可解释的多式变压器用于预测成年类型扩散性质瘤中的分子亚型和等级
Yunsu Byeon1, Yae Won Park2, Soohyun Lee1
1School of Electrical and Electronic Engineering, Yonsei University, Seoul, Republic of Korea.
NPJ digital medicine
|March 5, 2025
概括
新的人工智能工具GlioMT使用MRI和临床数据准确预测成人扩散性质瘤的亚型和等级. 这种多式变压器可以提高诊断可靠性,从而改善治疗决策和患者的治疗结果.
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:
- 准确的分子亚型和成年扩散性质瘤的分级对于治疗规划和预后至关重要.
- 2021年世界卫生组织 (WHO) 的分类需要精确识别IDH突变和1p/19q代选择状态.
研究的目的:
- 介绍GlioMT,一个可解释的多式联通变压器模型.
- 用综合成像和临床数据预测成年扩散性质瘤的分子亚型和等级.
- 提高神经瘤学的诊断准确性和临床决策.
主要方法:
- 在GlioMT的训练中,使用了来自1053名成年扩散性质瘤患者的多参数MRI数据.
- 该模型预测了IDH突变状态,1p/19q代选择状态和瘤等级.
- 对TCGA (200名患者) 和UCSF (477名患者) 数据集进行了外部验证.
主要成果:
- 在IDH突变中,GlioMT获得了高AUC:0.915 (TCGA) 和0.981 (UCSF).
- 对于1p/19q共选择的AUC为0.854 (TCGA) 和0.806 (UCSF).
- 档次预测的AUC为0.862 (TCGA) 和0.960 (UCSF),表现优于传统模型.
结论:
- 与现有方法相比,GlioMT在预测质瘤分子亚型和等级方面表现出卓越的性能.
- 通过注意力图,模型的可解释性有助于理解数据贡献.
- GlioMT提供了一种可靠的工具,以支持神经瘤学中的临床决策.
