人工智能驱动的参数FDG大脑PET和脑瘤细分用于多模式卷积神经网络,以区分瘤进展与GBM治疗效果
Bijoy Kundu1, Zoraiz Qureshi2, Rugved Chavan2
1Departments of Radiology and Medical Imaging, University of Virginia, Charlottesville, VA, United States; Department of Biomedical Engineering, University of Virginia, Charlottesville, VA, United States.
Advances in cancer research
|November 16, 2025
概括
先进的人工智能平台现在可以使用动态FDG PET和MRI扫描来区分质母细胞瘤进展与治疗亡. 这提高了治疗后脑瘤患者的诊断准确度.
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:
- 质母细胞瘤 (GBM) 是最常见的恶性脑瘤,尽管有积极的治疗,但存活率很低.
- 治疗后的神经成像通常模仿瘤复发,使患者管理复杂化.
- 传统的静态-18氧化葡萄糖 (FDG) 定子发射断层扫描 (PET) 对于区分瘤进展与治疗缩是不可靠的.
研究的目的:
- 审查先进的PET方法,以区分治疗后的GBM患者的瘤进展 (TP) 和治疗缩 (TN).
- 突出新型人工智能平台来量化动态FDG PET (dPET) 数据和细分脑瘤.
- 提出一种多式人工智能方法,用于使用dPET和MRI对TP与TN进行分类.
主要方法:
- 复习先进的PET技术,包括动态FDG PET (dPET).
- 展示一个人工智能平台,用于自动化血液输入计算,以量化dPET数据.
- 使用BraTS2024MRI数据集对多式脑瘤细分的大型AI模型的审查.
- 一个多式人工智能平台的描述,将dPET和MRI集成为TP/TN分类.
主要成果:
- 动态FDGPET (dPET) 在临床分期中比静态PET具有潜在的优势.
- 新型人工智能平台使dPET数据的自动量化和多式模式脑瘤细分成为可能.
- 集成dPET和MRI的多式人工智能平台显示了准确TP与TN分类的希望.
结论:
- 先进的AI驱动的dPET和多式成像分析对于治疗后的GBM的准确诊断至关重要.
- 这些人工智能平台可以克服传统成像方法的局限性,将瘤进展与治疗缩区分开来.
- 未来的研究应该专注于整合这些人工智能工具,以改善神经瘤学的临床决策.
