用多时间图形卷积网络对高度质瘤患者的放射敏感性评估

科学领域:

• 神经瘤学神经瘤学
• 辐射疗法 辐射疗法
• 医疗成像医学成像

背景情况:

• 评估高度质瘤 (HGGs) 放射治疗的疗效是困难的,因为伪进展和放射性死.
• 准确预测治疗反应对于优化患者的治疗结果至关重要.

研究的目的:

• 开发和验证一种新的深度学习模型,用于预测HGG患者的放射治疗敏感性.
• 为了利用多时 MR 图像功能来提高预测准确性.

主要方法:

• 使用来自多个时间点的MR图像特征开发了一个定向图形多时间图形卷积网络 (D-MTGCN).
• 该研究包括120名HGG患者进行培训/验证和29名来自多中心数据的外部测试.
• 放射性敏感性被定义为在辐射后一年内复发.

主要成果:

• D-MTGCN实现了0.98的曲线下面积 (AUC) 和0.95.95的精度 (ACC).
• 该模型与临床模型和RECIST 2.0标准 (p<0.01) 相比,显示出明显更高的预测效率.
• 使用初始时间点数据,D-MTGCN的性能优于支向量机 (ACC=0.87) 和STGCN (ACC=0.93).

结论:

• D-MTGCN模型准确地预测了使用短期MRI序列的HGG患者的放射治疗灵敏度和结果.
• 这种人工智能驱动的工具可以帮助临床医生及时和精确地做出HGG的治疗决定.
• 这些发现突显了高级图形神经网络在神经瘤治疗规划中的潜力.