使用DSC输液MRI和机器学习区分内持续转移和脑膜瘤
Seyit Erol1, Halil Özer1, Ahmet Baytok1
1Department of Radiology, Faculty of Medicine, Selcuk University, Konya 42130, Türkiye.
Diagnostics (Basel, Switzerland)
|March 14, 2026
概括
动态敏感性对比 (DSC) perfusion MRI 参数,特别是相对脑血流 (rCBF) 和相对脑血量 (rCBV),有效地区分内持续转移 (IDMs) 和脑膜瘤. 整合这些指标的机器学习模型可以提高诊断特异性,同时保持对IDM的高灵敏度.
科学领域:
- 神经成像是一种神经成像.
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
背景情况:
- 区分脑内持续转移 (IDM) 和脑膜瘤对于治疗规划至关重要.
- 当前的诊断方法可能在区分这些基于持续时间的病变方面存在局限性.
研究的目的:
- 为了评估动态敏感度对比 (DSC) perfusion MRI 参数的诊断性能.
- 评估机器学习方法在区分IDM和脑膜瘤方面的有用性.
主要方法:
- 对56名患者65个基于持续时间的内病变 (27个IDM,38个脑膜瘤) 的回顾性分析.
- 提取DSC输液MRI参数:相对脑血量 (rCBV) 和相对脑血流 (rCBF).
- 机器学习模型的开发和验证,包括使用嵌套交叉验证的线性差异分析 (LDA).
主要成果:
- 与IDM相比,脑膜瘤的中位数rCBV和rCBF显著更高 (p < 0.001).
- 单变量分析显示,rCBF_平均值 (AUC:0.82) 和rCBV_平均值 (AUC:0.82) 的诊断歧视很强.
- 整合rCBF_mean和rCBV_mean的LDA模型实现了0.81的外折AUC,使得在85%的转移灵敏度下,特异性提高到85%.
结论:
- DSC输液MRI衍生的rCBF和rCBV是区分IDM和脑膜瘤的可靠生物标志物.
- 包含这些 perfusion 参数的可解释机器学习模型可以提高诊断特异性,而不会影响灵敏度.
更多相关视频
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.8K
10:25Author Spotlight: Integrating High-Resolution Intravital Imaging and MRI to Enhance Stereotactic Body Radiation Therapy Planning
Published on: April 12, 2024
2.6K
