在使用基于MRI的息地,瘤内和瘤周围放射学来预测垂体腺瘤中PIT1表达的手术前预测
Yuying Zang1,2, Fei Zheng2,3, Limei Feng2
1Department of Radiology, The Affiliated Children's Hospital, Capital Institute of Pediatrics, Beijing, China.
Journal of imaging informatics in medicine
|February 5, 2025
概括
这项研究开发了放射学模型,以预测垂体腺瘤中的垂体转录因子1 (PIT1) 表达. 结合临床和成像数据的深度学习放射学名图 (DLRN) 实现了最高的预测准确性,优于其他模型.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 机器学习 机器学习
背景情况:
- 垂体腺瘤是常见的瘤,需要准确的分类来治疗.
- 预测垂体转录因子1 (PIT1) 的表达对于理解瘤行为和指导治疗至关重要.
- 目前的预测方法可能缺乏精度,需要先进的成像分析技术.
研究的目的:
- 开发和评估放射学模型,用于预测海马体腺瘤中PIT1的表达.
- 为了比较内瘤,周瘤和息地放射学模型的性能.
- 为提高预测准确性,构建一个深度学习放射学名图 (DLRN).
主要方法:
- 对129名垂体腺瘤患者的回顾性分析.
- 使用MRI从瘤内,瘤周和息地区域提取放射性特征.
- 使用后勤回归,支向量机器和多层感知子 (包括DLRN) 的预测模型的开发.
主要成果:
- 结合的瘤内部和瘤周围模型 (ROIintra+2mm) 显示出比瘤内部模型 (AUC,0.731) 更好的性能 (AUC,0.800).
- 息地模型表现出高性能 (AUC,0.806),超过了瘤内模型.
- 在测试组中,DLRN实现了最高的预测性能 (AUC,0.900).
结论:
- 放射学模型,特别是那些结合周围瘤和息地信息的模型,可以有效地预测垂体腺瘤中PIT1的表达.
- DLRN提供了卓越的预测准确性,为临床决策提供了宝贵的工具.
- 这些发现支持使用先进的成像分析来进行个性化垂体腺瘤管理.
