关键词:
神经胶质瘤
磁共振成像
病理学
基因
肿瘤分级
深度学习
ROC曲线
摘要:
目的 建立基于MRI与全视野数字切片(WSI)特征融合的双层特征蒸馏的多实例学习(DLFD-MIL)模型,实现对成人型弥漫性胶质瘤IDH1突变、1p/19q共缺失及世界卫生组织(WHO)分级的高精准性预测。方法 选择2021年1月至2024年6月复旦大学附属华山医院收治的212例成人型弥漫性胶质瘤患者及美国癌症基因组图谱计划42例成人型弥漫性胶质瘤病例,联合分析术前T2-FLAIR影像与术后WSI数据。构建DLFD-MIL模型,采用伪包生成策略解决WSI弱监督学习中的实例标签缺失问题,Concat融合方式实现多模态融合;绘制受试者工作特征曲线,以曲线下面积比较单模态与多模态特征融合对胶质瘤基因状态和WHO分级的预测效能。结果 在IDH1突变预测任务中,多模态特征融合模型的曲线下面积大于单模态WSI模型(Z=2.752,P=0.006)和单模态T2-FLAIR模型(Z=5.662,P=0.000);在1p/19q共缺失预测任务中,多模态特征融合模型的曲线下面积与单模态WSI模型(Z=-0.245,P=0.806)和单模态T2-FLAIR模型(Z=0.781,P=0.435)差异均无统计学意义;在WHO分级预测任务中,多模态特征融合模型的曲线下面积大于单模态T2-FLAIR模型(Z=4.830,P=0.000),而与单模态WSI模型差异无统计学意义(Z=1.739,P=0.082)。结论 基于宏观与微观影像学特征融合模型可以提高胶质瘤IDH1基因分型和WHO分级的预测精度,为临床制定个性化治疗方案提供可靠的人工智能决策支持工具。