基于深度学习的预测TERT突变状态从MRI用于质瘤分子亚型的预测
Ting Zhu1, Xuhao Dai1, Xiaoqin Ge1
1Department of Radiotherapy and Chemotherapy, The First Affiliated Hospital of Ningbo University, Ningbo, China.
Frontiers in neurology
|February 16, 2026
概括
使用MRI的深度学习模型可以在质瘤患者中非侵入性地预测Telomerase Reverse Transcriptase (TERT) 促进子突变. 这有助于对高度质瘤进行个性化治疗计划.
科学领域:
- 神经瘤学神经瘤学
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
背景情况:
- 质瘤分子亚型对治疗至关重要.
- 端粒酶逆转录酶 (TERT) 促进子突变在质瘤中很常见.
- 需要对TERT突变状态进行非侵入性预测.
研究的目的:
- 开发和验证一种深度学习模型,用于预测质瘤患者的TERT促进物突变状态.
- 使用手术前的MRI进行非侵入性分子亚型化.
- 为了比较不同深度学习架构的性能.
主要方法:
- 对100名高度质瘤患者的回顾性分析.
- 在对比度增强的T1加权MRI上对感兴趣的区域进行手动注释.
- 培训和评估了五种深度学习模型 (RegNet,GhostNet,MobileNet,ResNeXt50,ShuffleNet) 的使用情况.
- 性能指标包括准确性,精度,回忆和F1分数.
主要成果:
- 雷格网实现了最高的性能,精度为0.7742和AUC为0.7182.
- RegNet在捕捉与TERT突变相关的成像特征方面表现出卓越的能力.
- 该模型显示了TERT突变状态的中等歧视力.
结论:
- 开发的RegNet模型可以有效地从常规MRI中预测TERT促进子突变状态.
- 这种非侵入性方法有助于进行手术前的分子亚型和针对质瘤的个性化治疗计划.
- 建议进一步进行多中心验证,以提高临床适用性.
更多相关视频
06:53Detection and Monitoring of Tumor Associated Circulating DNA in Patient Biofluids
Published on: June 8, 2019
9.2K
09:09Laser Capture Microdissection of Glioma Subregions for Spatial and Molecular Characterization of Intratumoral Heterogeneity, Oncostreams, and Invasion
Published on: April 12, 2020
7.5K
