基于mpMRI的MGMT甲基化状态预测质母细胞瘤通过现成的深度特征:一个多数据集可行性研究
Junhua Chen1, Zhanghong Wang2, Banghua Yang1,3
1Department of Psychiatry and Psychology, Mental Health Center Affiliated to Shanghai University School of Medicine, Shanghai, China.
Journal of applied clinical medical physics
|November 24, 2025
概括
这项研究开发了一种非侵入性方法,使用多参数MRI来预测O-6-methylguanine DNA甲基转移酶 (MGMT) 促进剂甲基化在质母细胞瘤中. 该方法通过利用深度学习和语神经网络,有望更快地临床应用.
科学领域:
- 神经瘤学神经瘤学
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 甲基转移酶 (MGMT) 促进剂甲基化对质母细胞瘤的预后至关重要.
- 目前评估MGMT地位的方法可能是侵入性的和耗时的.
- 需要快速的,非侵入性的诊断工具,用于临床决策.
研究的目的:
- 评估使用多参数磁共振成像 (mpMRI) 诊断MGMT促进物甲基化状态的可行性.
- 开发一种快速,非侵入性的方法,用于评估质母细胞瘤中MGMT状态.
- 减少对传统方法的依赖,并促进未来的临床应用.
主要方法:
- 采用语神经网络 (SNN),利用预训练网络的深度学习功能.
- 来自T1加权的mpMRI的三角洲深度特征被整合为一个额外的分支来提高性能.
- 该模型在一个大型数据集 (585名参与者) 上进行了训练和验证,在81个额外的样本上进行了外部验证.
主要成果:
- 拟议的方法在内部验证中实现了曲线下的平均面积 (AUC) 0.666 (SEM 0.031).
- 内部验证也产生了0.591 (SEM 0.021) 的平均精度和0.630 (SEM 0.064) 的回忆.
- 外部验证显示平均AUC为0.624 (SEM 0.022),精度为0.674 (SEM 0.050) 和回忆为0.810 (SEM 0.101).
结论:
- 开发的基于mpMRI的方法显示出具有竞争力的性能,在单个CPU平台上表现优于现有的方法.
- 废弃性研究证实了三角形T1深层特征的显著贡献.
- 外部验证证实了该方法在不同数据集中的稳定性和可靠性,支持其潜在的临床实用性.
