使用人工智能驱动的预测,从代谢和扩散MRI中预测质母细胞瘤复发的新型放射治疗目标定义

科学领域:

• 在瘤学瘤学.
• 辐射疗法 辐射疗法
• 人工智能的人工智能

背景情况:

• 目前的质母细胞瘤辐射疗法 (RT) 使用基于T2高强度病变扩张的标准临床目标体积 (CTV) 定义.
• 这种同位素扩张并不能解释瘤的透性质,这可能导致治疗率低于最佳水平.

研究的目的:

• 开发和验证深度学习 (DL) 模型,以改善质母细胞瘤中RT CTV的定义.
• 结合多参数成像数据来预测瘤进展,并改进CTV划线.

主要方法:

• 使用RT前代谢和生理成像开发了一个多参数DL模型.
• 该模型根据对比度增强或T2高强度预测了瘤进展的区域.
• 性能与标准的1-2厘米同位素扩张CTV定义进行了比较.

主要成果:

• 与标准的2厘米扩张 (0.79 ± 0.11; p=0.004) 相比,DL模型显示出显著更高的特异性 (0.89 ± 0.05).
• 在DL模型 (0.92±0.11) 和标准扩展 (0.95±0.08;p=0.10) 之间,灵敏度是可比的.
• 随着损伤大小加权损失函数和包括代谢成像,模型性能得到了改善.

结论:

• 开发的多参数DL模型提供了一种更精确的方法来定义质母细胞瘤RT中的CTV.
• 这种方法通过更好地考虑瘤异质性并节省正常的大脑组织,提高了治疗的准确性.