通过扩散加权成像来改善在手术前基于放射学基础的超门性恶性脑瘤分化:一个三类机器学习算法
Zeyu Ma1, Chaoli Zhang2, Yang Guo3
1Department of Neurosurgery, The First Affiliated Hospital of Zhengzhou University, Zhengzhou, Henan, China.
概括
这项研究使用MRI和扩散权重成像 (DWI) 开发了一种多参数放射性模型,以准确地分类高度质瘤 (HGG),大脑转移 (BM) 和初级中枢神经系统淋巴瘤 (PCNSL). 该模型显著改善了BM和PCNSL的诊断性能.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 脑上瘤,包括高度质瘤 (HGG),大脑转移 (BM) 和中枢神经系统 (PCNSL) 的原发性淋巴瘤,存在诊断挑战.
- 准确的分类对于适当的治疗计划和患者管理至关重要.
研究的目的:
- 开发和验证一个三类多参数放射性模型,用于分类HGG,BM和PCNSL.
- 评估基于扩散权重成像 (DWI) 的放射性特征的诊断附加值.
主要方法:
- 使用常规MRI (T1WI,T1c,T2WI,FLAIR) 和显微扩散系数 (ADC) 地图中的31个特征构建了一个多参数放射性模型.
- 还开发了一种使用传统MRI28个特征的常规放射性模型.
- 这两种模型都在内部和外部数据集上使用三类随机森林方法进行训练和验证.
主要成果:
- 多参数放射性模型实现了高诊断性能,在内部验证集中AUC为0.978 (HGG),0.918 (BM) 和0.914 (PCNSL).
- 在外部验证组中,AUC为0.916 (HGG),0.898 (BM) 和0.883 (PCNSL).
- 多参数模型在分类BM和PCNSL方面明显优于传统模型.
结论:
- 基于扩散权重成像 (DWI) 的放射性特征提供了超越传统MRI的增量价值.
- 多参数放射学模型有效地改善了常见的多门性恶性脑瘤的歧视.
- 这种方法可以提高HGG,BM和PCNSL的诊断准确度.
