使用常规MRI和基于深度学习的细分,在高等级质瘤中进行非侵入性MGMT促进甲基化预测

科学领域:

• 神经瘤学神经瘤学
• 放射学 放射学是一门学科.
• 计算生物学 计算生物学

背景情况:

• 高度质瘤 (HGG) 是一种需要优化治疗的侵袭性脑瘤.
• O6-甲基瓜因-DNA甲基转移酶 (MGMT) 促进剂甲基化 (MGMTpm) 预测对temozolomide的反应.
• 目前的MGMTpm评估需要侵入性瘤活检.

研究的目的:

• 调查非侵入性磁共振成像 (MRI) 体积数据在HGG中预测MGMTpm状态的实用性.
• 为了分析,增强对比度的瘤,亡,以及MGMTpm预测的总瘤体积.
• 评估MGMTpm状态和瘤体积对整体生存期 (OS) 和无进展生存期 (PFS) 的影响.

主要方法:

• 深度学习 (DL) 模型 (DeepBraTumIA,Raidionics) 用于70名HGG患者的瘤细分.
• 手动细分验证了DL模型的性能.
• 统计分析包括Man-Whitney U测试,ROC曲线和多变量后勤回归.

主要成果:

• 在MGMTpm瘤中,瘤体积显著增加,总瘤/瘤比率降低.
• 总瘤/的比率,特别是来自Raidionics,显示出最高的单变性预测能力 (AUC 0.687).
• 在多变量分析中,DL衍生的体积比是MGMTpm状态的独立预测指标,比基线更好地预测.

结论:

• 深度学习模型可以识别与HGG中MGMTpm状态相关的放射性差异,主要与瘤体积有关.
• MGMTpm状态和瘤体积特征显著影响OS和PFS.
• 未来的研究应该探索先进的分子成像,以提高甲基化预测.