整合深度学习和放射学,用于使用多中心MRI数据进行手术前质瘤分级
Shi Yin1, Jianguang Ming1, Hui Chen1
1Department of Neurosurgery, The Second Affiliated Hospital of Harbin Medical University, Harbin, China.
Scientific reports
|October 21, 2025
概括
这项研究引入了一种集成的深度学习和放射学模型,用于精确的手术前质瘤分级. 这种新方法显著提高了使用多参数核磁共振 (MRI) 来区分高度质瘤和低度质瘤的准确性.
科学领域:
- 神经瘤学神经瘤学
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 精确的手术前质瘤分级对于神经瘤患者管理至关重要.
- 目前的方法在手术前可靠地区分质瘤等级时面临挑战.
- 先进的图像分析和机器学习提供了潜在的解决方案.
研究的目的:
- 开发和验证一个集成的深度学习和放射学模型,以改善手术前质瘤分级.
- 评估模型的性能与独立的深度学习和放射学方法相比.
- 评估模型在不同中心和MRI获取参数的概括性.
主要方法:
- 一项回顾性多中心研究,涉及847名经组织病理确认的质瘤患者.
- 一个双流框架,结合了深度特征的3D卷积神经网络和放射性特征的递归特征消除.
- 一个整体模型整合成像特征与临床变量,使用5倍交叉验证和独立的外部队列 (n=213) 进行验证.
主要成果:
- 综合模型实现了0.946的曲线下的优越面积 (AUC),以区分高级和低级质瘤.
- 性能超过了仅使用放射学 (AUC=0.891) 和仅使用深度学习 (AUC=0.903) 的模型.
- 该模型在外部验证上表现强 (AUC=0.921) 并在识别攻击性,IDH野生型质瘤方面表现出高准确性.
结论:
- 综合放射学深度学习方法显著提高了手术前质瘤分级的准确性.
- 这种非侵入性工具有助于术前风险分层,可能指导手术规划和治疗.
- 该模型提供了与质瘤攻击性相关的成像生物标志物的洞察力,改善了诊断能力.
