深度学习用于预测质瘤异酸脱酶和MRI中的1p/19q共删除的诊断性能:系统性审查和元分析
Somayeh Farahani1,2,3, Marjaneh Hejazi4, Mehnaz Tabassum5,6
1Department of Medical Physics and Biomedical Engineering, School of Medicine, Tehran University of Medical Sciences, Tehran, Iran. somayeh.farahani@hdr.mq.edu.au.
European radiology
|August 16, 2025
概括
深度学习放射学模型显示了预测质瘤IDH突变和1p/19q共删除状态的非侵入性前景. 协调MRI数据和标准化细分是临床使用的关键.
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:
- 质瘤分类依赖于分子标记物,如IDH突变和1p/19q共删除.
- 准确的非侵入性预测这些标记物对于治疗规划至关重要.
- 深度学习 (DL) 和放射学为非侵入性分子亚型化提供了潜力.
研究的目的:
- 用MRI评估基于DL的放射学诊断性能,用于预测IDH突变和1p/19q共删除在质瘤患者中.
- 确定影响这些DL模型准确性和通用性的方法因素.
- 通过系统性审查和元分析来综合现有证据.
主要方法:
- 在主要数据库中按照PRISMA指南进行系统的文献搜索,直到2025年3月.
- 从MRI数据中包含使用DL预测IDH和1p/19q共删除状态的研究.
- 使用双变量模型进行聚合灵敏度和特异性的元分析;用于异质性的元回归.
主要成果:
- 对于IDH预测的聚合灵敏度为0.80 (95% CI:0.77-0.83),特异性为0.85 (95% CI:0.81-0.87).
- 对1p/19q共删除的聚合灵敏度为0.75 (95% CI:0.65-0.82) 和特异性为0.82 (95% CI:0.75-0.88).
- 瘤细分方法和DL整合水平显著影响了研究间的变化.
结论:
- 基于DL的放射学显示出对非侵入性质瘤分子分类的强大潜力.
- 临床翻译需要多中心MRI数据协调和标准化的自动细分.
- 严格的多中心外部和前性临床验证对于采用至关重要.
