简化应用程序和深度学习模型用于在马刀治疗后监测大脑转移
Răzvan Buga1, Călin Gh Buzea1,2, Maricel Agop3
1Clinical Emergency Hospital "Prof. Dr. Nicolae Oblu" Iași, 700309 Iași, Romania.
Biomedicines
|February 26, 2025
概括
这项研究表明,人工智能驱动的放射学精确地监测了在玛刀放射手术 (GKRS) 后大脑转移的进展. 一个人工智能应用程序提供实时预测,增强个人化治疗策略的临床决策.
科学领域:
- 人工智能在医学中的应用
- 放射学和医学成像学 医学成像学
- 在瘤学瘤学.
背景情况:
- 大脑转移在癌症治疗中构成了重大挑战,需要精确监测治疗反应.
- 玛刀放射性手术 (GKRS) 是一种关键的治疗方式,但评估其有效性需要复杂的分析.
- 当前的监测方法可能是主观的,耗时的,这凸显了客观的,自动化的工具的需要.
研究的目的:
- 开发和验证人工智能驱动的放射学系统,用于对GKRS后的大脑转移的进展和回归进行分类和监测.
- 创建一个用户友好的临床决策支持应用程序,用于实时,AI驱动的治疗监控.
- 用预测模型评估瘤体积变化与治疗结果之间的相关性.
主要方法:
- 分析60名患者的MRI扫描 (3194张图像),使用转移学习增强的AlexNet深度学习模型进行分析.
- 通过动态类权重和数据增强减轻类失衡,加上优化预处理.
- 将AI预测和可视化集成到基于Streamlit的应用程序中,以实现临床可用性.
主要成果:
- 转移学习模型实现了完美的分类准确度 (100%),精度,回忆和F1分数,AUC为1.0000.
- 增强模型的表现优于基线AlexNet,解决了以前的所有错误分类.
- 基线瘤大小是进展的显著预测因素 (皮尔森r = 0.795,p < 0.0001);训练时间具有竞争力.
结论:
- 带有动态类权重的转移学习提供了一个非常准确和可靠的框架,用于监测GKRS后的大脑转移.
- 人工智能应用提高了诊断精度,减少了临床决策的变化.
- 可解释的人工智能技术提高了可解释性,支持临床采用和个性化治疗策略的潜力.
