在质母细胞瘤中检测EGFR基因突变:利用信息复杂性开发基于AI的决策支持系统
Neslihan Gökmen1, Ozan Kocadağlı2, Chunlei Liu3
1Koç University, College of Engineering, Computer Engineering Department, Turkey.
Computers in biology and medicine
|November 2, 2025
概括
这项研究开发了一种使用MRI扫描的AI系统,用于对质母细胞瘤 (GBM) 患者的EGFR突变进行分类,从而改善非侵入性诊断. DenseNet-121模型实现了高精度,减少了风险大脑活检的需要.
科学领域:
- 神经瘤学神经瘤学
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
背景情况:
- 质母细胞瘤 (GBM) 是一种具有显著异质性的侵袭性脑癌.
- 皮表皮生长因子受体 (EGFR) 基因突变是GBM的关键预后标志物.
- 目前的诊断方法,如脑活检,存在风险和潜在的采样错误.
研究的目的:
- 在GBM中引入基于AI的决策支持系统 (DSS) 来进行非侵入性EGFR突变分类.
- 从MRI扫描中自动进行瘤细分,以提高诊断准确度.
- 用MRI数据评估深度学习模型用于预测EGFR突变的性能.
主要方法:
- 开发一个使用深度神经网络的DSS (Inception ResNet-v2,DenseNet-121,ResNet-50).
- 在GBM数据集上的训练和测试模型具有三个MRI输入类型:专家细分,没有细分和没有瘤.
- 信息标准 (IC) 的应用用于模型选择,以平衡性能和复杂性.
主要成果:
- 在所有MRI输入类型中,DenseNet-121表现出卓越的性能,达到高精度 (高达0.952).
- 该模型表现出最高的精度和回忆力,特别是在专家细分的MRI输入.
- 多变量统计分析证实了模型性能中的显著差异,验证了所选择的方法.
结论:
- 基于AI的DSS有效地使用MRI数据对GBM患者的EGFR突变进行分类.
- 整合信息标准提高了医学成像中的深度学习模型的稳定性和可解释性.
- 这种非侵入性方法有望改善GBM诊断和患者管理,减少对活检的依赖.
