开发和常规实施深度学习算法用于MRI上自动脑转移细分的深度学习算法,用于RANO-BM标准的随访

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 目前用于大脑转移 (BM) 评估的RANO-BM标准由于病变异质性而耗时且不完美.
• 在常规实践中,临床试验很少完全符合RANO-BM标准.
• 准确有效地监测BM对于患者的管理和临床试验的成功至关重要.

研究的目的:

• 开发和验证一种人工智能解决方案,用于在MRI上划分大脑转移 (BM).
• 通过内部AI工具,使RANO-BM标准和BM体积的简单和常规获取成为可能.
• 在临床环境中克服手动RANO-BM评估的局限性.

主要方法:

• 开发了一个使用UNETR转移学习方法的深度学习 (DL) 模型.
• 该模型在27456个Gadolinium-T1后MRI扫描中接受了训练和验证,这些扫描来自132名BM患者.
• 使用PyTorch和PyTorch闪电框架进行模型构建.

主要成果:

• 与专家评估相比,AI模型在预测RANO-BM标准方面实现了100%的准确性.
• 人工智能和专家细分之间存在很高的重叠,平均DICE分数为0.77.
• 人工智能衍生出的BM病变的直径和体积测量与参考细分一致.

结论:

• 公司内部开发的深度学习解决方案提供了有效的BM细分和RANO-BM标准评估.
• 人工智能工具可以大大节省时间,并且可以在没有人工智能专业知识的情况下使用.
• 这种解决方案促进了常规的临床应用,并改善了对大脑转移的监测.