基于分子子组的多参数MRI机器学习系统和脑髓母细胞瘤的预后
Ziyang Liu1, Sikang Ren2, Heng Zhang2
1Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University, Beijing, China.
European radiology
|January 30, 2025
概括
人工智能准确地识别了脑髓母细胞瘤分子子组,并使用MRI数据预测了患者的结果. 一个新的机器学习系统改善了手术前诊断和风险分层,以实现个性化治疗.
科学领域:
- 神经瘤学神经瘤学
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
背景情况:
- 脑髓母细胞瘤 (MB) 呈现出显著的异质性,导致患者预后变化.
- 目前对MB的风险评估策略是不够的.
- 需要有效的手术前诊断和预后工具.
研究的目的:
- 开发一个人工智能驱动的系统,用于在MB中准确地识别分子子组.
- 预测临床结果,包括总生存率 (OS) 和无进展生存率 (PFS).
- 将深度学习成像功能纳入MB患者的新型风险分层系统.
主要方法:
- 一个新的多参数卷积神经网络 (CNN),Bi-ResNet-MB,被用来提取MRI特征用于分子子组分类.
- 使用XGBoost,使用提取的MR特征构建了一个预后模型.
- 一个基于机器学习的骨髓母细胞瘤风险评分 (M2R评分) 为风险分层而开发.
主要成果:
- Bi-ResNet-MB模型在分子子组分类方面取得了高精度 (AUC在训练中为0.946,在验证中为0.894).
- 预后模型在1,3年和5年内对OS和PFS预测表现强 (OS的AUC高达0.960,PFS为0.964).
- 新的风险分层系统 (M2R评分) 在手术前有效分层患者.
结论:
- 开发的机器学习系统准确地识别MB分子子组,并预测预后.
- 新的风险分层系统为患者管理提供了显著的好处.
- 非侵入性手术前评估有助于临床医生进行个性化治疗规划,特别是对于高风险的MB患者.
