换一批影像组学结合深度学习预测异柠檬酸脱氢酶野生型弥漫性星形细胞瘤的端粒酶逆转录酶启动子状态
Radiomics Combined with Deep Learning in Predicting Telomerase Reverse Transcriptase Promoter Status in Isocitrate Dehydrogenase-Wildtype Diffuse Astrocytoma
摘要目的 探讨基于MRI的影像组学和深度学习建立融合模型预测异柠檬酸脱氢酶野生型弥漫性星形细胞瘤的端粒酶逆转录酶启动子(TERTp)突变状态.资料与方法 回顾性分析2019年 1月—2021年6月重庆医科大学附属第一医院癌症基因组图谱和癌症影像档案的 175 例异柠檬酸脱氢酶野生型弥漫性星形细胞瘤患者(训练组 122 例,测试组 53 例),评估其TERTp突变状态.在T1c和T2f图像上勾画水肿区和肿瘤区,使用SE-Net模型构建深度学习模型,提取不同区域(水肿区、肿瘤区和整体病变)的组学特征,并通过最小绝对收缩和选择算法筛选11个特征建立组学模型.最后,将影像组学模型、深度学习模型和包含伦勃朗视觉感受图像特征的临床模型结合为融合模型,使用校准曲线和决策曲线评估模型.结果 最终建立6 个预测模型,临床模型训练组和测试组曲线下面积(AUC)分别为0.815(95%CI 0.738～0.892)和0.645(95%CI 0.494～0.796);深度学习模型训练组和测试组AUC分别为0.860(95%CI 0.798～0.922)和0.735(95%CI 0.614～0.856);融合组学模型比单独水肿或肿瘤区组学模型预测性能更优,训练组和测试组AUC分别为0.906(95%CI 0.856-0.955)和0.867(95%CI 0.769～0.964);融合模型预测性能最佳,训练组和测试组AUC分别为0.964(95%CI 0.929～1.000)和0.905(95%CI 0.818～0.991).结论 影像组学结合深度学习的临床融合模型在预测异柠檬酸脱氢酶野生型弥漫性星形细胞瘤的TERTp突变状态方面表现良好.
更多相关知识
关键词
星形细胞瘤磁共振成像影像组学深度学习端粒酶逆转录酶启动子异柠檬酸脱氢酶AstrocytomaMagnetic resonance imagingRadiomicsDeep learningTERT promoterIsocitrate dehydrogenase
栏目名称
DOI
10.3969/j.issn.1005-5185.2024.11.002
发布时间
2024-12-11（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
