一种自我监督的多式模式深度学习方法,以区分放射治疗后的进展与质母细胞瘤中的伪进展

科学领域:

• 神经瘤学神经瘤学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 在质母细胞瘤放射治疗后,区分伪进展 (PsP) 和真进展 (TP) 是至关重要的,但由于相似的成像特征,这是困难的.
• 目前的方法很难准确地区分PsP和TP,这会影响治疗计划和患者的治疗结果.

研究的目的:

• 开发和验证一种多模式深度学习方法,用于精确区分PsP与TP在质母细胞瘤患者中.
• 通过整合解剖MRI,临床参数和放射治疗治疗规划信息来提高预测准确度.

主要方法:

• 使用自主监督的视觉变压器 (ViT) 来编码来自大型开放数据集 (BraTS2021,UPenn-GBM,UCSF-PDGM) 的多序MRI数据 (FLAIR,T1后对比).
• 集成编码的MR特征与临床和RT规划数据使用引导跨模式注意力进行进展分类.
• 在Burdenko Glioblastoma进展数据集 (n=59) 上训练并验证了模型,并在UKER GlioCMV数据集 (n=20) 上进行了测试.

主要成果:

• 多模式深度学习方法实现了75.3%的AUC,超过了现有的数据驱动方法.
• 该模型在区分伪进展与真正进展方面表现出了竞争性表现.
• 这种方法有效地利用了随时可用的解剖MRI,临床和RT规划数据.

结论:

• 拟议的多模式深度学习方法提供了一个可行且准确的解决方案,用于区分形进展与质母细胞瘤患者的真实进展.
• 这种方法可以通过提供可靠的进展评估来增强临床决策和优化治疗策略.
• 该方法解决了数据的局限性,并显示了在神经瘤学中改善患者管理的潜力.