通过使用3D卷积神经网络的多模态MRI对质瘤的IDH突变状态进行非侵入性分类
Satrajit Chakrabarty1, Pamela LaMontagne2, Joshua Shimony2
1Department of Electrical and Systems Engineering, Washington University in St. Louis, St. Louis, MO 63130, USA.
Proceedings of SPIE--the International Society for Optical Engineering
|September 11, 2024
概括
这项研究引入了一种深度学习方法,使用MRI扫描来非侵入性地确定质瘤中异酸脱酶 (IDH) 突变状态. 这种方法提供了一个更安全的,手术前替代侵入性活检,以更好地规划治疗.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 质瘤表现出显著的异质性,影响治疗和生存.
- 异酸脱酶 (IDH) 酶突变是这种异质性的关键驱动因素.
- 目前的IDH状态确定依赖于具有局限性的侵入性方法.
研究的目的:
- 开发一种基于深度学习的非侵入性方法,用于在手术前对质瘤的IDH突变状态进行分类.
- 为了利用体积MRI数据和瘤表型特征来预测IDH状态.
- 创建一个模型,同时检测,分段,并根据IDH状态分类质瘤.
主要方法:
- 使用了一个3D Mask R-CNN深度学习架构.
- 该模型同时进行质瘤检测,细分和IDH状态分类.
- 在223个公开案件中接受了培训,在TCGA (62个案例) 和WUSM (261个案例) 数据集中得到了验证.
主要成果:
- 实现了0.83 (TCGA) 和0.87 (WUSM) 的接收器操作特征曲线 (AUROC) 下的面积.
- 实现了0.78 (TCGA) 和0.79 (WUSM) 的精度回忆曲线 (AUPRC) 下的面积.
- 该模型是分级不可知的,并且在常规MRI序列上运行.
结论:
- 拟议的深度学习模型准确地预测了IDH突变状态的非侵入性.
- 这种方法可以进行手术前的"虚拟活检",有助于治疗计划.
- 它有可能改善患者的治疗结果和质瘤患者的存活率.
