使用H-MRS检测扩散性质瘤中的IDH和TERTp突变,注意深浅网络
Banu Sacli-Bilmez1, Abdullah Bas1, Ayça Erşen Danyeli2
1Institute of Biomedical Engineering, Bogazici University, Istanbul, Turkey.
Computers in biology and medicine
|January 28, 2025
概括
深度学习模型使用1H-MRS.准确检测扩散性结质瘤中的IDH和TERTp突变. 这种非侵入性方法通过分析光谱数据,有助于预后和治疗规划.
科学领域:
- 神经瘤学神经瘤学
- 医学成像医学成像
- 计算生物学是一种计算生物学.
背景情况:
- 精确的手术前识别异酸脱酶 (IDH) 和端粒酶逆转录酶基因促进子 (TERTp) 突变在质瘤中对于患者的预后和治疗策略至关重要.
- 目前的方法可能具有侵入性或缺乏精度,突出了对先进的非侵入性诊断工具的需求.
研究的目的:
- 开发和评估深度学习分类器,以非侵入性地识别半球扩散质瘤中的IDH和TERTp突变.
- 使用质子磁共振光谱 (1H-MRS) 数据与一维卷积神经网络 (1D-CNN) 架构用于突变检测.
主要方法:
- 分析了来自225名半球扩散质瘤成年患者的1H-MRS数据.
- 使用LCModel处理光谱数据,并训练各种深度学习模型,包括注意力深浅网络 (ADSN).
- 应用梯度加权类激活映射 (Grad-CAM) 来实现模型可解释性.
主要成果:
- 该ADSN模型在IDH突变检测方面表现出高准确性,F1得分为93% (验证) 和88% (测试).
- 对于TERTp突变检测,ADSN模型获得了80% (验证) 和81% (测试) 的F1分数.
- 在仅检测TERTp结质瘤方面,ADSN获得了88% (验证) 和86% (测试) 的F1分数.
结论:
- 深度学习模型,特别是ADSN,可以使用1H-MRS数据准确预测扩散性结质瘤中的IDH和TERTp突变状态.
- 这些模型有效地从光谱中提取相关信息,消除了手动特征工程的需要.
- 这种非侵入性深度学习方法显示了改善质瘤诊断和管理的巨大潜力.
