基于MRI的Voxel级放射学和深度学习用于预测子宫内膜癌中的微卫星不稳定性:两中心研究
Chen-Hong Tian1, Peng Sun2, Ke-Yuan Xiao3
1Department of Radiology, Changzhi People's Hospital, Changzhi 046000, Shanxi, China (C-h.T., X-f.N.).
Academic radiology
|September 4, 2025
概括
一种新型的深度学习模型使用声素级放射学和MRI准确地预测子宫内膜癌 (EC) 患者的微卫星不稳定性 (MSI) 状态. 这种工具通过分析瘤异质性来帮助个性化治疗决策.
科学领域:
- 癌症学
- 放射学
- 人工智能
背景情况:
- 微卫星不稳定性 (MSI) 是选择子宫内膜癌 (EC) 治疗的关键生物标志物.
- 需要准确的非侵入性预测MSI状态以指导个性化治疗.
研究的目的:
- 开发和验证一个深度学习模型,集成voxel级放射学和多序MRI,用于EC的非侵入性MSI状态预测.
- 根据现有方法评估模型的性能,并评估其可解释性.
主要方法:
- 这是一项对375名手术前多参数核磁共振 (T2WI,DWI,CE- T1WI) 患者的回顾性两中心研究.
- 使用双通道3D深度神经网络 (Vision-Mamba架构) 提取和处理了voxel级的放射特征.
- 在内部和外部队列中进行了模型培训和验证,并与视觉变换器,3D-ResNet和传统放射学进行了比较.
主要成果:
- 在外部试验队列中,Vision- Mamba模型表现出强大的预测性能,AUC为0. 866.
- 该模型在预测MSI状态方面表现优于其他评估方法.
- 解释性分析突出了关键的放射性特征和MRI衍生瘤特征,这些特征对于预测至关重要.
结论:
- 拟议的voxel级放射学和深度学习模型提供了一个可靠的,非侵入性的方法来预测EC的MSI状态.
- 这种方法有可能显著支持子宫内膜癌患者的个性化治疗策略.
