基于Transformer的多序列MRI特征集成方法，区分颅内孤立性纤维瘤与血管瘤性脑膜瘤并预测其预后

《European Journal of Medical Research》：Distinguishing intracranial solitary fibrous tumors from angiomatous meningiomas and predicting prognosis based on transformer for multi-sequence MRI feature integration

　　

摘要

背景

深度学习（DL）模型在区分颅内孤立性纤维瘤（ISFTs）和血管性脑膜瘤（AMs）以及预测ISFTs患者的总体生存期（OS）方面的价值尚未得到系统评估。本研究的目的是开发并验证一个基于MRI的DL模型，以区分ISFTs和AMs，并预测ISFTs患者的OS。

方法

我们基于2008年1月至2023年1月期间诊断为ISFTs和AMs的患者的术前MRI扫描数据，开发并验证了（Transformer + Clinic）模型和临床模型。这些数据来自主要队列（PC）和外部验证队列（EVC）。我们随机选取了139名ISFT患者组成随访队列。在两个队列中，接收者操作特征曲线（ROC）下曲线面积（AUC）最高的模型被确定为最优模型（OM）。随访队列根据OM计算出的固定临界值被分为高风险组和低风险组。

结果

在EVC队列中，（Transformer + Clinic）模型中的OM（Stepglm[both] + GBM）在区分ISFTs和AMs方面优于临床模型中的OM（Lasso + GBM），其AUC分别为0.936（95% CI 0.891–0.971）和0.883（95% CI 0.812–0.943）。尽管使用（Stepglm[both] + GBM）计算出的临界值（2.46）时，ISFT患者的高风险组和低风险组在OS上存在显著差异（P = 0.04），但使用（Lasso + GBM）计算出的临界值（5.01）在这方面作用有限（P = 0.15）。

结论

（Stepglm[both] + GBM）模型能够区分ISFTs和AMs。该模型计算出的临界值可用作ISFT患者的风险分层工具。

临床意义

DL模型能够在MRI上实现ISFTs和AMs的术前区分，这可能为术前风险分层和个性化管理计划提供决策支持。