改善儿童低级质瘤分子亚型识别的深度学习模型,使用基于MRI的瘤位置3D概率分布进行分子亚型识别
Khashayar Namdar1,2,3,4, Matthias W Wagner1,5,6, Kareem Kudus1,2,3
1Division of Neuroradiology, Department of Diagnostic & Interventional Radiology, The Hospital for Sick Children (SickKids), Toronto, ON, Canada.
概括
这项研究通过使用MRI和AI改进了小儿低度质瘤 (pLGG) 的分子诊断. 将瘤位置数据与卷积神经网络 (CNN) 集成,显著提高了plgg亚型的诊断准确性.
科学领域:
- 神经瘤学神经瘤学
- 医学成像医学成像
- 医学中的人工智能.
背景情况:
- 儿科低度质瘤 (pLGG) 是最常见的儿科脑瘤.
- 准确的pLGG分子诊断对于有针对性的治疗策略至关重要.
- 目前的诊断方法可以通过先进的成像和计算技术来改进.
研究的目的:
- 开发和评估基于MRI的卷积神经网络 (CNN),用于pLGG的分子亚型识别.
- 用瘤位置概率图来增强CNN模型,以提高诊断性能.
- 为了比较基于位置的,基于CNN的和混合的方法对PLGG分子诊断的有效性.
主要方法:
- 从214名患有PLGG的儿科患者的MRI FLAIR序列的回顾性分析.
- 三种诊断管道的开发:基于位置的,基于CNN的和混合的 (瘤位置引导的CNN).
- 使用接收器操作特征曲线 (AUROC) 下的面积和100次重复的学生t测试进行统计验证.
主要成果:
- 基于位置的分类器获得了77.9.9的AUROC.
- 基于CNN的分类器达到AUROC的86.1.1.
- 瘤位置引导的CNN表现出卓越的性能,平均AUROC为88.64 (p=0.0018).
结论:
- 将瘤位置概率图纳入CNN模型显著改善了PLGG中的分子亚型识别.
- 这种混合方法为诊断儿科低度质瘤提供了更准确,更可靠的方法.
- 提高诊断准确度有助于更精确,更有针对性的治疗儿科脑瘤.
更多相关视频
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
09:09Laser Capture Microdissection of Glioma Subregions for Spatial and Molecular Characterization of Intratumoral Heterogeneity, Oncostreams, and Invasion
Published on: April 12, 2020
6.8K