利用对抗学习优化基于 MRI 扫描的 MGMT 启动子甲基化预测
图像与视频处理
2022-01-28 v2 计算机视觉与模式识别
机器学习
摘要
多形性胶质母细胞瘤（GBM）是一种恶性脑癌，约占所有脑和中枢神经系统（CNS）癌症的 48%。据估计，美国每年因 GBM 死亡超过 13,000 人，因此建立可带来可预测且有效治疗的早期诊断是至关重要的。GBM 诊断后最常见的治疗是化疗，其通过使快速分裂细胞进入凋亡发挥作用。然而，当 MGMT 启动子序列发生甲基化时该治疗无效，反而导致严重副作用并降低患者存活率。因此，能够通过基于非侵入性磁共振成像（MRI）的机器学习（ML）模型识别 MGMT 启动子甲基化状态十分重要。这利用脑肿瘤分割（BraTS）2021 数据集完成，该数据集近期用于一项国际 Kaggle 竞赛。我们开发了四个主要模型——两个放射组学模型和两个 CNN 模型——各自以渐进改进解决二分类任务。我们构建了一种称为中间状态生成器的新颖 ML 模型，用于归一化所有 MRI 扫描的层厚。经进一步改进，我们的最佳模型性能显著（）优于表现最佳的 Kaggle 模型，平均交叉验证准确率提升 6%。该改进可能有助于更明智地选择化疗作为治疗选项，延长每年数千名 GBM 患者的生命。
引用
@article{arxiv.2201.04416,
title = {Optimizing Prediction of MGMT Promoter Methylation from MRI Scans using Adversarial Learning},
author = {Sauman Das},
journal= {arXiv preprint arXiv:2201.04416},
year = {2022}
}