基于 MRI 的 2.5 维多示例深度学习用于鉴别肺癌脑转移瘤的病理亚型

《JOURNAL OF MAGNETIC RESONANCE IMAGING》:MRI-Based 2.5D Multi-Instance Deep Learning for Differentiating Pathological Subtypes of Brain Metastases From Lung Cancer

【字体: 大 中 小 】 时间:2026年10月14日 来源:JOURNAL OF MAGNETIC RESONANCE IMAGING 4.3

编辑推荐:

   摘要 背景 小细胞肺癌(SCLC)与非小细胞肺癌(NSCLC)脑转移的治疗策略不

  

摘要

背景

小细胞肺癌(SCLC)与非小细胞肺癌(NSCLC)脑转移的治疗策略不同,需要准确的非侵入性亚型鉴别。

目的

开发并外部验证一种基于双参数MRI的2.5D多实例学习(MIL)深度学习(DL)模型,用于鉴别SCLC与NSCLC脑转移,并将其性能与临床模型、影像组学模型和3D-DL模型进行比较。

研究类型

回顾性研究。

人群

本研究纳入来自四家机构的366例患者。中心1提供训练集(n?=?199;平均年龄,63.88?±?10.79岁;男性占72.36%)和内部调优集(n?=?85;平均年龄,64.73?±?9.53岁;男性占67.06%)。中心2至4合并为单一外部测试集(n?=?82;平均年龄,62.26?±?10.60岁;男性占63.41%)。

场强/序列

1.5 T和3.0 T;对比增强T1加权成像和液体衰减反转恢复(FLAIR)成像。

评估

将2.5D-MIL模型与临床模型、影像组学模型和3D-DL模型进行基准比较,并在内部调优集和合并外部测试集上进行评估。

统计检验

采用夏皮罗-威尔克检验、学生t检验、曼-惠特尼U检验、卡方检验、单变量和多变量逻辑回归以及DeLong检验。性能指标包括受试者工作特征曲线下面积(AUC)及其95%置信区间,以及分类和校准指标。统计学显著性定义为双侧p?

结果

在内部调优集中,AUC值分别为:0.842(2.5D-MIL)、0.740(临床模型)、0.710(影像组学)和0.747(3D-DL)。在外部测试集中,AUC值分别为:0.826(2.5D-MIL)、0.826(临床模型)、0.696(影像组学)和0.664(3D-DL)。2.5D-MIL与临床模型(p?=?1.000)、影像组学模型(p?=?0.139)和3D-DL模型(p?=?0.119)之间的差异无统计学意义。

数据结论

基于MRI的2.5D-MIL模型在非侵入性鉴别SCLC与NSCLC脑转移方面显示出潜力。临床应用前仍需进行更大规模的前瞻性研究。

证据等级

3级。

技术有效性

2期。

简明摘要

小细胞肺癌和非小细胞肺癌在发生脑转移时需要不同的治疗方案,但亚型确认通常需要组织采样。本研究开发了一种机器学习模型,通过分析常规脑部MRI来鉴别这些亚型,并利用多家医院的数据进行了评估。该模型在外部测试队列中表现出令人鼓舞的性能,但仍需进行更大规模的前瞻性研究。在无法进行活检时,该模型可提供补充信息以辅助治疗决策,作为病理检查的辅助工具而非替代品。

利益冲突

作者声明无利益冲突。

数据可用性声明

本研究中使用和/或分析的数据集可向通讯作者提出合理请求获取。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号