基于人工智能的MRI细分用于单个大脑转移和质母细胞瘤的差异诊断
Daniela Pomohaci1,2, Emilia-Adriana Marciuc2,3, Bogdan-Ionuț Dobrovăț2,3
1Doctoral School, Grigore T. Popa University of Medicine and Pharmacy, 16 Universității Str., 700115 Iasi, Romania.
Diagnostics (Basel, Switzerland)
|September 13, 2025
概括
传统MRI的人工智能 (AI) 分段通过分析瘤组件,有效地区分质母细胞瘤 (GBMs) 和大脑转移 (BMs). 这种非侵入性方法有助于区分这些大脑病变,以便更好地做出治疗决定.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 质母细胞瘤 (GBMs) 和大脑转移 (BMs) 是常见的大脑病变,需要精确的分化治疗.
- 将GBM与BM区分开来是具有挑战性的,往往需要复杂的临床,放射学和组织病理学相关性.
- 对MRI的非侵入性AI检查可能为区分这些病变提供解决方案.
研究的目的:
- 评估 AI 驱动的传统 MRI 分段在区分 GBM 和 BMs 的有效性.
- 使用人工智能分析来比较GBMs和BMs之间的瘤异质性和外周胀特征.
主要方法:
- 对78名确诊GBM (39) 或单次BM (39) 的患者进行了回顾性分析.
- 传统的MRI (T2W FLAIR,CE T1W) 数据集使用AI细分工具进行处理.
- 人工智能评估了瘤异质性,内部亡和外周胀.
主要成果:
- 与BM相比,GBM表现出较少的胀 (p=0.04),但更多的内部亡 (p=0.002).
- 非小细胞肺癌 (NSCLC) 的转移显示出最高的度 (p=0.01).
- 以人工智能为基础的体积测量比圆形方法 (p=0.01) 对尾叶和叶的病变更大 (p=0.01).
结论:
- 传统MRI的自动化AI细分可以有效地区分GBMs和BMs.
- 计算瘤组件 (固体,瘤,瘤) 的比率有助于区分.
- 建议对更大的患者队伍进行进一步验证,以确认AI细分的有效性.
