磁力共振成像变压器深度学习和放射学用于预测IDH野生类型TERT促进器突变质瘤
Wenju Niu1,2, Junyu Yan1,3,4, Min Hao1,2
1Department of Radiology, First Hospital of Shanxi Medical University, Taiyuan, 030001, China.
NPJ precision oncology
|March 28, 2025
概括
这项研究引入了一种新型的融合模型,用于预测使用MRI在质瘤中具有TERT促进子突变 (TERTp-mut) 的异位酸脱酶野生型 (IDH wt). 该模型准确地识别这些质瘤,并分层患者的风险,改善个性化的预后.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 质瘤是主要的大脑瘤,具有不同的分子亚型.
- 准确预测IDH野生型 (IDH wt) 与TERT促进子突变 (TERTp-mut) 对于质瘤预后至关重要.
- 多参数MRI为非侵入性瘤特征提供了丰富的数据.
研究的目的:
- 开发和验证一种新的融合模型,用于预测IDH wt TERTp-mut质瘤.
- 整合多参数MRI序列,以提高诊断准确度.
- 为了对个性化治疗和预后进行患者风险分层.
主要方法:
- 分析了手术前的T1CE和T2FLAIRMRI序列,来自1185名质瘤患者.
- 使用CrossFormer开发一个MultiChannel_2.5D_DL模型和一个2DDL模型.
- 将DL模型和Radiomics模型集成到一个堆叠组合模型中.
主要成果:
- 多通道_2.5D_DL 模型表现出高性能 (AUC 0.806-0.870).
- 堆叠组合模型在验证集中实现了优异的AUC (0.855-0.904).
- 堆叠模型得分有效地将患者分为高风险和低风险组,具有显著的生存差异.
结论:
- 开发的堆叠模型可以准确地识别IDH对TERTp-mut质瘤.
- 该模型提供了有效的患者风险分层,有助于个性化预后.
- 这种方法增强了在质瘤管理中的诊断和预后评估.
