完全自动化的Res3DNet模型可以从无瘤细分的全脑MRI中预测质瘤的IDH突变
Zhengyang Zhu1, Yuying Liu2, Yang Song1
1Department of Radiology, Nanjing Drum Tower Hospital, Affiliated Hospital of Medical School, Nanjing University, Nanjing 210008, China.
iScience
|January 14, 2026
概括
一个新的Res3DNet模型使用MRI扫描准确地预测质瘤中异酸脱酶 (IDH) 基因状态. 这种人工智能方法优于传统方法和人类放射科医生,改善了对脑瘤的诊断和治疗计划.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确预测异酸脱酶 (IDH) 突变状态对于结质瘤的诊断,预后和治疗至关重要.
- 目前用于确定IDH状态的方法可能是侵入性的或耗时的.
研究的目的:
- 开发和验证一个完全自动化的深度学习模型,用于使用手术前MRI预测质瘤中的IDH突变状态.
- 将开发模型的性能与其他人工智能模型和人类放射学家进行比较.
主要方法:
- 采用了来自11个数据集的质瘤患者的2537次手术前MRI扫描数据集.
- 一个Res3DNet深度学习模型被开发用于自动化IDH基因预测.
- 该模型的性能在内部验证,外部测试和TCGA测试套件上进行了评估,并与四名放射科医生进行了比较.
主要成果:
- 该Res3DNet模型实现了高性能,AUC为0.946 (内部验证),0.872 (外部测试) 和0.912 (TCGA测试).
- 相应的准确率为0.925 (内部验证),0.806 (外部测试) 和0.840 (TCGA测试).
- 与ResNet,I3D,变压器模型和四名放射科医生相比,Res3DNet模型表现出更高的性能.
结论:
- 自动化Res3DNet模型显示了对精确且非侵入性预测质瘤IDH突变状态的显著潜力.
- 这种人工智能驱动的方法可以帮助质瘤患者的临床决策.
- 需要在不同的临床环境中进一步验证,以便将这项技术纳入常规实践.
