纵向深度神经网络用于在大型开放基准上评估转移性脑癌
Katherine E Link1,2, Zane Schnurman1, Chris Liu1,3
1Department of Neurosurgery, NYU Langone Health, New York, NY, USA.
Nature communications
|September 17, 2024
概括
检测转移性癌症是一项挑战. 一个新的深度学习模型,分段通过时间,使用最大的大脑转移数据集 (NYUMets-Brain),实现最先进的检测和预测生存结果.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在患者一生中跟踪转移性癌症是一个重大的临床挑战.
- 深度学习和大型数据集为检测和监测癌症传播提供了潜在的解决方案.
研究的目的:
- 介绍NYUMets-Brain,这是对脑癌转移的最大纵向真实世界数据集.
- 开发和验证用于检测和细分小脑转移的深度学习模型.
- 评估大脑转移的变化速度对患者生存的预测价值.
主要方法:
- 策划了1429名患者的数据集,包括成像,临床随访和治疗数据.
- 开发了Segmentation-Through-Time,一种利用纵向数据的深度神经网络.
- 对小 (<10 mm3) 转移的检测和细分的评估模型性能.
主要成果:
- 在检测和细分小脑转移方面取得了最先进的结果.
- 证明脑转移的每月变化率强烈预测整体存活率 (HR 1.27).
- 开发的深度学习模型显示了临床应用的巨大潜力.
结论:
- 为了促进进一步的研究,NYUMets-Brain数据集,代码库和模型权重都已发布.
- 细分通过时间模型为大脑转移管理提供了一个强大的工具.
- 长度追踪转移为癌症患者提供了关键的预后信息.
