通过基于多式磁共振成像的深度学习方法,通过基于不同病态肺癌亚型的脑转移进行分类
Jinfeng Cao1, Yangyingqiu Liu1, Tao Feng2
1Department of Radiology, Zibo Central Hospital, Zibo, China.
Journal of thoracic disease
|August 14, 2025
概括
使用多模式MRI进行深度学习,有效地将脑转移从肺癌亚型分类为脑转移. 表面扩散系数 (ADC) 和T1加权对比度增强 (T1CE) 序列对非侵入性诊断特别有希望.
科学领域:
- 放射学 放射学是指放射学
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 根据肺癌亚型分类大脑转移 (BMs) 是临床上具有挑战性的.
- 需要使用非侵入性方法进行快速有效的诊断.
- 多模式MRI上的深度学习 (DL) 提供了一个潜在的解决方案.
研究的目的:
- 调查使用DL方法与多模式MRI的可行性.
- 为了分类来自不同肺癌病理亚型的BMs.
- 评估各种MRI序列的诊断性能.
主要方法:
- 对262名肺癌患者的回顾性分析.
- 使用多模式核磁共振:T2 FLAIR,DWI,ADC和T1CE序列.
- 员工ResNet-18 DL框架用于分类和ROC分析.
主要成果:
- DL方法在MRI序列中展示了分类能力.
- ADC和T1CE序列产生了更高的歧视性能 (AUC高达0.92和0.88).
- 微平均AUC达到0.83与T1CE和0.83与ADC.
结论:
- 具有DL的多模式MRI可以根据亚型对肺癌BM进行分类.
- 对于这种分类,ADC和T1CE序列特别有价值.
- 这种方法支持开发非侵入性诊断工具.
