一种以数据为中心的深度学习方法,用于MRI脑转移分析

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 大脑转移的发病率正在上升,需要先进的检测和分析工具.
• 目前用于基于MRI的BM检测的人工智能 (AI) 模型在识别小病变和概括性方面存在局限性.
• 开发强大的AI系统对于准确的体积分析和BM的纵向跟踪至关重要.

研究的目的:

• 创建一个可通用的深度学习系统,用于在MRI上检测,细分和纵向跟踪任何大小的大脑转移 (BM).
• 克服现有人工智能模型在识别小BM方面的局限性,并确保在不同数据集和扫描仪中广泛适用.

主要方法:

• 使用修改后的nnU-Net框架,采用以数据为中心的方法来开发深度学习模型.
• 收集和策划了一组多中心数据集,包括治疗前和/或治疗后的MRI扫描,这些数据来自患有和没有骨髓瘤的患者.
• 使用代放射科医生注释与质量控制和强大的数据预处理/增强.

主要成果:

• 深度学习系统在检测各种大小的BM中实现了高灵敏度 (98.0%的内部测试,97.4%的外部测试),包括那些<3毫米的BM.
• 观察到优秀的细分性能,Dice的中位数相似系数为0.89 (内部) 和0.90 (外部).
• 该模型表现出强大的通用性,在来自不同扫描仪和患者队列的外部测试数据集上保持高性能.

结论:

• 开发的深度学习系统在MRI上检测和细分所有大小的大脑转移 (BMs) 方面表现出高性能和通用性.
• 这种人工智能系统有可能在大脑转移患者的临床管理中发挥重要作用.
• 这些发现支持使用先进的人工智能来提高临床实践中大脑转移分析的准确性和效率.