超越概念验证:在纵向随访中验证了用于临床应用的强大的自动扩散低级质瘤细分的有效性

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 瘤学 在瘤学方面.

背景情况:

• 由于透性瘤生长和手术后的变化,在MRI上监测扩散性低级质瘤 (DLGG) 的进展是很困难的.
• 虽然RANO标准评估2D瘤大小,但体积分析是计算生长率的标准.
• 手动细分是耗时的,阻碍了临床应用;像nnU-Net这样的自动化工具需要验证.

研究的目的:

• 开发和验证DLGG.Net的自动化nnU-Net细分算法.
• 评估专家神经放射学家对自动细分的准确性与手动细分相比.
• 评估用于临床DLGG监测的自动化细分的潜力.

主要方法:

• 通过对207名DLGG患者的1971年MRI扫描进行内部nnU-Net算法的训练和验证.
• 在多个系统中利用多种MRI采集 (2D/3D FLAIR,T1加权).
• 将自动分段 (AS) 与手动分段 (MS) 进行比较,使用子相似系数 (DSC),交叉与欧盟 (IoU) 和一致性相关系数 (CCC).

主要成果:

• 实现了0.93的中位数DSC和0.86.8的IOU.
• 在64%的验证病例中获得了优异的DSC (≥0.9);在31%的验证病例中获得了良好的DSC ([0.7-0.9]).
• 在AS和MS之间,瘤体积 (CCC:0.991) 和平均瘤直径 (CCC:0.989) 几乎完全一致.

结论:

• 自动化的nnU-Net细分工具显示了DLGG的高精度.
• 该算法显示了在DLGG监测中临床整合的巨大潜力.
• 这项技术可以提高扩散性低级质瘤的管理.