相关实验视频
Updated: May 13, 2025
07:37
Translational Orthotopic Models of Glioblastoma Multiforme
Published on: February 17, 2023
2.5K
基于MRI的深度转移学习模型用于预测脑膜瘤中的孕激素受体表达
1Department of Radiology, The Affiliated Hospital of Qingdao University, Qingdao, China.
Frontiers in oncology
|April 15, 2025
概括
深度转移学习准确地预测了脑膜瘤中的孕激素受体 (PR) 表达. 支持矢量机 (SVM) 模型表现出卓越的性能,为脑膜瘤评估和治疗计划提供了宝贵的工具.
科学领域:
- 神经瘤学神经瘤学
- 生物标志物发现发现
- 人工智能在医学中的应用
背景情况:
- 孕激素受体 (PR) 表达是脑膜瘤中的关键生物标志物,影响瘤行为和治疗策略.
- 准确预测PR状态对于个性化患者管理至关重要.
研究的目的:
- 开发和验证深度转移学习 (DTL) 模型,用于预测脑膜瘤中PR表达的情况.
- 评估不同机器学习模型在分类PR状态方面的表现.
主要方法:
- 使用了307名脑膜瘤患者 (173名PR阳性,134名PR阴性) 的数据集.
- 使用微调的ResNet 50模型提取DTL特征,然后使用ICC,斯皮尔曼相关性和LASSO进行特征选择.
- 开发了使用逻辑回归 (LR),支持向量机 (SVM) 和天真贝叶斯的预测模型,通过ROC分析评估性能,AUC,精度,灵敏度和特异性.
主要成果:
- 提取了2048个DTL特征,选择了35个用于模型构建.
- 在试验组中获得的AUC值为0.819 (LR),0.83 (Naive Bayes) 和0.842 (SVM).
- 根据决策曲线分析,SVM模型显示出卓越的预测性能和临床实用性.
结论:
- 基于DTL特征开发的SVM模型有效预测脑膜瘤中PR表达.
- 这种人工智能驱动的方法为脑膜瘤评估提供了一个有希望的,非侵入性的工具.
