一个多模式的深度学习模型用于预测Ki-67对于使用预处理MRI图像的脑膜瘤
Chaoyue Chen1, Yanjie Zhao1, Linrui Cai2
1Department of Neurosurgery, West China Hospital, Sichuan University, West China Hosptial, No. 37, GuoXue Alley, Chengdu, China.
NPJ precision oncology
|January 21, 2025
概括
一种新型深度学习模型使用基线MRI扫描准确预测脑膜瘤患者的Ki-67状态和瘤生长. 该工具有助于个性化患者管理和早期检测瘤体积变化.
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:
- 脑膜瘤是常见的原发性脑瘤.
- 准确预测瘤的攻击性 (Ki-67状态) 和生长对于患者的管理至关重要.
- 目前评估Ki-67状态的方法通常需要侵入性活检.
研究的目的:
- 开发和验证一个深度学习网络,用于使用基线磁共振成像 (MRI) 预测脑膜瘤患者的Ki-67状态.
- 评估模型能够预测随着时间的推移瘤体积增长的能力.
- 评估模型与现有方法的性能及其临床实用性.
主要方法:
- 从三家医院对1239名脑膜瘤患者进行了回顾性分析.
- 开发一个深度学习网络,使用基于基线MRI数据的表示学习框架.
- 模型预测性能的内部和外部验证.
- 卡普兰-梅尔生存分析用于瘤生长预测.
主要成果:
- 深度学习模型实现了Ki-67状态的高预测精度,AUC为0.797 (内部) 和0.808 (一般化).
- 该模型显示了对3年 (AUC 0.756) 和5年 (AUC 0.727) 瘤生长的显著预测能力.
- 预测与无症状小脑膜瘤的生长有显著的关联.
结论:
- 开发的深度学习模型提供了一种有效的,非侵入性的工具,用于早期预测脑膜瘤中Ki-67状态.
- 该模型可以预测瘤体积的增长,支持个性化的患者管理策略.
- 这种人工智能驱动的方法有可能改善脑膜瘤患者的临床决策.
