基于2.5DMRI深度学习的儿科后脑瘤的精确诊断
Jie Dong1, Can Zhang1, Yong Zhang2
1School of Information Engineering, North China University of Water Resources and Electric Power, Zhengzhou, China.
Frontiers in oncology
|November 28, 2025
概括
一个新的深度学习模型ResSwinT,准确地使用多序MRI对儿科后瘤进行分类. 这种人工智能工具提高了诊断可靠性,并有助于个性化治疗策略,治疗像皮洛细胞性星细胞瘤 (PA) 和脑细胞母细胞瘤 (MB) 等疾病.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 儿科后腔瘤具有重叠的MRI特征,使手术前诊断和治疗计划复杂化.
- 传统的深度学习模型在多序MRI融合和临床解释性方面扎.
- 需要先进的人工智能解决方案来提高诊断准确性和临床决策.
研究的目的:
- 开发一个2.5D多序MRI深度学习框架,ResSwinT,集成剩余网络和Swin变压器.
- 为了实现对三个主要的儿科后腔瘤的自动分类:皮洛细胞性星细胞瘤 (PA),脑细胞母细胞瘤 (MB) 和膜瘤 (EP).
- 为了提高模型的解释性,使用SHAP分析进行临床相关性.
主要方法:
- 一项回顾性研究包括309名儿科患者,他们确诊了PA,MB或EP.
- 在预处理后,采用了2.5D图像构建策略,使用五个MRI序列 (T1WI,T1C,T2WI,FLAIR,ADC).
- 开发了ResSwinT模型,并与其他七种深度学习模型进行了比较,并对特征贡献进行了SHAP分析.
主要成果:
- 在分类PA,MB和EP方面,ResSwinT在现有模型中表现优越.
- 在所有分类任务中实现了高精度 (ACC) 和曲线下面积 (AUC) (例如,PA与非PA:ACC 89.5%,AUC 0.975).
- SHAP分析证实了该模型的重点是瘤体积和周围结构,与临床生物标志物保持一致.
结论:
- 通过2.5D多序MRI融合,ResSwinT可以通过2.5D多序MRI融合,对儿科后瘤进行高精度分类.
- SHAP分析为模型决策提供了生物基础,提供了可解释的AI诊断工具.
- 该模型有望优化儿童脑瘤的个性化治疗策略.
