跳到主要内容

话题

诊断成像

诊断成像

扩散MRI和机器学习模型对童年脑肿瘤进行分类

Example MR images

脑和脊髓瘤是儿童中最常见的癌症,占所有儿童癌症的26%。这些肿瘤中的许多肿瘤都存在于称为后窝的大脑的区域中,最常见的位点是小脑。这些脑肿瘤有三种主要类型 - Enencoma,Medulloblastoma和硫脲星形细胞瘤 - 以及各种的治疗和前景是不同的,准确的肿瘤类型鉴定对于有助于改善手术规划是重要的。

目前临床实践中使用的最广泛的方法表征这些肿瘤是通过获取的脑MRIS,然后通过放射科医师评估。然而,由于这三种类型的癌症的重复性,这种定性分析往往是具有挑战性的。如果没有添加的活组织检查确认,这使得诊断困难。一种可能的解决方案是使用扩散加权成像,该成像测量组织中水分子的随机运动,揭示组织微体系结构的细节。这种更先进的MR技术可以提供关于肿瘤的定量信息,以表观扩散系数(ADC)图的形式,目的是改善诊断。

基于AI的小儿肿瘤分类......

由英国的多中心研究,由此引领 伯明翰大学 包括来自的研究人员 沃里克大学,专注于分析后窝的小儿脑肿瘤的ADC地图。目的是准确识别肿瘤类型,无需活组织检查。为实现这一目标,本集团采用了机器学习技术,并表明可以区分三种最常见的儿科后浮肿脑肿瘤。他们报告他们的结果 科学报告.

安德鲁撒尿 从伯明翰大学解释:“当孩子患上可能意味着他们有脑肿瘤的症状时,初步扫描对于家庭来说是如此艰难的时刻,并且可以理解他们尽快答案。在这里,我们组合了易于使用人工智能的扫描,提供高水平的诊断准确性,可以开始给出一些答案。“

...在大型多中心研究中

该研究涉及来自英国五个主要治疗中心的117名患者(诺丁汉,纽卡斯尔,曼德街儿童医院伦敦,桤木嘿Liverpool和伯明翰儿童医院),由12个不同的医院提供MR图像(包括当地医院有他们的第一个扫描),共18个不同的扫描仪。通过手动围绕肿瘤制定兴趣区(ROI)的小儿神经影像专家来分析图像。然后研究人员从肿瘤罗伊斯提取ADC值,并从ADC直方图中提取一系列指标。

该组使用这些特征作为两个机器学习分类器的输入,一个名为Naïve贝叶斯(NB)的线性模型和称为随机森林(RF)的非线性模型,并培训了它们在三种最常见类型的儿科后的儿科浮肿脑肿瘤。 RF方法实现了86.3%的最佳总体分类精度,而Nb分类器的突变分类率最高为80.8%。

作者报告说,这些准确性不如在其他研究中看到的那么高。然而,他们注意到他们的研究是“比上述研究更大,与医院,扫描仪和采集协议的更加异构数据输入”。事实上,“以前的使用这些技术的研究基本上限于单一专家中心,”添加豌豆。 “表明他们可以在这么多医院工作开门,以便许多孩子从脑肿瘤的快速无侵袭诊断中受益。这些是非常令人兴奋的时期,我们现在正在努力工作,开始制作这些人工智能技术广泛使用。“

Theo Arvanitis

“使用来自扩散加权图像的ADC值等AI和提前磁共振成像特性可能有助于以非侵入性方式在后索达的主要三种不同类型的儿科肿瘤之间进行区分,”共同作者解释说 Theo Arvanitis. 来自华威大学。

“如果这种先进的成像技术与AI技术相结合,可以常规地注册到医院内,这意味着儿童脑肿瘤可以更有效地表征和分类,并且又可以以有利的方式以更快的方式追求这种治疗患有这种疾病的儿童,“Arvantis补充道。

版权©2021由IOP Publishing Ltd和个人贡献者