基于自适应微调迁移学习的MGMT启动子甲基化状态识别
医学物理
2024-01-11 v2
摘要
多形性胶质母细胞瘤（GBM）是一种侵袭性恶性脑肿瘤，通常预后不良。治疗通常包括手术切除、放射治疗和烷化剂化疗的组合，但即便采用这些强化治疗，2年生存率仍非常低。O6-甲基鸟嘌呤-DNA甲基转移酶（MGMT）启动子甲基化已被证明是化疗耐药性的预测性生物标志物，但确定其甲基化状态具有侵入性且耗时。因此，人们致力于通过机器学习分析MRI扫描来预测MGMT甲基化状态，这仅需要GBM患者标准诊疗中已有的术前扫描。我们开发了具有自适应微调能力的3D SpotTune网络，以改进常规迁移学习在识别MGMT启动子甲基化状态中的性能。利用MedicalNet的预训练权重结合SpotTune网络，我们将其性能与两个等价网络进行比较：一个用MedicalNet权重初始化但无自适应微调，另一个用随机权重初始化。这三个网络使用UPENN-GBM数据集（宾夕法尼亚大学提供的公共GBM数据集）进行训练和评估。SpotTune网络使迁移学习能够适应个体患者，从而在使用MRI预测GBM中MGMT启动子甲基化状态方面相较于随机初始化权重的网络取得了更优性能。
引用
@article{arxiv.2310.12373,
title = {Adaptive Fine-tuning based Transfer Learning for the Identification of MGMT Promoter Methylation Status},
author = {Erich Schmitz and Yunhui Guo and Jing Wang},
journal= {arXiv preprint arXiv:2310.12373},
year = {2024}
}
备注
21 pages, 5 figures. Preprint