综合脑瘤细分和MGMT促进物甲基化状态分类从使用深度学习的多模式MRI数据

科学领域:

• 神经瘤学神经瘤学
• 医学成像分析分析 医学成像分析
• 医学中的人工智能

背景情况:

• 多形质母细胞瘤 (GBM) 是一种具有有限生存率的侵袭性脑瘤.
• 甲基转移酶 (MGMT) 促进剂甲基化状态对于GBM治疗规划和预测化学敏感性至关重要.
• 目前MGMT状态的确定需要侵入性组织采样和遗传测试,这需要大量的时间.

研究的目的:

• 开发和评估一种非侵入性管道,以评估在GBM患者中MGMT促进剂的状态.
• 利用磁共振成像 (MRI) 数据来预测MGMT状态,从而为治疗和手术规划提供信息.
• 探索人工智能驱动的方法在分析瘤子区域和分子数据的潜力.

主要方法:

• 提出了一个两阶段的管道,利用BraTS2021和MGMT促进者状态分类数据集.
• 第一个阶段:一个3D残留U-Net (3D ResU-Net) 使用堆叠的MRI模式将脑瘤细分为子区域.
• 第二阶段:一个3D ResNet10模型根据细分的瘤声来分类MGMT促进者状态.

主要成果:

• 细分阶段取得了有希望的Dice分数:瘤核心 (TC) 0.81,整个瘤 (WT) 0.84和增强瘤 (ET) 0.80.
• 在内部验证组中,分类阶段的ROC-AUC得分为0.66.
• 该管道证明了瘤子区域的有效细分和MGMT促进者状态的预测.

结论:

• 开发的管道显示了作为一种非侵入性工具的潜力,以协助神经瘤学家在GBM诊断和治疗规划中.
• 用人工智能驱动的MRI数据分析可以提供有关瘤特征和分子状况的见解.
• 需要进一步的临床验证,以确定这种研究阶段方法的现实应用性.