深度学习用于准确测量瘤体积和预测儿科骨髓瘤治疗反应
Ricarda von Krüchten1, Michael Barrow1, Lisa Adams1
1Department of Radiology, Molecular Imaging Program at Stanford (MIPS), Stanford University School of Medicine, Stanford, CA, USA.
European radiology
|November 2, 2025
概括
自动化的深度学习模型使用MRI扫描准确地测量了骨髓瘤瘤体积. 这些卷积神经网络 (CNN) 有效地预测了化疗反应,为患者管理提供了非侵入性工具.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 准确评估儿童骨髓瘤治疗反应对于有效管理至关重要.
- 目前的方法依赖于手动瘤测量和术后组织病理学,这些都有局限性.
- 需要非侵入性,自动化工具来提高治疗反应评估的准确性和效率.
研究的目的:
- 开发和验证自动卷积神经网络 (CNN) 来从MRI扫描中量化骨髓瘤瘤体积.
- 评估这些CNN在预测对诱导化疗的基因病理反应的能力.
- 将CNN衍生的瘤体积测量与人类评估进行比较.
主要方法:
- 开发了两个CNN:一个用于瘤细分和体积计算,另一个用于治疗反应预测.
- 从骨髓肉瘤患者的磁共振成像 (MRI) 扫描被追溯分析.
- 模型在多中心数据上进行了训练和验证,基因病理性亡被用作参考标准.
主要成果:
- 来自CNN的瘤体积与人体测量有很强的相关性 (r > 0.95).
- 响应预测模型实现了80%的准确性,90%的灵敏度和70%的特异性.
- 自动深度学习提供了准确的瘤体积评估和化疗反应预测.
结论:
- 基于CNN的瘤体积测量与人类读者的手动评估相当.
- 自动化的深度学习模型可以准确地预测儿科骨髓瘤的组织病理治疗反应.
- 这种方法提供了一个有希望的非侵入性工具来支持和完善患者管理策略.
