开发一种混合的2.5D深度学习模型,用于使用CGGA数据库中的T1加权MRI来预测质瘤存活率
Kai Jin1, Caixing Sun1, Liang Xia1
1Department of Neurosurgery, Zhejiang Cancer Hospital, Hangzhou Institute of Medicine (HIM), Chinese Academy of Sciences, Hangzhou, Zhejiang 310022, China.
European journal of radiology open
|November 11, 2025
概括
这项研究引入了使用MRI预测质瘤存活率的非侵入性深度学习框架,优于传统方法. 开发的模型为个性化治疗策略提供了一个临床上可行的工具.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 目前的质瘤生存预测依赖于侵入性方法.
- 开发了一个使用T1加权对比增强MRI (T1CE) 的非侵入性深度学习框架.
- 该框架旨在克服计算局限性,同时保留用于生存预测的空间信息.
研究的目的:
- 开发一种非侵入性深度学习框架,用于使用T1CEMRI进行质瘤整体生存预测.
- 为解决体积核磁共振分析中的计算挑战.
- 整合成像,临床和分子数据,以提高预后准确度.
主要方法:
- 一个混合2.5D卷积神经网络处理了来自217名患者的多切片T1CEMRI.
- 使用ResNet和DenseNet进行转移学习,然后使用Cox比例危险损失进行微调.
- 一个综合模型将成像签名与临床和分子变量 (IDH,1p19q状态) 结合起来.
主要成果:
- 组合模型在训练 (0.819) 和测试 (0.804) 队列中显示出高C指数的优异歧视.
- 性能明显超过孤立的Radiomic,深度学习 (2D/2.5D) 和临床模型 (p <0.05).
- 时间依赖的AUC分析显示,在1-5年 (0.851-0.906) 中表现一致,预后组分层显著 (日志级 p < 0.001).
结论:
- 2.5D多源框架提供了一个临床上可行的,非侵入性的工具,用于手术前质瘤生存预测.
- 这种方法可以为质瘤患者开发个性化的治疗策略.
- 这项研究强调了神经瘤学深度学习在非侵入性预后评估中的潜力.
