用于MRI上空间肿瘤生长的生成式AI：一项针对儿童弥漫性中线胶质瘤的原理验证研究

《BMC Medicine》：Generative AI for spatial tumor growth on MRI: a proof-of-principle study in pediatric diffuse midline glioma

　　

摘要

背景

磁共振成像（MRI）是神经肿瘤学中非侵入性诊断和疗效监测的基石，基于患者解剖结构的肿瘤空间进展预测变得越来越重要。我们通过生成式人工智能展示了在MRI上实现个性化肿瘤空间进展的原理验证，重点关注儿童弥漫性中线胶质瘤（DMG）。

方法

我们采用了引导式去噪扩散隐式模型（DDIM）来模拟儿童DMG在MRI中的解剖学肿瘤生长。使用来自BraTS23挑战赛的成人（n=1,251）和儿童（n=144）患者的多参数扫描数据，基于基线扫描和目标肿瘤大小训练了一个基于切片的框架。通过重复生成图像，得到了概率肿瘤生长图，突出了可能的进展区域。生成MRI的真实性通过专家评估进行了定量和定性评估。空间生长预测通过一个多机构放疗前DMG数据集的独立纵向MRI扫描数据集（n=178对切片）进行了验证。

结果

我们生成了具有解剖学一致性的、针对患者的T2-FLAIR（液体衰减反转恢复）MRI轴向切片。定量测量和专家评估证实了生成图像的高质量，训练有素的放射科医生无法将其与真实扫描区分开来（准确率为0.53±0.03）。虽然放射组学特征分析显示合成图像和真实图像之间有很好的一致性（83%的特征无显著差异），但分类器检测到了细微的像素级差异（准确率为0.69）。肿瘤生长概率图与随访成像中观察到的真实肿瘤生长情况吻合良好，平均连续DICE得分为0.79±0.13。

结论

我们提出了引导式DDIM作为肿瘤空间生长的预测工具，并以DMG的进展为例进行了说明，这表明其在个性化放疗计划中的潜力。我们全面的图像质量分析强调了仔细评估合成数据及其在研究和临床工作流程中整合的重要性。