基于深度学习的解剖位置指导的基因集群识别从CT图像中色细胞瘤和质细胞瘤的基因集群识别
Bikash Santra1, Abhishek Jha2, Pritam Mukherjee1
1Imaging Biomarkers and Computer-Aided Diagnosis Laboratory, Radiology and Imaging Sciences, Clinical Center, National Institutes of Health, Bethesda, MD, USA.
Applications of Medical Artificial Intelligence : Second International Workshop, AMAI 2023, Held in Conjunction with MICCAI 2023, Vancouver, BC, Canada, October 8, 2023, Proceedings
|May 9, 2025
概括
这项研究介绍了PPGL-Transformer,这是一种人工智能工具,可以使用CT扫描识别色细胞瘤和偏细胞瘤 (PPGLs) 中的遗传集群. 这种方法为个性化患者管理提供了基因检测的更快,更具成本效益的替代方案.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 乳色细胞瘤和偏角细胞瘤 (PPGLs) 是神经内分泌瘤,具有影响其管理的遗传基础.
- 目前对PPGLs的基因测试是昂贵和耗时的.
- 增强对比度的CT扫描 (CE-CT) 是初始PPGL分期和治疗计划的标准.
研究的目的:
- 开发和评估一种新的AI模型,PPGL-Transformer,用于直接从CE-CT子图像中识别PPGL的遗传集群.
- 为基于基因型的PPGL分类提供一种快速和成本有效的方法.
主要方法:
- 一个双分支视觉变压器 (PPGL-Transformer) 设计用于同时识别PPGL的解剖位置和遗传集群.
- 该模型使用监督对比式学习策略进行训练,具有对比和分类损失.
- 对289名患者的1010个PPGL数据集进行了评估,使用了五倍交叉验证.
主要成果:
- PPGL变压器实现了0.63±0.08的精度,平衡精度 (BA) 为0.63±0.06,F1得分为0.46±0.08.
- 该模型在准确性,BA和F1得分指标方面表现优于竞争方法.
- 具体的集群显示出不同的表现:较高的BA用于零星和更高的回忆/F1得分SDHx.
结论:
- PPGL-Transformer展示了一种有希望的AI驱动方法,用于从CE-CT扫描中非侵入性地分类PPGL遗传亚型.
- 这种方法有可能通过提供比传统遗传检测更快的替代方案来简化PPGL管理.
- 进一步验证和整合到临床工作流程中可以提高PPGL的诊断效率和患者护理.
