿科内生殖细胞瘤亚型和预测MRI的存活率:一个多中心前性研究

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 精确的治疗前分化内生殖细胞瘤 (iGCT) 亚型,包括生殖细胞瘤 (GE) 和非生殖细胞瘤 (NGGCT),由于不同的治疗策略和预后,至关重要.
• 当前的诊断方法可能会从先进的计算工具中受益,以提高准确性和效率.

研究的目的:

• 开发和验证一种称为iGNet的深度学习模型,用于使用治疗前MR T2加权成像来区分iGCT亚型.
• 评估模型的诊断性能及其对神经放射学家诊断准确性的影响.
• 评估iGNet预测无进展和整体生存的能力.

主要方法:

• 该iGNet模型是使用nnUNet架构在280名病理确诊iGCT患者 (83名GE,117名NGGCT) 的回顾性数据集上开发的.
• 用内部和外部测试数据集的接收器操作特征曲线 (AUC) 下的面积来评估诊断性能.
• 该研究比较了神经放射学家的诊断性能,包括iGNet辅助和无iGNet辅助,并评估了生存预测能力.

主要成果:

• 在四个测试数据集中,iGNet表现出高诊断性能,AUC从0.869到0.950不等.
• 来自iGNet的帮助显著改善了神经放射学家的诊断AUC,提高了9.22%至17.90%.
• 与病理诊断相比,iGNet的生存预测没有显著差异 (P=.889).

结论:

• 该iGNet模型有效地区分iGCT亚型,使用治疗前的MRI成像.
• iGNet促进预后评估,并支持为iGCT患者制定定制的治疗策略.
• 这种深度学习方法提高了诊断准确性,并有可能改善患者的治疗结果.