贝叶斯的深度细分框架用于使用后续MRI进行质母细胞瘤细分
Tanjida Kabir1,2, Kang-Lin Hsieh1,2, Luis Nunez3
1Department of Health Data Science and Artificial Intelligence, McWilliams School of Biomedical Informatics, University of Texas Health Science Center at Houston, Houston, TX, United States.
Frontiers in neuroimaging
|November 10, 2025
概括
一个新的贝叶斯深度细分模型在随访MRI中准确地细分质母细胞瘤 (GBM) 亚区域,改善治疗后的评估. 这有助于大脑瘤分析和患者管理.
科学领域:
- 神经成像是一种神经成像.
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 质母细胞瘤 (GBM) 是一种具有攻击性的脑瘤,需要精确的测量来进行评估.
- 在随访磁共振成像 (MRI) 上精确细分GBM对于评估治疗反应至关重要.
- 在手术前MRI训练的现有深度学习模型,由于治疗后的结构变化,在后续扫描上表现不佳.
研究的目的:
- 开发和评估一个新的贝叶斯深度细分模型,用于在随访MRI中准确的GBM次区域细分.
- 解决当前模型在处理脑结构的术后和治疗变化的局限性.
- 加强对GBM患者的临床决策和治疗评估.
主要方法:
- 开发了一种贝叶斯深度细分模型,使用311次随访MRI.
- 集成贝叶斯式学习来量化预测不确定性.
- 员工转移学习以解释在后续MRI数据中代表性不足的纹理和空间细节.
主要成果:
- 拟议的模型获得了高的子相似系数 (DSC) 评分:FLAIR高强度为0.833,增强瘤为0.901,非增强瘤为0.931.
- 显著优于现有的模型在细分GBM次区域的后续MRI.
- 使用不确定性指标有效识别和纠正错误分类.
结论:
- 新的贝叶斯深度细分模型在后续的MRI中准确地细分了GBM子区域,考虑到结构变化.
- 利用不确定性指标可以提高细分的准确性,并完善瘤估计.
- 该模型显示了改善质母细胞瘤护理中的患者管理和治疗评估的潜力.


