将 ConvNeXt tiny 和放射组学数据整合到一个诺模图中，以区分胶质瘤中的真正进展与假性进展

《Neuroradiology》：Integrating ConvNeXt tiny and radiomics in a nomogram to differentiate true progression from pseudoprogression in glioma

　　```

摘要

目的

由于常规磁共振成像（MRI）上的增强信号模式存在重叠，区分胶质瘤的真性进展（TP）和假性进展（PsP）颇具挑战性。因此，需要一种可靠的、非侵入性的方法来整合影像异质性信息，以提高TP和PsP的鉴别能力。

方法

这项多中心回顾性研究纳入了293名患者，其中208例为真性进展（TP），85例为假性进展（PsP）。研究人员分析了患者的基线多参数MRI数据，并通过重复性、冗余性及LASSO分析筛选出传统的放射组学特征和基于预训练的ConvNeXt Tiny网络的深度学习特征，构建了影像特征谱。这些特征谱与临床因素结合，用于开发深度学习放射组学判别模型（DLRN）。该模型的性能通过ROC分析、校准曲线及决策曲线分析进行了评估，并与放射科医生的评估结果进行了比较。

结果

DLRN显示出优异的预测效能，在测试集中的曲线下面积（AUC）达到了0.908。其性能显著优于任何单一的特征谱（DeLong检验，p < 0.001），也优于两位资深放射科医生的独立评估结果。该模型具有良好的校准性能，决策曲线分析证实了其在不同阈值概率范围内的临床优势。当作为决策辅助工具使用时，该模型显著且一致地提升了两位放射科医生的诊断准确性，训练集和测试集的净重分类改进率均超过1.1（所有p < 0.01）。

结论

这种基于深度学习的影像生物标志物判别模型在区分胶质瘤的TP和PsP方面表现出色，性能优于传统方法和放射科医生的判断结果，有效辅助了临床决策过程。

```