在小儿脑瘤中,人工智能驱动的细分和缺失MRI的预后
Dimosthenis Chrysochoou1,2, Deep B Gandhi2,3, Sahand Adib2
1University of Pennsylvania, Department of Bioengineering, Philadelphia, PA, USA.
NPJ precision oncology
|January 13, 2026
概括
对于儿科脑瘤细分的深度学习模型,与不完整的MRI数据作斗争. 一种新型的脱落训练模型即使缺少MRI序列,也保持了细分精度和预后性能.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 儿科瘤学 儿科瘤学
背景情况:
- 大脑MRI对于儿科脑瘤诊断和治疗计划至关重要.
- 对于瘤细分和预后的深度学习模型需要完整的MRI序列.
- 不完整的MRI采集很常见,限制了AI工具的临床实用性.
研究的目的:
- 开发和评估处理儿童脑瘤分析中缺失的MRI序列的策略.
- 提高儿童神经瘤学AI模型的稳定性和临床适用性.
主要方法:
- 从儿童脑瘤网络和BraTS-PEDs的715名患者的回顾性研究,加上来自PNOC003/007试验的43名患者.
- 开发了一个被淘汰训练的细分模型,生成图像合成,副本替换和零输入.
- 使用模型衍生瘤体积评估细分性能 (子分数) 和预后准确性.
主要成果:
- 退出模型在不完整的MRI数据上展示了强大的细分与最小的性能下降 (≤0.04 Dice).
- 生成合成产生了高质量的图像 (SSIM>0.90) 和减少了文物.
- 退学模型在生存分析中保持了稳定的预后准确性.
结论:
- 训练有素的AI模型可以有效地处理儿童脑瘤中缺失的MRI序列.
- 生成合成可以提高图像质量和可解释性.
- 这些方法支持在儿科神经瘤学环境中更广泛地实施AI.
