基于术前和术后对比增强T1成像的深度学习模型来区分质母细胞瘤的伪进展和瘤进展

科学领域:

• 神经成像
• 医学的人工智能
• 癌症学

背景情况:

• 对质母细胞瘤 (GBM) 患者的治疗和预后来说,准确预测质母细胞瘤 (PsP) 与瘤进展 (TuP) 是至关重要的.
• 使用常规成像方法将PsP与TuP区分开来是一项挑战.

研究的目的:

• 开发和验证深度学习 (DL) 预后模型,用于预测 GBM 患者的 PsP 与 TuP.
• 利用术前和术后对比度增强的T1加权 (CET1) 磁共振成像 (MRI) 来提高预测准确度.

主要方法:

• 一个视力转换器 (ViT) DL模型从110名GBM患者的手术前和后的CET1MRI扫描中训练了专家细分的瘤区域.
• 对比分析包括主流卷积神经网络 (CNN) 模型,通过PCA和LASSO回归进行特征选择.
• 综合多模式方法将DL特征与临床特征集成,以进行全面的预测.

主要成果:

• 使用手术前和手术后图像的CET1- ViT模型实现了高性能 (AUC高达95. 5%的训练,95. 2%的验证).
• 在预测PsP与TuP方面,ViT模型显著优于标准CNN架构.
• 多模式模型显示出优异的预测能力,AUC达到98.6% (训练) 和99.3% (验证).

结论:

• 一个使用手术前和手术后CET1MRI的新型DL模型有效预测了GBM患者的PsP与TuP.
• 这种方法为评估治疗效果和检测瘤复发的早期迹象提供了有前途的工具.
• 这些发现支持将先进的DL技术纳入神经瘤学,以改善患者的治疗结果.