使用多参数MRI上的深度学习模型对质母细胞瘤和单独脑转移的自动细分和分类
Mingzhen Wu1,2, Jixin Luan3, Ruhang Ma4
1Department of Radiology, The Second Hospital of Tianjin Medical University, Tianjin, China.
Journal of imaging informatics in medicine
|December 1, 2025
概括
一个新的三维深度学习模型使用MRI准确地细分和分类质母细胞瘤 (GBM) 和单独脑转移 (SBM). 这种人工智能工具提高了放射科医生的诊断准确性,帮助临床决策.
科学领域:
- 神经成像和人工智能的人工智能
- 瘤学和放射学 在线诊断
背景情况:
- 在手术前区分质母细胞瘤 (GBM) 和单独脑转移 (SBM) 对于治疗规划至关重要.
- 多参数MRI对于特征性脑瘤至关重要,但差异化仍然具有挑战性.
研究的目的:
- 开发和验证一个三维 (3D) 深度学习 (DL) 模型,用于使用MRI对GBM和SBM进行自动细分和分类.
- 将3D DL模型的性能与2D DL,放射学和人类放射学家进行比较.
主要方法:
- 使用多参数MRI分析了314名患有GBM或SBM的患者队列.
- 使用No-new-UNet (nnU-Net) 进行瘤细分.
- 3D DL,2D DL和放射学模型被开发用于分类;放射学家的表现被评估有或没有人工智能协助.
主要成果:
- nnU-Net实现了高细分精度 (GBM的Dice分数为0.917,SBM的0.915). nnU-Net实现了高细分精度 (GBM的Dice分数为0.917,SBM的Dice分数为0.915).
- 与2D DL (0.687),放射学 (0.720) 和放射学家 (范围从0.527到0.862) 相比,3D DL模型显示出更高的分类性能 (AUC0.842).
- 当使用3D DL模型作为参考时,放射科医生的诊断准确性显著提高.
结论:
- 基于MRI的3DDL模型显示了对GBM和SBM的自动细分和分类的巨大潜力.
- 这种人工智能工具可以作为一个有价值的决策支持系统,提高放射科医生的诊断准确度,并可能改善患者护理.
- 该模型的性能表明临床翻译的可行性.
