双任务深度学习模型用于预测脑髓母细胞瘤分子子组与手术前大脑MRI
Lingxiao Luo1, Xu An2,3, Jing Zhang4
1Department of Computer Science and Technology and Institute of Artificial Intelligence and BNRist, Tsinghua University, Beijing, China.
La Radiologia medica
|October 21, 2025
概括
一种新的深度学习模型使用手术前MRI扫描准确预测脑髓母细胞瘤 (MB) 分子组. 这种人工智能方法提供了精确的,自动化的分类,以改善患者分层和治疗规划.
科学领域:
- 神经瘤学神经瘤学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 脑髓母细胞瘤 (MB) 是一种具有独特分子子组影响预后和治疗的初级脑瘤.
- 准确的分子子组分类对于MB的个性化医学至关重要.
- 目前的分类方法可能是侵入性的和耗时的.
研究的目的:
- 开发和验证一个深度学习模型,用于预测脑髓母细胞瘤分子子组.
- 为了利用手术前多参数脑MRI进行非侵入性瘤分类.
- 评估模型在独立患者队列中的性能和通用性.
主要方法:
- 一组350名MB患者被用于模型开发.
- 采用了一种双任务深度学习模型,集成3D Swin变压器和基于变压器的面具解码器.
- 该模型被优化为同时进行MB子组预测和瘤/小脑细分.
- 一个由126名MB患者组成的独立队列验证了该模型的预测性能.
主要成果:
- 双任务深度学习模型实现了高预测性能 (AUC 0.877,准确率为88.9%).
- 该模型在成人和儿科患者群体中表现出强的表现,并且对独立的测试队列进行了很好的概括 (AUC 0.853).
- 双任务设计与单任务模型和优于性能的放射学模型相比,显著提高了0.169的AUC (AUC差异为0.156).
结论:
- 拟议的双任务深度学习模型为脑髓母细胞瘤分子子组预测提供了一种自动化和准确的方法.
- 这种人工智能驱动的方法有可能增强非侵入性瘤特征,并指导临床决策.
- 该模型的整合细分和分类能力为脑MRI数据提供了更全面的分析.
