使用深度学习的解剖MRI对质瘤的IDH突变评估:集中和联合学习框架的比较分析
Abdullah Bas1, Esin Ozturk-Isik1,2
1Institute of Biomedical Engineering, Bogazici University, Istanbul 34684, Türkiye.
Diagnostics (Basel, Switzerland)
|February 27, 2026
概括
深度学习模型可以使用标准MRI扫描精确检测分散性质瘤中的异酸脱酶 (IDH) 突变. 语境保护图像预处理显著改善了模型性能,提供了一个非侵入性的诊断替代方案.
科学领域:
- 医疗成像中的人工智能
- 神经瘤学神经瘤学
- 放射学和计算机病理学
背景情况:
- 异酸脱酶 (IDH) 突变状态对于扩散性质瘤的预后至关重要,但需要侵入性组织采样.
- 通过常规的解剖MRI对IDH突变的非侵入性术前识别可以指导临床决策.
- 这项研究研究了使用MRI检测IDH突变的深度学习,并评估了预处理和训练策略.
研究的目的:
- 通过使用解剖MRI评估深度学习模型,用于在扩散性质瘤中进行非侵入性IDH突变检测.
- 为了比较以瘤为重点的图像预处理技术 (NSF与GBSF) 对模型性能的影响.
- 评估集中学习 (CL) 与使用不同聚合策略 (FA与FTM) 的联合学习 (FL) 的表现.
主要方法:
- 一个深度学习分类器 (2D U-Net编码器) 是使用501名扩散质瘤患者的解剖MRI (T1c,T2,FLAIR) 开发的.
- 两种预处理方法,即原始软过 (NSF) 和梯度软过 (GBSF),应用于MRI数据.
- 基于准确性,F1分数和ROC-AUC,对CL和FL (使用FA和FTM) 的模型性能进行了比较.
主要成果:
- 使用原始软过 (NSF) 的集中学习 (CL) 模型实现了最高的性能 (精度=0.949,F1=0.951,ROC-AUC=0.971).
- 在所有评估的培训计划中,NSF的表现始终优于GBSF.
- 与CL相比,联合学习 (FL) 的表现有所下降,联合平均 (FA) 的表现优于联合修剪平均 (FTM).
结论:
- 深度学习模型可以从常规的解剖MRI中准确地分类IDH突变状态,提供一种非侵入性诊断方法.
- 使用NSF的文本保护预处理显著提高模型性能,无论培训方案如何.
- 联合学习提供了一个保护隐私的替代方案,但需要仔细选择聚合策略,以尽量减少性能损失.
