肿瘤研究|使用卷积神经网络,实现无肿瘤分割的全脑MRI胶质瘤生存预测-肿瘤头条

肿瘤研究|使用卷积神经网络,实现无肿瘤分割的全脑MRI胶质瘤生存预测

发布: 07月05日

作者: 肿瘤科普卫士 | 阅读量 1639

弥漫性胶质瘤是成人最常见的颅内原发性恶性肿瘤之一，复发率极高。传统上，成人弥漫性胶质瘤在组织病理学上分为世界卫生组织（WHO）II级、III级（低级别胶质瘤，LrGG）和IV级（胶质母细胞瘤，GBM）。2016年和2021年的最新WHO标准对分类进行了调整，强调了分子标志物如异柠檬酸脱氢酶（IDH）突变等新的指标以实现更准确的分类。

最近，建立在大型标记医学图像数据库上的卷积神经网络（CNN）在疾病分类任务中显示出巨大潜力。然而与诊断相比，卷积神经网络的预后性能还没有得到全面的研究。另一方面，卷积神经网络需要大量的标记图像进行模型训练才能达到可接受的准确性。为了从CT或MRI中训练出一个准确的模型，大多数卷积神经网络需要分割的病变图像作为输入。然而，手动分割MRI中的胶质瘤是一项耗时的工作，自动化的肿瘤分割算法也需要手动分割的肿瘤图像作为训练实例。因此，建立一个基于卷积神经网络的免去肿瘤分割的生存预测模型，无疑具有巨大的临床效益。

近日，发表在EuropeanRadiology杂志的一项研究开发和验证了一个用于预测术前全脑MRI的胶质瘤总生存率且无需对肿瘤进行分割的深度卷积神经网络（DeepRisk），并将深度卷积神经网络与根据专家分割的肿瘤图像建立的传统深度学习模型进行了比较，同时评估了深度卷积神经网络在临床和基因图谱中的预后价值。

本项多中心回顾性研究建立了两个深度学习模型用于从MRI中预测生存率，包括从全脑MRI中建立的深度卷积神经网络模型以及从专家分割的肿瘤图像中建立的原始ResNet模型。两个模型都是使用训练数据集（n = 935）和内部调整数据集（n = 156）开发的，并在两个外部测试数据集（n = 194和150）和TCIA数据集（n = 121）上进行测试。C-指数、综合Brier得分（IBS）、预测误差曲线和校准曲线被用来评估模型的性能。

总共有1556名患者入选（年龄，49.0±13.1岁；830名男性）。深度卷积神经网络评分是一个独立的预测因素，可以将每个测试数据集中的患者分层为三个风险亚组。深度卷积神经网络的IBS和C-index在外部测试数据集1中分别为0.14和0.83，在外部数据集2中为0.15和0.80，在TCIA数据集中为0.16和0.77，这与原始ResNet的预测结果相当。深度卷积神经网络在6、12、24、26和48个月的AUC在0.77和0.94之间。将深度卷积神经网络评分与临床分子因素结合起来，得到的提名图比临床列线图具有更好的校准和分类准确性（净分类改善0.69，P < 0.001）。