基于MRI的深度学习和放射学用于P53abn子宫内膜癌的手术前预测:一项多中心研究

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 子宫内膜癌 (EC) 的分类依赖于分子亚型,影响治疗.
• 准确的手术前识别像p53异常 (p53abn) 这样的亚型对于风险分层至关重要.
• 目前的方法可能缺乏针对亚型差异的非侵入性精度.

研究的目的:

• 开发和验证基于磁共振成像 (MRI) 的非侵入性深度学习和放射学方法.
• 为了在手术前区分p53异常 (P53abn) 子宫内膜癌.
• 为了促进个性化治疗规划的精细风险分层.

主要方法:

• 对920名患有子宫内膜癌的患者进行了回顾性分析,这些患者接受了手术前的MRI.
• 开发一个两阶段的深度学习架构 (V-Net,VB-Net) 用于自动化瘤细分.
• 放射性特征提取和机器学习分类器 (SVM,RF,LR,DT) 用于P53abn差异化.

主要成果:

• 自动化细分实现了高的子相似系数 (DSC):77.4% (T2WI),84.9% (DWI),80.1% (CE-T1WI).
• 随机森林 (RF) 分类器显示了最高的AUC (0.924内部,0.863外部).
• 自动和手动细分之间没有显著差异 (P = 0.109-0.454).

结论:

• 集成的深度学习和放射学管道为EC风险分层提供了一个有希望的非侵入性方法.
• 该模型在识别P53abn亚型方面表现出很高的性能.
• 这种方法可以支持针对子宫内膜癌的个性化治疗计划.