修改密码
申请投审稿用户
申请投审稿用户需要填写邮箱和上传个人简历

【精选编译】人工智能深度学习分析多模态影像学特征预测脑肿瘤预后

2020-06-08 姬康祁 花玮

0

胶质瘤是常见的原发性恶性脑肿瘤,精准的分子分型对胶质瘤诊断、治疗以及对危险因素的识别和预后判断非常重要。

为准确地预测生存期,作者从肿瘤多模态影像上提取4524个放射学特征,使用决策树和交叉验证来选择有效特征,最后用随机森林树模型预测患者总体存活率。其结果发表于2019年8月的《Frontiers in Neuroscience》在线。


——摘自文章章节


【Ref: Sun L, et al. Front Neurosci. 2019 Aug 16;13:810. doi: 10.3389/fnins.2019.00810. eCollection 2019.】


研究背景



胶质瘤是常见的原发性恶性脑肿瘤,精准的分子分型对胶质瘤诊断、治疗以及对危险因素的识别和预后判断非常重要。中国深圳南方科技大学创新与创业学院的Li Sun等提出基于人工智能影像学深度学习方法,对脑肿瘤自动分割和预测胶质瘤预后。对于分子分型,采用三种不同的3D卷积神经网络(CNN)架构整合,通过多数规则获得稳健的预测性能,有效减少偏差,提高准确率。为准确地预测生存期,作者从肿瘤多模态影像上提取4524个放射学特征,使用决策树和交叉验证来选择有效特征,最后用随机森林树模型预测患者总体存活率。其结果发表于2019年8月的《Frontiers in Neuroscience》在线。

研究方法



该研究采用2018BraTS数据库,收集285例胶质瘤患者的术前MRI成像资料,请有资质的放射科医生完成定量分析肿瘤区域的多模态影像学特征。但由于肿瘤的外观和形状的高度异质性、边界模糊和成像伪影等,定量分析困难;而人工智能深度学习的自动分割具有速度快、准确性一致和抗疲劳等优点。

该研究设计新的基于人工智能的深度学习框架,从多模态MRI成像中分析肿瘤及其子区域,以及从明确分子分型的肿瘤亚区提取放射学特征以及临床特征进行生存预测。主要包括以下步骤:首先,使用包括三种不同3D卷积神经网络架构的整合模型对肿瘤子区域分型,通过投票获得稳健性能的多数;然后提取放射学特征;接着,使用梯度增强的回归模型训练数据并根据方差等对放射学特征的重要性进行排名和交叉验证;最后,应用随机森林回归模型拟合训练数据并预测患者的总体存活率。完善训练后,通过66例脑肿瘤患者进行验证。该整合模型的预测结果在60多个模型中排名第五,但对分型的预测准确性为61%。

结论



最后,研究结果表明,集成模型的性能优于单个模型,说明集成模型的有效性。该方法减少模型偏差,提高性能。但该模型的特异性远高于敏感性,还需要进一步提高。


版权声明


神外资讯APP所发表的作品包括但不限于文字、图片、视频的版权均为主办方/原作者及神外资讯所有,未经神外资讯明确授权,任何人不得以改编、裁切、复制、转载、摘编、录制等直接或间接的方式盗取任何内容。经神外资讯授权使用的作品,应在授权范围内使用,并请注明来源:神外资讯。如有违反,神外资讯将保留进一步追究侵权者法律责任的权利。神外资讯欢迎个人转发、分享本号发表的作品。