一种MRI放射学方法,使用基于入侵的弱监督来识别和评估攻击性的PitNET

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:

• 下垂体神经内分泌瘤 (PitNETs) 需要对治疗和预后的侵略性进行准确的评估.
• 目前用于评估PitNET攻击性的非侵入性术前工具有限.
• 在手术前区分积极的PitNET对于个性化的患者管理至关重要.

研究的目的:

• 开发和验证一个深度学习放射学 (DLR) 模型,用于对PitNET攻击性的非侵入性手术前评估.
• 为了将DLR得分与已建立的入侵分类和病理标记相关联.
• 建立一个强大的成像生物标志物,用于指导PitNET管理中的临床决策.

主要方法:

• 使用nnUnet和Swin变压器开发DLR模型,用于自动细分和特征提取.
• 在三个医疗中心的大型队列 (n=1089) 上进行培训和验证.
• 确定13个关键的放射性特征,以构建DLR模型.

主要成果:

• DLR得分与Knosp和Hardy-Wilson入侵分类有很强的相关性.
• 该模型在预测瘤复发方面表现优于现有的分类.
• DLR评分表明了侵略性的病理标志物 (Ki-67,p53,巨细胞) 并揭示了生物通路 (MAPK,TGF-β).

结论:

• 开发的DLR模型为评估PitNET攻击性提供了一个可靠的,非侵入性的术前工具.
• 这种成像生物标志物可以通过识别高风险瘤来支持个性化治疗策略.
• 通过在线平台进行临床部署,有助于将这项技术纳入实践.