在小儿低度质瘤中对BRAF状态的分段化前治疗评估
Kareem Kudus1,2, Matthias Wagner3,4, Min Sheng3
1Neurosciences & Mental Health Research Program, The Hospital for Sick Children, Toronto, ON, Canada.
Communications medicine
|November 27, 2025
概括
机器学习模型现在可以从MRI扫描中以非侵入的方式预测儿科低度质瘤中的BRAF状态. 一种新的预训练方法提高了准确性,减少了对复杂瘤细分的依赖.
科学领域:
- 医学成像分析分析 医学成像分析
- 机器学习在瘤学中
- 儿科神经瘤学 儿童神经瘤学
背景情况:
- 对于儿科低度质瘤 (pLGG) 治疗,BRAF基因突变状态至关重要.
- 在MRI上使用机器学习 (ML) 对BRAF状态的非侵入性评估是有希望的,但受到细分挑战的限制.
- 本研究评估了自动化细分算法和无细分的ML管道,用于BRAF状态预测.
研究的目的:
- 评估 pLGG 中自动化细分模型的性能.
- 开发和评估一个无细分的ML模型,用于从全脑FLAIRMRI中预测BRAF状态.
- 通过预训练研究将细分知识纳入ML模型性能的影响.
主要方法:
- 收集了来自455名pLGG患者的全脑FLAIRMRI扫描.
- 评估了三种医疗细分模型:TransBTS,MedNeXt和MedicalNet. 这三种医疗细分模型.
- 开发了一个没有细分的ML模型和一个嵌入细分知识的预训练方案,将其与使用半自动细分的基线模型进行比较.
主要成果:
- 与MedicalNet和TransBTS相比,MedNeXt表现出优越的细分性能 (盘子分数:0.555).
- 没有细分的MedNeXt分类模型实现了0.741.74的AUC.
- 预训练使分类AUC提高到0.772,与基于细分的基线 (0.756) 相比.
结论:
- 使用全脑FLAIR序列的机器学习模型可以在pLGG中进行非侵入性BRAF状态评估.
- 通过预训练整合瘤区域信息,可以减少对不一致的手动或自动细分的依赖.
- 这种方法提供了一种更强大的方法,用于在PLGG中确定BRAF地位.
