人工智能管道预测了来自常规手术前MRI脑膜瘤的综合分子形态风险评分

科学领域:

• 神经瘤学神经瘤学
• 医学成像分析分析 医学成像分析
• 医学中的人工智能

背景情况:

• 脑膜瘤是最常见的原发性脑瘤,需要非侵入性生物标志物进行风险分层.
• 综合风险评分 (IRS),结合等级,甲基化和副本数变化 (CNV),预测脑膜瘤进展.
• 准确的手术前预测IRS对于指导临床决策至关重要.

研究的目的:

• 使用手术前MRI扫描预测脑膜瘤的分子形态综合风险评分 (IRS).
• 为了评估放射学,卷积神经网络 (ResNet101) 和视觉变压器 (ViT) 模型的性能.

主要方法:

• 对2个多机构的脑内膜瘤数据集进行了回顾性分析,这些数据集具有匹配的分子和 CNV 配置文件.
• 开发一个带有支向量机 (SVM) 分类器的放射学模型.
• 实施和培训ResNet101和视觉转换器 (ViT) 深度学习模型.

主要成果:

• 视力变压器 (ViT) 模型在预测低和中等/高IRS脑膜瘤方面获得了最高的准确度 (89.4%) 和精度 (89.1%).
• ResNet101模型的准确率为85.3%,而SVM模型的AUC为80.4%,准确率为78.2%.
• 瘤分布包括53个世卫组织I类,22个II类,1个III类和IRS类的53个低,18个中等和5个高.

结论:

• 这项研究是首次将ViT架构应用于精确的IRS预测,来自于脑膜瘤患者的常规术前MRI.
• 开发的管道为早期风险分层提供了一个生物知情和临床相关的模型.
• 这种方法有可能在未来用于为脑膜瘤管理提供决策支持.