基于深度学习的T2-FLAIR不匹配标志的量化:扩大成人类型扩散较低级别质瘤的IDH突变预测

科学领域:

• 神经瘤学神经瘤学
• 医疗成像医学成像
• 无线电学 (Radiomics) 是一种无线电学.

背景情况:

• 低度质瘤 (LGGs) 是异质的瘤,需要精确的分子亚型治疗.
• 准确识别IDH突变状态和1p/19q代选择对于LGG分类和预后至关重要.
• 目前评估这些标记物的方法可能具有侵入性或缺乏定量成像相关性.

研究的目的:

• 使用完全自动化的瘤细分来评估定量T2-FLAIR不匹配比率 (qT2FM) 的预测能力.
• 为了确定qT2FM是否能够准确地识别IDH突变,1p/19q非编的 (IDHmut-Noncodel) 天体细胞瘤.
• 通过结合qT2FM.FM来评估IDH突变状态预测的增强.

主要方法:

• 对218名成年类型扩散LGG患者的回顾性分析.
• 基于深度学习的细分用于瘤口罩生成.
• 从T2和FLAIR信号强度比率计算qT2FM.
• 多变量逻辑回归和相关性分析与IDH状态和ADC值.

主要成果:

• 与IDHmut-Codel和IDHwt组相比,在IDHmut-Noncodel组中,qT2FM显著更高 (p=0.004).
• qT2FM是识别IDHmut-Noncodel (OR=3.43,p=0.01) 的唯一独立成像预测器.
• 更高的qT2FM,年轻的年龄,额头位置和皮质参与预测了IDH突变 (p<0.001-0.034).
• qT2FM与视觉T2FM和ADC值相关,改善了诊断性能 (AUC为0.77).

结论:

• 完全自动化的qT2FM是一种有价值的成像生物标志物,用于预测扩散LGG中的IDH突变状态和IDHmut-Noncodel亚型.
• 整合qT2FM提高了诊断准确度,支持其在临床神经瘤学中的作用.
• 像qT2FM这样的先进定量成像技术提高了指导患者治疗策略的精度.