基于MRI的深度学习具有临床和成像特征,以区分儿童的脑髓母细胞瘤和脑膜瘤
Yasen Yimit1,2, Parhat Yasin3, Yue Hao1
1Department of Radiology, The First People's Hospital of Kashi Prefecture, Kashgar, China.
Frontiers in molecular biosciences
|May 13, 2025
概括
这项研究表明,将深度学习与T2加权的MRI和临床数据相结合,可以有效地区分儿童的脑髓母细胞瘤 (MB) 和脑内膜瘤 (EM). 这种方法有助于准确诊断儿科脑瘤.
科学领域:
- 儿科神经瘤学 儿童神经瘤学
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
背景情况:
- 脑细胞瘤 (MB) 和脑膜瘤 (EM) 是常见的儿科脑瘤,临床表现重叠.
- 由于相似的年龄组,瘤位置和临床症状,区分MB和EM具有挑战性.
研究的目的:
- 评估深度学习 (DL) 模型的有效性,使用T2加权的MRI和临床数据来区分儿科MB和EM.
- 开发和验证综合成像和临床特征的多式融合模型.
主要方法:
- 一个深度学习分类器 (AlexNet) 在201名儿科患者的T2加权MRI扫描中接受了训练.
- 用数据增强和K折交叉验证来提高模型的概括性和解决类不平衡.
- 一个多式融合模型将DL分类器与临床和成像特征相结合,使用灵敏度,特异性,AUC和精度评估性能.
主要成果:
- 独立的DL模型在测试组中实现了0.689的曲线下的面积 (AUC).
- 多模融合模型显著优于DL模型,在测试组中达到0.889的AUC (p < 0.001).
- 融合模型在区分MB和EM方面表现出卓越的辨别能力.
结论:
- 基于T2权重的MRI的深度学习与多式临床和成像特征相结合,提供了一种有效的方法来区分儿科脑髓母细胞瘤和脑膜瘤.
- 这种综合方法有望显著帮助临床医生在日常诊断这些具有挑战性的儿科脑瘤.
