使用MRI深度学习区分胶质母细胞瘤（IDH野生型）与中枢神经系统弥漫大B细胞淋巴瘤 开放获取

《Cancer Research Communications》：MRI Deep Learning for Differentiating Glioblastoma, IDH-Wildtype from Central Nervous System Diffuse Large B-cell Lymphoma Open Access

　　

摘要

胶质母细胞瘤（IDH野生型，GBM）和中枢神经系统弥漫大B细胞淋巴瘤（CNS-DLBCL）是具有重叠MRI特征的侵袭性脑肿瘤，但治疗方法却不同。需要非侵入性工具来辅助鉴别诊断。本研究利用T1增强和T2加权MRI序列进行深度学习，以区分GBM和CNS-DLBCL。采用三阶段的时间序列研究设计。模型开发基于1998年至2019年间在梅奥诊所诊断的146例CNS-DLBCL患者和146例在年龄、性别及MRI年份上匹配的GBM患者数据。模型在独立的时间序列测试队列中进行了验证。初步测试包括1998年至2019年间在梅奥诊所诊断的240例GBM患者；前瞻性测试队列包括2020年1月1日后在梅奥诊所诊断的37例CNS-DLBCL患者、256例GBM患者，以及在外部机构诊断的36例CNS-DLBCL患者。在梅奥诊所诊断的患者中，47%的MRI数据来自非梅奥机构。比较了两种不同的模型方法：(i) 使用AUC和交叉验证进行模型选择的集成方法；(ii) 通过最小化交叉熵损失和交叉验证来评估预测性能的损失方法。在前瞻性测试队列中，集成方法的AUC为0.84（95%置信区间：0.78–0.90），损失方法的AUC为0.83（95%置信区间：0.77–0.88）。随着模型数量的增加，集成预测的稳定性得到了提高。分层AUC分析显示，在不同性别和年龄组中性能一致。我们采用了稳健的时间序列研究设计，并应用了两种不同的分析方法来开发分类模型。研究结果证实了使用基于MRI的深度学习模型区分GBM和CNS-DLBCL的可行性。