基于磁共振成像的深度学习用于预测质瘤亚型

科学领域:

• 神经成像是一种神经成像.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 质瘤是主要的大脑瘤,具有独特的分子亚型,影响预后和治疗.
• 精确分类质瘤亚型对于有效的患者管理至关重要.
• 深度学习为神经瘤学中自动图像分析提供了一个有前途的方法.

研究的目的:

• 评估深度学习模型在使用磁共振成像 (MRI) 数据对质瘤亚型的分类中的有效性.
• 在基于深度学习的质瘤分类中比较不同MRI序列的性能.

主要方法:

• 从公共数据库的747名患者和当地医院的64名患者的回顾性分析.
• 质瘤亚型分为IDH野生型 (IDHwt),IDH突变型/1p19q非编码切除型 (IDHmut-完整型) 和IDH突变型/1p19q编码切除型 (IDHmut-codel).
• 深度学习模型使用T1加权,对比度增强的T1加权,T2加权和FLAIRMRI序列进行训练和验证.

主要成果:

• 仅使用FLAIR序列的模型在IDHwt (AUC=0.790),IDHmut-intact (AUC=0.737) 和IDHmut-codel (AUC=0.820) 质瘤中获得了最高的分类性能.
• 基于T1加权序列的模型显示所有亚型的分类准确度最低.
• 基于FLAIR序列的模型显示,对质瘤亚型的分类具有优越的预测价值.

结论:

• 深度学习模型可以根据手术前的MRI有效地分类质瘤亚型.
• FLAIR MRI 序列是基于深度学习的质瘤亚型分类中最有价值的单个序列.
• 这些发现支持深度学习和FLAIR成像的整合,以改善质瘤诊断.