通过MRI和临床数据整合与转移学习进行质母细胞瘤生存预测
A Marasi1, D Milesi1, D Aquino2
1Department of Electronic, Information and Bioengineering, Politecnico di Milano, Milan, Italy.
International journal of computer assisted radiology and surgery
|December 4, 2025
概括
深度学习使用MRI数据准确预测质母细胞瘤存活率,克服了传统的放射学限制. 这种自动化方法增强了个性化治疗和临床试验设计,以获得更好的患者结果.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 准确的质母细胞瘤 (GBM) 总生存率 (OS) 预测对于个性化医学和临床试验优化至关重要.
- 传统的放射学方法由于手动特征工程而难以处理复杂的成像模式.
- 深度学习可以从高维数据中自动提取特征.
研究的目的:
- 开发和验证深度学习框架,用于自动化质瘤细分和从多模式MRI数据中提取特征.
- 为了利用深度学习编码器隐藏空间的高级表示来进行操作系统预测.
- 将深度学习衍生功能的性能与传统的放射学和人工智能方法进行比较.
主要方法:
- 一个类似于U-Net的深度学习模型被用于BraTS2020的细分和特征提取,以及IRCCS专有Besta数据集.
- 来自编码器潜伏空间的特征与患者年龄相结合,并使用主要组件分析 (PCA) 来减少.
- 机器学习分类器 (随机森林,XGBoost,完全连接的神经网络/多层感知器) 接受了OS分类的培训.
主要成果:
- 多层感知器 (MLP) 在 BraTS4CH 设置 (F1=0.71,AUC=0.74) 和 BraTS2CH (F1=0.67,AUC=0.70) 中取得了最高的性能.
- 在Besta2CH队列中,XGBoost获得了最高的F1分数和精度 (F1=0.65,精度=0.66),而MLP在AUC (0.70) 中领先.
- 结果显示了稳定性和可扩展性,性能优于或与最先进的方法相匹配.
结论:
- 整合来自多模式MRI的编码器衍生的特征与临床数据提供了一个可扩展的OS预测方法,用于质母细胞瘤.
- 深度学习有效地解决了传统放射学在捕捉复杂的成像模式方面的局限性.
- 这种方法有助于为质母细胞瘤患者开发精确,个性化的预后工具.
