一个基于CA-EfficientNetV2的多任务框架,用于预测质瘤分子生物标志物
Qian Xu1, Feng Ning Liang2, Ya Ru Cao2
1Department of Radiology, The Affiliated Hospital of Xuzhou Medical University, Xuzhou, Jiangsu, China.
Frontiers in neurology
|August 4, 2025
概括
这项研究引入了一种深度学习模型,用于基于MRI的非侵入性预测质瘤生物标志物,异酸脱酶 (IDH) 突变和O6-甲基氨酸-DNA甲基转移酶 (MGMT) 促进剂甲基化.
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:
- 质瘤是一种常见的原发性恶性脑瘤.
- 异酸脱酶 (IDH) 突变和O6-甲基瓜氨酸-DNA甲基转移酶 (MGMT) 促进剂甲基化是关键的质瘤生物标志物.
- 使用MRI对这些生物标志物的准确,非侵入性预测具有临床价值.
研究的目的:
- 开发一个新的多任务深度学习框架,从MRI数据同时预测IDH突变和MGMT促进体甲基化状态.
- 为了提高对质瘤的非侵入性生物标志物预测的准确性.
主要方法:
- 提出了一个使用Coordinate Attention-EfficientNetV2 (CA-EfficientNetV2) 的多任务深度学习框架.
- 用K-means集群和视觉变压器 (ViT) 来伪标记MRI数据.
- 果优化算法 (FOA) 优化了伪标记的数据重量.
- 该框架包括T2加权成像 (T2-net),对比度增强的T1加权成像 (T1C-net) 和融合成像 (TU-net) 的子网络.
主要成果:
- 该CA-EfficientNetV2框架在预测IDH突变和MGMT促进体甲基化状态方面取得了高性能.
- 该TU-net子网络显示出优异的结果,准确度为0.9598的IDH和0.9269的MGMT.
- 拟议的模型表现优于现有的基于卷积神经网络 (CNN) 的方法.
结论:
- 该CA-EfficientNetV2多任务框架提供了一个强大的,非侵入性的方法,用于手术前预测质瘤分子标记物.
- 这种方法可以显著帮助临床决策和针对质瘤患者的个性化治疗策略.
