在多中心,不完整的真实世界数据场景中增强大脑瘤细分的无监督生成AI
Zhuoyuan Li1,2,3,4, Tao Zhou5, Bing Zhang6
1Department of Neurosurgery, Nanjing Drum Tower Hospital, Affiliated Hospital of Medical School, Nanjing University, Nanjing, China.
NPJ precision oncology
|November 27, 2025
概括
一个无监督的生成模型有效地合成了缺失的MRI序列并纠正了数据不一致,显著提高了脑瘤细分的准确性,特别是当关键序列缺失时.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 针对脑瘤细分的临床深度学习 (DL) 面临挑战,因为缺少MRI序列和跨中心数据的变化.
- 监督生成模型需要配对数据,在现实世界的临床环境中通常无法获得.
研究的目的:
- 评估一个无监督的生成模型来完成缺失的MRI序列和协调多中心数据.
- 评估生成的MRI数据是否提高了脑瘤细分性能.
主要方法:
- 开发了一个无监督的多中心多序生成对抗变压器 (UMMGAT),使用序列编码器和损伤感知模块 (LAM).
- 从多个来源获得的回顾性质母细胞瘤 (GBM) 和脑膜瘤数据集的多任务学习中接受UMMGAT培训.
- 在各种缺失序列场景和外部数据集上,通过生成序列验证了细分性能.
主要成果:
- 生成的MRI序列显著提高了脑瘤细分的准确性,特别是在缺失T1ce序列的场景中.
- UMMGAT表现出对跨中心数据变化的有效适应,证实了它的稳定性.
- 该模型甚至在最小的训练数据下实现了增强的细分性能.
结论:
- UMMGAT提供了一种实用解决方案,用于解决脑瘤细分中的不完整和异构的MRI数据.
- 无监督的方法在不同的临床环境中促进了更一致和更准确的细分.
- 这种方法有望通过克服数据限制,在神经瘤学中推进DL应用.
