换一批基于多参数MRI深度学习模型鉴别脑转移瘤放疗后放射性脑损伤和肿瘤复发
Differentiating Radiation-Induced Brain Injury from Tumor Recurrence in Patients with Brain Metastases After Radiotherapy via Deep Learning Models Based on Multiparametric MRI
摘要目的 构建并评估基于多参数MRI与临床资料嵌入策略的深度学习模型,用于精准鉴别脑转移瘤患者立体定向放射外科治疗后放射性脑损伤与肿瘤复发.资料与方法 回顾性纳入2016年1月—2024年12月于解放军总医院第一医学中心接受立体定向放射外科治疗的82例脑转移瘤患者.所有病例经病理活检或≥6个月随访确诊,分为放疗后放射性脑损伤组与肿瘤复发组.基于T1WI增强与T2WI序列,由放射科医师手动勾画病灶区域,并提取影像特征,构建融合MRI影像与临床资料(包括患者信息、肿瘤特征与治疗参数)的深度学习模型.采用五折交叉验证,以受试者工作特征曲线下面积、敏感度、特异度、准确度评估模型鉴别放疗后放射性脑损伤组与肿瘤复发的性能.结果 单一MRI影像模型鉴别放疗后放射性脑损伤组与肿瘤复发的平均曲线下面积为0.89(95％CI 0.79～0.96),敏感度为84％,特异度为97％,准确度为89％;影像-临床融合模型的平均曲线下面积为0.92(95％CI 0.85～0.98),敏感度为84％,特异度为97％,准确度为91％.两模型曲线下面积差异无统计学意义(Z=0.777,P=0.473).结论 基于MRI影像与临床资料嵌入的深度学习模型在鉴别脑转移瘤放疗后放射性脑损伤与肿瘤复发方面表现出良好性能,可为临床决策提供参考依据.
更多相关知识
关键词
脑转移瘤磁共振成像放射性脑损伤肿瘤复发深度学习诊断,鉴别Brain metastasesMagnetic resonance imagingRadiation-induced brain injuryTumor recurrenceDeep learningDiagnosis,differential
栏目名称
DOI
10.3969/j.issn.1005-5185.2026.06.003
发布时间
2026-07-10（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0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
