利用肿瘤位置三维概率分布改进儿科低级别胶质瘤分子亚型识别的深度学习模型
计算机视觉与模式识别
2023-10-26 v2 机器学习
摘要
背景与目的：儿科低级别胶质瘤 (pLGG) 是儿童中最常见的脑肿瘤类型，识别 pLGG 的分子标志物对于成功的治疗规划至关重要。用于 pLGG 亚型识别的卷积神经网络 (CNN) 模型依赖于肿瘤分割。我们假设肿瘤分割并非最优，因此提出利用 MRI 数据中肿瘤位置概率来增强 CNN 模型。材料与方法：我们这项经 REB 批准的回顾性研究纳入了 143 例 BRAF 融合与 71 例 BRAF V600E 突变肿瘤的 MRI 液体衰减反转恢复 (FLAIR) 序列。肿瘤分割（感兴趣区域 (ROIs)）由一名儿科神经放射学研究员提供，并由一名资深儿科神经放射学家核实。在每项实验中，我们将数据按 80/20 比例随机划分为开发集与测试集。我们将开发数据集中每一类的 3D 二值 ROI 掩膜合并以导出肿瘤位置的概率密度函数 (PDF)，并开发了三条流程：基于位置的、基于 CNN 的以及混合的。结果：我们以不同模型初始化与数据划分重复实验 100 次，并计算受试者工作特征曲线下面积 (AUC)。基于位置的分类器达到 AUC 77.90，95% 置信区间 (CI) (76.76, 79.03)。基于 CNN 的分类器达到 AUC 86.11，CI (84.96, 87.25)，而肿瘤位置引导的 CNN 以前者平均 AUC 88.64 CI (87.57, 89.72) 优于前者，且具有统计显著性（Student's t 检验 p 值 0.0018）。结论：我们通过将肿瘤位置纳入 CNN 模型取得了统计显著的改进。我们的结果表明手动分割的 ROI 可能并非最优。
引用
@article{arxiv.2210.07287,
title = {Improving Deep Learning Models for Pediatric Low-Grade Glioma Tumors Molecular Subtype Identification Using 3D Probability Distributions of Tumor Location},
author = {Khashayar Namdar and Matthias W. Wagner and Kareem Kudus and Cynthia Hawkins and Uri Tabori and Brigit Ertl-Wagner and Farzad Khalvati},
journal= {arXiv preprint arXiv:2210.07287},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2207.14776