基于深度学习的整体存活预测在患有质母细胞瘤的患者:一个自动端到端的工作流程,使用切割前的基本结构多参数MRI
Zi Yang1, Aroosa Zamarud2, Neelan J Marianayagam2
1Department of Radiation Oncology, Stanford University School of Medicine, Stanford, CA, USA; Department of Radiation Oncology, University of Texas Southwestern Medical Center, Dallas, TX, USA.
Computers in biology and medicine
|December 5, 2024
概括
这项研究引入了一种深度学习工作流程,用于使用MRI扫描预测质母细胞瘤存活率. 该模型准确地将患者分为生存组,帮助临床决策.
科学领域:
- 放射学和瘤学 放射学和瘤学
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
背景情况:
- 质母细胞瘤 (GBM) 的预后不佳,需要准确的早期生存预测,以便及时治疗.
- 当前的预测方法往往缺乏自动化和效率.
- 基本的结构多参数磁共振图像 (Bas-mpMRI) 提供了有价值的诊断信息.
研究的目的:
- 开发和评估基于深度学习 (DL) 的端到端工作流程,用于预测GBM患者的整体存活率 (OS).
- 使用切割前的Bas-mpMRIs进行自动生存预测.
- 在独立的多机构和机构数据集上验证工作流程.
主要方法:
- 开发了一个DL工作流程,包括头骨剥离,GBM子区域细分和OS预测的集体学习.
- 使用多机构数据集 (MICCAI BraTS 2020) 进行工作流程开发和初始验证.
- 评估了来自前性SRS临床试验的独立机构数据集的工作流程.
主要成果:
- 在公共数据集上达到0.86的曲线下面面积 (AUC),在机构数据集上达到0.72,用于将患者分为长 (>12个月) 和短 (<12个月) 存活组.
- 在自动化GBM亚区域细分中证明了高准确性,整个瘤Dice得分为0.91.
- 在不同的Bas-mpMRI协议中展示了稳健性.
结论:
- 基于DL的端到端工作流可用于预测GBM患者的操作系统,使用预切割Bas-mpMRIs.
- 这种自动化方法可能有助于为GBM管理做出及时的临床决策.
- 进一步验证和将其纳入临床实践是有必要的.
