基于MRI的临床放射学深度学习模型的开发和验证,用于对子宫内膜癌分子亚型的分类

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:

• 对子宫内膜癌 (EC) 分子亚型的准确分类对于预后风险评估和指导治疗决策至关重要.
• 目前的分类方法可能无法完全捕捉EC的异质性,需要先进的诊断工具.

研究的目的:

• 开发和验证使用MRI对EC分子亚型进行分类的临床放射学深度学习 (DL) 模型.
• 评估与传统的临床和放射学模型相比,开发模型的性能.

主要方法:

• 一项多中心的回顾性研究,涉及526名EC患者,具有手术,MRI和分子病理学数据.
• 使用MoCo-v2对比自主监督学习提取386个手工制作的放射学特征和2048个DL特征.
• 将选定的功能集成到12种机器学习方法中,使用AUC评估性能.

主要成果:

• 与临床和放射性DL模型相比,临床-放射性DL模型获得了优异的性能,宏观平均AUC为0.79 (内部) 和0.74 (外部) 验证.
• 该模型证明了特定亚型 (包括POLEmut,NSMP和p53abn) 的改善AUC,突出了其区分分子形状的能力.
• 磁力共振成像特征显示,对POLEmut和p53abn亚型的诊断性能有所提高.

结论:

• 基于MRI开发的临床放射学DL模型有效区分EC分子亚型,显示强大的多中心验证.
• 这种模型具有显著的潜力,可以改善风险分层,并为EC患者的个性化治疗策略提供信息.
• 建议对更大的数据集进行进一步的研究,以充分探索DL在EC分子亚型化中的能力.