深度学习体积学揭示了监视下的儿科低度质瘤的不同临床轨迹:一项多中心研究

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
• 医学中的人工智能.

背景情况:

• 儿科低度结质瘤 (pLGGs) 呈异质,一些患者因治疗致病率而通过观察管理.
• 未经处理的pLGGs的自然历史尚未得到充分理解.
• 使用深度学习体积学来研究未经治疗的pLGGs的生长和进展.

研究的目的:

• 使用深度学习分析未经治疗的pLGGs的纵向生长轨迹.
• 为了确定与小儿低度质瘤瘤进展相关的风险因素.
• 在监视中的患者中描述pLGGs的自然史.

主要方法:

• 在1992-2020年间诊断的99名pLGG患者的回顾性聚合分析,监测时间≥1年.
• 基于深度学习的瘤细分在纵向T2加权的MRI图像上,以计算3D体积.
• 时间序列预测 (ARIMA) 和生存分析,以评估进展和风险因素.

主要成果:

• 55.5%的瘤进展 (体积增加≥25%),28.3%的瘤保持稳定,16.2%的瘤退化 (≤-25%).
• 进展风险因素包括婴儿/学前年龄,皮质位置和女性性别.
• 大多数进展发生在诊断后5年内,特别是在学龄儿童中;预测达到2.04cm3.3的平均绝对误差.

结论:

• 深度学习有助于系统地跟踪pLGG的增长和监测患者的特征.
• 这种方法提供了对未经治疗的瘤行为和进展风险的见解.
• 该管道支持人口水平增长研究和患者水平个性化管理决策.