Multimodal
BMC Medicine Band 21, Artikelnummer: 198 (2023) Diesen Artikel zitieren
504 Zugriffe
1 Altmetrisch
Details zu den Metriken
Die Bestimmung des Grades und des molekularen Markerstatus intramedullärer Gliome ist wichtig für die Beurteilung der Behandlungsergebnisse und der Prognose. Eine invasive Biopsie zur Pathologie birgt in der Regel ein hohes Risiko einer Gewebeschädigung, insbesondere des Rückenmarks, und derzeit gibt es keine nicht-invasiven Strategien zur Identifizierung des pathologischen Typs intramedullärer Gliome. Daher zielte diese Studie darauf ab, ein nicht-invasives Modell für maschinelles Lernen zu entwickeln, um Ärzten dabei zu helfen, den Grad des intramedullären Glioms und den Mutationsstatus molekularer Marker zu ermitteln.
Insgesamt wurden 461 Patienten aus zwei Einrichtungen eingeschlossen und ihre sagittalen (SAG) und transversalen (TRA) T2-gewichteten Magnetresonanztomographie-Scans sowie klinischen Daten wurden präoperativ erfasst. Wir verwendeten ein transformatorbasiertes Deep-Learning-Modell, um Läsionen in der SAG- und TRA-Phase automatisch zu segmentieren und ihre Radiomics-Merkmale zu extrahieren. Verschiedene Merkmalsdarstellungen wurden in die vorgeschlagenen neuronalen Netze eingespeist und mit denen anderer Mainstream-Modelle verglichen.
Die Würfelähnlichkeitskoeffizienten des Swin-Transformators in der SAG- und TRA-Phase betrugen 0,8697 bzw. 0,8738. Die Ergebnisse zeigten, dass die beste Leistung in unseren vorgeschlagenen neuronalen Netzen erzielt wurde, die auf multimodalen Fusionsmerkmalen (SAG-TRA-klinisch) basieren. In der externen Validierungskohorte die Bereiche unter der Receiver-Operating-Characteristic-Kurve für den abgestuften (WHO I–II oder WHO III–IV), Alpha-Thalassämie/mentales Retardierungssyndrom X-chromosomal (ATRX)-Status und Tumorprotein p53 (P53)-Status Die Vorhersageaufgaben betrugen 0,8431, 0,7622 bzw. 0,7954.
Diese Studie berichtet über eine neuartige maschinelle Lernstrategie, die erstmals auf multimodalen Merkmalen basiert, um den ATRX- und P53-Mutationsstatus und die Grade intramedullärer Gliome vorherzusagen. Die allgemeine Anwendung dieser Modelle könnte nicht-invasiv mehr tumorspezifische pathologische Informationen zur Bestimmung der Behandlung und Prognose intramedullärer Gliome liefern.
Peer-Review-Berichte
Intramedulläre Gliome (IMGs) sind die häufigsten primären Neoplasien des Rückenmarks und machen etwa 80 % der Rückenmarkstumoren und 2–4 % der Tumoren des Zentralnervensystems aus [1]. Es wird angenommen, dass der Tumorgrad sowie die genetischen und histologischen Merkmale von Gliomen deren Prognose und Ansprechen auf die Behandlung beeinflussen. Die fünfte Ausgabe der WHO-Klassifikation von Tumoren des Zentralnervensystems (WHO CNS5) fördert die Anwendung molekularer Merkmale zur Diagnose und Einstufung. Im Allgemeinen sind eine pathologische Untersuchung und Immunhistochemie (IHC) während einer Operation oder Biopsie erforderlich, um molekulare Tumorbiomarker zu analysieren [2, 3]. Ohne pathologische Anleitung können die Therapiemöglichkeiten für Patienten, die für eine Operation ungeeignet sind oder sich für eine nicht-chirurgische Therapie entscheiden, eingeschränkt sein. Obwohl diese invasiven Untersuchungen relativ sicher sind, können sie das normale Gehirn- oder Rückenmarksgewebe schädigen. Aufgrund der sehr dichten Nervenstruktur des Rückenmarks kann jede geringfügige Verletzung zu dauerhaften Schäden an der Körperfunktion führen [4]. Daher ist die Biopsie für IMGs nicht geeignet, und daher ist die Nachfrage nach alternativen nicht-invasiven Ansätzen, die genetische und histologische Beweise für IMGs liefern können, stark gestiegen [5].
Eine genaue präoperative Klassifizierung der IMG ist für Ärzte von entscheidender Bedeutung, um einen geeigneten Behandlungsplan zu entwickeln. Die präoperative Magnetresonanztomographie (MRT) ist nach wie vor die am weitesten verbreitete und effizienteste Technik zur Erkennung von Rückenmarksläsionen in der klinischen Praxis. Zunehmende Beweise haben gezeigt, dass die Verwendung von MRT zur Vorhersage der Art von Gliomen und molekularer Biomarker wie IDH1, Ki67 und H3-K27M durch maschinelles Lernen oder Deep-Learning-Methoden möglich ist [6,7,8]. Allerdings wurde nur in einer begrenzten Anzahl von Studien versucht, Marker und Klassifizierung von IMGs auf der Grundlage der MRT vorherzusagen, da es an ausreichender Schulung für solch seltene Tumoren mangelt [9, 10].
Obwohl IMGs und Gehirngliome beide aus Gliazellen stammen, unterscheiden sich die molekularen Eigenschaften primärer IMGs erheblich von denen von Gehirngliomen [11, 12]. Wie im WHO CNS5 zusammengefasst, sind die Mutationsstellen-Genotypen von Genen wie Isocitratdehydrogenase (IDH), Tumorprotein p53 (P53) und Alpha-Thalassämie/mentales Retardierungssyndrom X-chromosomal (ATRX) wichtige Indikatoren für die Klassifizierung von Gliomen [13]. Trotz der häufig erwähnten IDH-Mutationen bei Gehirngliomen sind IDH-Mutationen bei IMGs selten. Das Fehlen von IDH-Mutationen in der Wirbelsäule kann nicht zur Unterscheidung zwischen diffusen Astrozytomen Grad I und II herangezogen werden. Darüber hinaus wäre IDH IHC unwirksam, da den meisten IMGs die herkömmliche IDH1 p.R132H-Mutation fehlt [12]. Daher ist die Bestimmung des Mutationsstatus von ATRX und P53 in IMGs besonders wichtig.
Ziel der vorliegenden Studie war die Entwicklung einer nicht-invasiven präoperativen Methode zur Vorhersage des IMG-Grades und des Mutationsstatus molekularer Marker. Zu diesem Zweck analysierten wir retrospektiv die präoperativen MRT-Scans von Patienten mit IMGs, deren ATRX- und P53-Mutationsstatus von IHC getestet wurden. Im experimentellen Design wurden mehrere Merkmalsdarstellungen und gängige Modelle für maschinelles Lernen verglichen, um den überlegenen Vorhersageeffekt zu untersuchen. Nach der Untersuchung der überlegenen Merkmalsdarstellung neuartiger Modelle für maschinelles Lernen, darunter WHO-Mind, ATRX-Mind und P53-Mind, wurden Methoden entwickelt, um den Gliomgrad genau zu klassifizieren und den ATRX- und P53-Mutationsstatus von IMGs vorherzusagen. Darüber hinaus wurde eine strenge externe Validierung durchgeführt, um die Generalisierbarkeit der vorgeschlagenen Methode zu überprüfen.
Diese retrospektive Studie wurde von den Ethikkommissionen des Beijing Tsinghua Changgung Hospital (Krankenhaus 1) und des First Affiliated Hospital der Zhengzhou University (Krankenhaus 2) genehmigt und in Übereinstimmung mit den Grundsätzen der Deklaration von Helsinki durchgeführt. Auf das Erfordernis der Einholung einer Einwilligung nach Aufklärung wurde verzichtet.
Wir haben die Patientenakten von zwei Krankenhäusern gesammelt (Krankenhaus 1: Januar 2015 bis April 2021 und Krankenhaus 2: Februar 2017 bis Oktober 2021). Die Patienteneinschlusskriterien waren die präoperative MRT-Untersuchung, die pathologische Diagnose von IMGs gemäß WHO CNS5 und der IHC-bestätigte ATRX- und P53-Mutationsstatus. Patienten, die sich einer Biopsie, Chemotherapie und Strahlentherapie unterzogen hatten, sowie Patienten mit IMG-Metastasen aufgrund eines Hirnglioms wurden ausgeschlossen. Nach dem ersten Patientenscreening wurden die MRT-Daten ausgewertet und die Ausschlusskriterien lauteten wie folgt: Fehlen sagittaler (SAG) und transversaler (TRA) T2-gewichteter Bildgebungsscans (T2WI) und Artefakte im MRT-Bild.
Es wurden Daten zu klinischen Ausgangsmerkmalen gesammelt, darunter Alter, Geschlecht, Rauchen, Alkoholkonsum, Krankengeschichte mit Begleiterkrankungen, Zeitpunkt des Auftretens, präoperativer McCormick-Score und radiologische Merkmale tumorbedingter Läsionen. Darüber hinaus wurden alle radiologischen Merkmale, einschließlich Tumoranzahl, Achsenverhältnis (Tumor/Rückenmark), Blutungen, Zysten, Rückenmarkshöhle, Ödeme, Atrophie und Missbildungen, unabhängig voneinander von drei Neuroradiologen beurteilt. Alle diese Merkmale konnten nicht durch radiomische Merkmalsextraktion erhalten werden. Zwei erfahrene Pathologen führten die pathologische Bewertung aller Gliome unter Verwendung des WHO-CNS5 zur Einstufung und Klassifizierung von Gliomen durch [13]. Wir klassifizierten die Gliomgrade als niedriggradig (WHO I–II, gutartig) und hochgradig (WHO III–IV, bösartig) und der Mutationsstatus von ATRX und P53 wurde durch IHC bestimmt.
Aus Krankenhaus 1 rekrutierte Patienten wurden in die primäre Kohorte (n = 332) aufgenommen und nach fünffacher Kreuzvalidierung entsprechend dem ATRX/P53-Mutationsstatus und dem Tumorgrad zufällig dem Trainingssatz und dem internen Validierungssatz zugeordnet. Patienten aus Krankenhaus 2 wurden in die unabhängige externe Validierungskohorte aufgenommen (n = 129). Ein detailliertes Flussdiagramm des Patientenauswahlprozesses ist in Abb. 1 dargestellt.
Flussdiagramm, das das Patientenauswahlprotokoll sowie die Einschluss- und Ausschlusskriterien zeigt. ATRX, Alpha-Thalassämie/geistiges Retardierungssyndrom X-chromosomal; IHC, Immunhistochemie; P53, Tumorprotein p53; SAG, sagittal; TRA, quer; WI, gewichtete Bildgebung
MR-Daten wurden mit einem 3,0-T-MR-Scanner (Discovery MR750; GE Healthcare, Milwaukee, WI) in Krankenhaus 1 und entweder Siemens (Verio, Prisma oder Skyra; Siemens Healthcare, Erlangen, Deutschland) oder Philips (Ingenia, Philips Medical) erhalten System, Best, Niederlande) MR-Systeme im Krankenhaus 2. Eine Übersicht über die zur Erfassung von MRT verwendeten Parameter finden Sie in der Zusatzdatei 1, aus der hervorgeht, dass Scans von Scannern verschiedener Anbieter mit unterschiedlichen Erfassungseinstellungen erstellt werden. Bei T1-gewichteten und kontrastmittelverstärkten Sequenzen ist es schwierig, die Grenzen niedriggradiger Gliome zu identifizieren; Daher wird die T2-gewichtete (T2W)-Sequenz zur Identifizierung abnormaler hyperintensiver Signale, die Gliome repräsentieren, gut akzeptiert, und interessierende Tumorregionen (ROIs) wurden auf SAG- und TRA-T2WI getrennt abgegrenzt [14].
Die Läsionen wurden sowohl im SAG- als auch im TRA-T2WI von zwei erfahrenen Neuroradiologen mithilfe der ITK-SNAP-Software (www.itksnap.org) abgegrenzt. Abnormale hyperintensive Signale auf T2W-MR-Bildern wurden als Tumorregionen betrachtet und die Signale von Liquor, Rückenmarkshöhle und Ödemen wurden vermieden. Wenn der ROI umstritten war, führte ein leitender Neuroradiologe die endgültige Bestimmung durch. Für die meisten Patienten wurden T1-gewichtete Bilder mit und ohne Gadolinium-Anreicherung, kurze T1-Inversionserholungsbilder und Bilder zur Flüssigkeitsabschwächungsinversionserholung gesammelt, um die Identifizierung von Tumoren zu erleichtern. In nachfolgenden Studien wurde nur T2WI verwendet. Um schließlich die Heterogenität zwischen verschiedenen Scannern zu verringern, haben wir für die radiomische Extraktion die T2W-Bilder und die entsprechende ROI-Maske für alle Patienten auf eine einheitliche Voxelgröße von 0,5 × 0,5 × 5 mm umgerechnet.
Nach der Vorverarbeitung wurden Deep-Learning-Modelle zur Segmentierung von Läsionen vorgeschlagen, was die zukünftige Arbeitseffizienz erheblich verbesserte. In dieser Arbeit wurde eine Deep-Learning-Modellmethode ausgewählt, die auf der Transformatorarchitektur (Swin-Transformator) basiert, da sie in mehreren Bereichen überlegen ist [15, 16]. Der Swin-Transformator verwendet ein hierarchisches Design mit insgesamt vier Stufen: Jede Stufe verringert die Auflösung der Eingabe-Feature-Map und erweitert das Wahrnehmungsfeld Schicht für Schicht, ähnlich einem Faltungs-Neuronalen Netzwerk. Darüber hinaus verfügt es über eine Patch-Einbettung, die MRT-Scans in Patches schneidet und diese in das Modell einbettet. Obwohl diese Architektur bei mehreren Aufgaben gute Leistungen erbracht hat [17, 18], wurde über ihre Verwendung zur Segmentierung von IMGs nicht berichtet.
Sowohl SAG- als auch TRA-Bilder der Primärkohorte wurden für die Trainings-, internen und externen Validierungskohorten zum Testen verwendet. Der Eingabekanal war zweidimensional, das heißt, alle MRT-Sequenzen wurden in Scheiben umgewandelt und dann stapelweise eingegeben, und die endgültigen Ausgabeergebnisse wurden in 3D rekonstruiert. Transferlernen wurde für das Training übernommen und das vorab trainierte Modell war swin_transformer_base_patch4_window7_224_imagenet_1k. Das Rückgrat des Modells war SwinTransformer_base_patch4_window7_224.
Radiomic-Merkmale wurden mit dem in Python 3.7 geschriebenen PyRadiomics-Modul gemäß einer früheren Studie extrahiert [19]. Sowohl die SAG- als auch die TRA-Bilder extrahierten die folgenden sechs Merkmalsklassen: Statistiken erster Ordnung, Form, Graustufen-Lauflängenmatrix, Graustufen-Größenzonenmatrix, benachbarte Grauton-Differenzmatrix und die Graustufen-Abhängigkeitsmatrix. Diese Feature-Classes verwendeten sechs integrierte Filter (Wavelet-, Quadrat-, Quadratwurzel-, Logarithmus-, Exponential- und Gradientenfilter). Alle Features wurden benannt, indem der MRT-Typ, der Bildtyp, aus dem das Feature extrahiert wurde, die Feature-Klasse und der Feature-Name durch einen Unterstrich getrennt verbunden wurden. Beispielsweise ist TRA_original_glrlm_RunEntropy ein Feature, das aus der TRA-T2WI-Sequenz, dem Originalbild und der glrlm-Feature-Class extrahiert wurde, und der Feature-Name ist RunEntropy.
Für jeden Patienten wurden 1960 radiomische Merkmale aus SAG- und TRA-T2WI-Daten extrahiert und alle radiomischen Merkmale wurden zur Datenstandardisierung z-transformiert. Um Abweichungen zwischen Beobachtern während der manuellen Segmentierung zu vermeiden, haben wir den Intraclass-Korrelationskoeffizienten (ICC) für jedes Merkmal berechnet und nur diejenigen mit hoher Stabilität (ICC > 0,8) in die Analyse einbezogen [20]. Anschließend wurden die ausgewählten stabilen Merkmale mithilfe des t-Tests für unabhängige Stichproben oder des Mann-Whitney-U-Tests getestet, um potenziell wichtige Merkmale auszuwählen. Merkmale, die die Kriterien für keinen der oben genannten Tests erfüllten, wurden ausgeschlossen. In dieser Studie wurde der kleinste absolute Schrumpfungs- und Selektionsoperator (LASSO) in der Trainingskohorte verwendet, um signifikante Merkmale mit Koeffizienten ungleich Null zu screenen, die den ATRX- und P53-Mutationsstatus oder den Gliomgrad separat unterscheiden können. Für die drei Ergebnisse ATRX, P53 und Tumorgrad verwendeten wir LASSO, um Merkmale in den Gruppen TRA, SAG bzw. TRA + SAG auszuwählen. Die oben genannten Berechnungsmethoden sind in der Dokumentation zu PyRadiomics 2.2.0 verfügbar [21].
In dieser Studie wurden drei Arten von tiefen neuronalen Netzen (DNNs) basierend auf den Datenmerkmalen der Vorhersageaufgaben konstruiert: WHO-Mind, ATRX-Mind und P53-Mind. WHO-Mind verfügt über eine Eingabeebene, vier verborgene Ebenen und eine Ausgabeebene. Sowohl ATRX-Mind als auch P53-Mind verfügen über eine Eingabeebene, drei verborgene Ebenen und eine Ausgabeebene. Für jedes DNN wurden ReLU und Adam als Aktivierungsfunktion bzw. Löser für die Gewichtsoptimierung ausgewählt. Darüber hinaus wurden die anfänglichen Lernraten und Batchgrößen in allen Modellen auf 0,01 bzw. 64 festgelegt. Die Modellarchitektur und die wichtigsten Hyperparameter sind in der Zusatzdatei 2 zusammengefasst. Die Unausgewogenheit der in dieser Studie enthaltenen Daten stellte jedoch eine Herausforderung für das Modelltraining dar, da ein Ungleichgewicht der Datenkategorien zu einer starken Überanpassung führen kann. Daher wurde nach der Aufteilung des Datensatzes die Synthetic Minority Oversampling Technique (SMOTE) für den geteilten Trainingssatz übernommen, um eine Datenerweiterung zu erreichen. Seine Grundidee besteht darin, durch Interpolation zwischen Minderheitenklassenproben neue synthetische Stichproben zu generieren, wodurch die Klassenverteilung ausgeglichen und somit die Leistung des Klassifikators verbessert wird.
Insbesondere analysiert dieser Algorithmus die Stichproben der Minderheitenklasse und synthetisiert künstlich neue Stichproben auf der Grundlage der Stichproben der Minderheitsklasse, um sie dem Datensatz hinzuzufügen, wodurch das Problem der Modellüberanpassung gelöst wird. Der Algorithmus wählt zunächst zufällig eine Stichprobe aus der Minderheitenklasse (Stichprobe A) aus und identifiziert ihre k nächsten Nachbarn innerhalb der Minderheitsklasse. Anschließend wird aus diesen k Nachbarn zufällig ein Nachbar (Stichprobe B) ausgewählt. Die neue synthetische Stichprobe wird auf dem Liniensegment zwischen Stichprobe A und Stichprobe B erstellt. Dieser Vorgang wird nach Bedarf wiederholt, bis eine ausreichende Anzahl synthetischer Minderheitsklassenstichproben generiert ist, um das gewünschte Klassengleichgewicht zu erreichen. Es ist erwähnenswert, dass SMOTE ausschließlich neue Samples innerhalb des Feature-Space erstellt, ohne neue Klassenbezeichnungen zu generieren. Synthetische Proben erben die Klassenbezeichnung ihrer übergeordneten Proben (dh Probe A und Probe B). Um SMOTE in Python 3.7 zu implementieren, haben wir die Imbalanced-Learn-Bibliothek genutzt und den SMOTE-Algorithmus auf die Trainingsdaten angewendet, um die Klassenverteilung auszugleichen.
In Anbetracht der Tatsache, dass einige gängige Modelle, die entwickelt wurden, eine gute Leistung in verwandten Bereichen erzielten [22, 23, 24], wurden außerdem extreme Gradient Boosting (XGBoost), Gradient Boosting Decision Tree (LightGBM) und Random Forest (RF) trainiert zum Vergleich getestet. Die Parameter der oben genannten Modelle wurden während des Trainingsprozesses mit dem GridSearchCV-Tool in Scikit-learn 1.1.1 optimiert. Die Modellierung wurde in der Programmierumgebung Python 3.7 durchgeführt und die beteiligte Kernbibliothek war Scikit-learn 1.1.1.
Der Gesamtprozess dieser Studie ist in Abb. 2 dargestellt. Drei Aufgaben (WHO-Tumorgrad, Vorhersage des ATRX-Mutationsstatus und Vorhersage des P53-Mutationsstatus) wurden einbezogen und jeweils zum Erstellen von vier Modellen für maschinelles Lernen verwendet. Darüber hinaus wurden sechs verschiedene Merkmalsdarstellungen verglichen, um die überlegenste Modelleingabe zu untersuchen: SAG-Radiomics, SAG-Radiomics mit klinischer Basislinie, TRA-Radiomics, TRA-Radiomics mit klinischer Basislinie, SAG + TRA-Radiomics und SAG + TRA-Radiomics mit klinischen Basislinienmerkmalen. In der Primärkohorte wurde eine fünffache Kreuzvalidierung durchgeführt, um die besten Modelle zu identifizieren. Die Daten wurden zufällig in fünf gleiche Teile aufgeteilt: Einer wurde für die interne Validierung ausgewählt und der Rest wurde trainiert. Dieser Vorgang wurde fünfmal wiederholt. Die leistungsstärksten Modelle wurden mithilfe einer externen Validierungskohorte getestet, um die Generalisierungsfähigkeit zu überprüfen. Diese Arbeit wurde im Betriebssystem Windows 10 durchgeführt und umfasste Computergeräte mit einer CPU AMD Ryzen 7 5800H (16 GB RAM) und einer GPU GeForce RTX™ 3090 (24 GB RAM).
Darstellung des Studienverlaufs. Stufe I umfasst die Rohbilderfassung (a), die manuelle ROI-Segmentierung (b) und die automatische ROI-Segmentierung (c). Stufe II umfasst die Merkmalsextraktion und -auswahl. Sowohl aus SAG- als auch aus TRA-Bildern werden radiomische Merkmale, einschließlich statistischer Merkmale erster Ordnung, Form-, Textur- und Wavelet-Merkmale, extrahiert (d). Alle extrahierten Merkmale werden von ICC herausgefiltert, um stabile Merkmale auszuwählen (e). Anschließend werden informative Merkmale mit LASSO (f) ausgewählt. Stufe III umfasst die Modellkonstruktion und -validierung. Ausgewählte klinische und radiomische Merkmale werden in die tiefen neuronalen Netze eingegeben, um die verschiedenen Aufgaben vorherzusagen (g), und die Modellleistung wird in der externen Validierungskohorte weiter getestet (h). ATRX, Alpha-Thalassämie/geistiges Retardierungssyndrom X-chromosomal; ICC, Intraclass-Korrelationskoeffizient; LASSO, kleinster absoluter Schrumpfungs- und Auswahloperator; P53, Tumorprotein p53; ROI, Region von Interesse; SAG, sagittal; TRA, quer
Bei der Darstellung kontinuierlicher Variablen wurden die Unterschiede je nach Fall mithilfe des Student-T-Tests oder des Mann-Whitney-U-Tests bewertet und die Daten werden als Median mit Interquartilbereich dargestellt. Da die fünffache Kreuzvalidierung in der Primärkohorte eingesetzt wurde, haben wir insbesondere auch die Mittelwerte und 95 %-Konfidenzintervalle (CIs) für die Bewertungsmetriken der Modelle berechnet. Wir haben den Chi-Quadrat-Test verwendet, um die Unterschiede in kategorialen Variablen zu bewerten. Die Ergebnisse werden als Anzahl der Ereignisse und relative Häufigkeit (%) dargestellt. Die Leistung aller Modelle wurde anhand von Genauigkeit (Acc), Empfindlichkeit (Sens), Spezifität (Spec), F1-Scores und Receiver Operating Characteristic (ROC)-Kurven bewertet. Zur Bewertung der Leistung der Netzwerke für die IMG-Segmentierung wurde ein Würfelähnlichkeitskoeffizient (DSC) verwendet. Alle statistischen Analysen wurden mit R-Software (Version 3.6.3, R Foundation for Statistical Computing, Wien, Österreich) durchgeführt. Die statistische Signifikanz wurde als p ≤ 0,05 definiert.
Insgesamt 332 Patienten in Krankenhaus 1 (Primärkohorte) wurden in Trainings- und interne Validierungskohorten aufgeteilt, und 127 Patienten in Krankenhaus 2 wurden als unabhängige externe Validierungskohorte aufgenommen. Die klinischen Ausgangsmerkmale der Patienten und die Verteilung des ATRX- und P53-Mutationsstatus über die primäre und externe Validierungskohorte werden in der Zusatzdatei 3 dargestellt. In der primären Kohorte hatten 52 Patienten (15,7 %) hochgradige Gliome und 280 Patienten ( 84,3 %) hatten niedriggradige Gliome. Die externe Validierungskohorte umfasste 20 (58,8 %) Patienten mit hochgradigen Gliomen und 14 (41,2 %) Patienten mit niedriggradigen Gliomen. Es gab signifikante Unterschiede in der Anzahl der ATRX- (79/332, 23,8 %; 43/127, 33,9 %; p = 0,039) und P53-Mutationen (72/332, 21,7 %; 44/127, 34,6 %; p = 0,006). zwischen der primären und der externen Validierungskohorte. Unterdessen wurde kein signifikanter Unterschied in Bezug auf Alter, Geschlecht, Erkrankungsmonat, Begleiterkrankungen, Rauchen, Alkoholkonsum oder den McCormick-Score zwischen der primären und der externen Validierungskohorte festgestellt. Hinsichtlich der von Neuroradiologen extrahierten Bildgebungsmerkmale unterschieden sich das Achsenverhältnis des Tumors im Rückenmark und der Anteil der Tumorblutungen deutlich zwischen den beiden Krankenhäusern.
Das Swin-Transformer-Modell wurde anhand von Schnitten von SAG- und TRA-Bildern und künstlich markierten Läsionen in der Primärkohorte trainiert. Nach 50.000 Iterationen erwies sich das Modell als vollständig konvergent und wies keine Überanpassung auf. Daher wurde an dieser Stelle dieses Modell zum Testen ausgewählt. Insgesamt wurden 20 % der Proben zufällig von Patienten als Testsatz ausgewählt und der Rest wurde als Trainingssatz verwendet. Im SAG-Phasentest erreichten Acc und DSC des automatischen Segmentierungsmodells 0,9929 bzw. 0,8697. Im TRA-Phasentest betrugen Acc und DSC des automatischen Segmentierungsmodells 0,9978 bzw. 0,8738. Diese Ergebnisse zeigten, dass das oben genannte Deep-Learning-Modell für die Segmentierung von Läsionen in dieser Studie relativ zufriedenstellend war. Die Visualisierung der automatischen Segmentierung der beiden Phasen ist in Abb. 2c dargestellt.
Für jeden Patienten wurden 1960 radiomische Merkmale abgeleitet, und die ICC-Ergebnisse zeigten, dass 1572 (80,1 %) Merkmale stabil waren. Die ausgewählten stabilen Merkmale in den TRA- und SAG-Gruppen sind in der Zusatzdatei 4 aufgeführt. Insgesamt 1560, 1554 und 1517 Merkmale für den ATRX-Mutationsstatus, den P53-Mutationsstatus und die WHO-Tumorbewertungsaufgaben haben die Prüfung bestanden t-Test oder Mann-Whitney-U-Test. Wir haben für jede Vorhersageaufgabe eine fünffache Kreuzvalidierung in LASSO durchgeführt, um die aussagekräftigen Merkmale auszuwählen. In der WHO-Aufgabe zur Vorhersage des Tumorgrades wurden 24 Merkmale in SAG, 6 Merkmale in TRA und 20 Merkmale in SAG + TRA ausgewählt (zusätzliche Datei 5). In der Aufgabe zur Vorhersage des ATRX-Mutationsstatus wurden 3 Merkmale in SAG, 39 Merkmale in TRA und 5 Merkmale in SAG + TRA ausgewählt (Zusatzdatei 6). In der Aufgabe zur Vorhersage des P53-Mutationsstatus wurden 21 Merkmale in SAG, 24 Merkmale in TRA und 57 Merkmale in SAG + TRA ausgewählt (Zusatzdatei 7). Alle von LASSO ausgewählten Funktionen sind in der Zusatzdatei 8 aufgeführt.
Für jede Vorhersageaufgabe wurden vier Modelle für maschinelles Lernen trainiert, und jedes Modell wurde in sechs Merkmalsdarstellungen eingespeist. Alle Modelle wurden in den Experimenten Parameter optimiert, was den Leistungsvergleich erleichterte. Die Ergebnisse der WHO-Tumorgradvorhersage und der ROC-Kurven der vorgeschlagenen Modelle sind in Abb. 3 dargestellt. Unter den vier Modellen erzielte WHO-Mind die beste durchschnittliche Fläche unter der ROC-Kurve (AUC; 0,9263), wobei die AUC höher als war das von XGBoost (0,8802), LightGBM (0,9079) und RF (0,8618), was auf die Überlegenheit der neuronalen Netzwerkarchitektur bei dieser Vorhersageaufgabe hinweist. Allerdings war die Eingabe von Radiomics-Merkmalen in Kombination mit klinischen Basislinienmerkmalen der reinen Eingabe von Radiomics-Merkmalen überlegen, und die Kombination mit der besten Leistung war SAG + TRA + klinische Indikatoren. Bemerkenswerterweise fanden wir ähnliche Ergebnisse bei der Durchführung der Vorhersageaufgabe des ATRX- und P53-Mutationsstatus, was möglicherweise auf die große Vielfalt der durch die multimodale Fusion abgedeckten Merkmale zurückzuführen ist. Die Ergebnisse der ATRX- und P53-Mutationsvorhersagen für jedes Modell sind in den Abbildungen dargestellt. 4 bzw. 5. Die vorgeschlagenen ATRX-Mind- und P53-Mind-Modelle schnitten besser ab als die verglichenen Modelle, bei denen die höchsten AUCs 0,9281 bzw. 0,9173 lagen. Um die Vollständigkeit der Bewertung der vorgeschlagenen Modelle widerzuspiegeln, wurden auch ihre Acc-, Sens-, Spec- und F1-Werte berechnet und in der Zusatzdatei 9 zusammengefasst.
Die fünffache Kreuzvalidierung führt zur WHO-Vorhersageaufgabe. a Die Vergleichsergebnisse des vorgeschlagenen WHO-Mind mit den gängigen Modellen für maschinelles Lernen. b Die ROC-Kurven (Receiver Operating Characteristic) von WHO-Mind bei der Eingabe von Merkmalen der SAG-Phase (links), der TRA-Phase (Mitte) und der SAG in Kombination mit der TRA-Phase (rechts). c Die ROC-Kurven von WHO-Mind, wenn die Merkmale der klinischen Basislinie der SAG-Phase (links), der klinischen Basislinie der TRA-Phase (Mitte) und der klinischen Basislinie der SAG-Phase-TRA-Phase (rechts) eingegeben werden. AUC, Fläche unter der Kurve; SAG, sagittal; TRA, quer
Die fünffache Kreuzvalidierung führt zur ATRX-Genotyp-Vorhersageaufgabe. a Die Vergleichsergebnisse des vorgeschlagenen ATRX-Mind mit den gängigen Modellen für maschinelles Lernen. b Die ROC-Kurven von ATRX-Mind bei der Eingabe von Merkmalen der SAG-Phase (links), der TRA-Phase (Mitte) und der SAG in Kombination mit der TRA-Phase (rechts). c Die ROC-Kurven von ATRX-Mind, wenn die Merkmale der klinischen Basislinie der SAG-Phase (links), der klinischen Basislinie der TRA-Phase (Mitte) und der klinischen Basislinie der SAG-Phase-TRA-Phase (rechts) eingegeben werden. ATRX, Alpha-Thalassämie/geistiges Retardierungssyndrom X-chromosomal; AUC, Fläche unter der Kurve; ROC, Betriebscharakteristik des Empfängers; SAG, sagittal; TRA, quer
Die fünffache Kreuzvalidierung führt zur P53-Genotyp-Vorhersageaufgabe. a Die Vergleichsergebnisse des vorgeschlagenen P53-Mind mit den gängigen Modellen für maschinelles Lernen. b Die ROC-Kurven von P53-Mind bei der Eingabe von Merkmalen der SAG-Phase (links), der TRA-Phase (Mitte) und der SAG in Kombination mit der TRA-Phase (rechts). c Die ROC-Kurven von P53-Mind, wenn die Merkmale der klinischen Basislinie der SAG-Phase (links), der klinischen Basislinie der TRA-Phase (Mitte) und der klinischen Basislinie der SAG-Phase-TRA-Phase (rechts) eingegeben werden. AUC, Fläche unter der Kurve; P53, Tumorprotein p53; ROC, Betriebscharakteristik des Empfängers; SAG, sagittal; TRA, quer
Die leistungsstärksten Modelle (d. h. WHO-Mind, ATRX-Mind und P53-Mind) wurden für externe Tests ausgewählt. In jedes Modell wurden multimodale fusionierte Merkmalsdarstellungen eingespeist, nämlich die SAG + TRA + klinischen Indikatoren. Der automatische Segmentierungseffekt des Swin-Transformators ist in Abb. 6a dargestellt. Es wurde festgestellt, dass dadurch der Läsionsbereich mit relativer Genauigkeit segmentiert wird. Die Leistung der Modelle bei jeder Testaufgabe ist in Abb. 6b dargestellt. WHO-Mind erreichte die höchste AUC (0,8431) und sowohl WHO-Mind als auch ATRX-Mind erreichten die höchste Acc (0,8889). Darüber hinaus wurden die ROCs der drei Modelle aufgezeichnet, um ihre Generalisierungsleistung detaillierter darzustellen (Abb. 6c – e). Detailliertere Testergebnisse (z. B. Acc-, Sens-, Spec- und F1-Ergebnisse) werden in der Zusatzdatei 10 angezeigt.
Ergebnisse der externen Validierung unter Verwendung der vorgeschlagenen Modelle. a Die Visualisierung der Läsionssegmentierung mithilfe des automatischen Segmentierungsmodells in der SAG- bzw. TRA-Phase. b Die Ergebnisse der externen Validierung übernehmen die vorgeschlagenen Modelle in verschiedenen Aufgaben. c–e Die ROC-Kurven für jedes Modell in den Vorhersageaufgaben. ATRX, Alpha-Thalassämie/geistiges Retardierungssyndrom X-chromosomal; ROC, Betriebscharakteristik des Empfängers; P53, Tumorprotein p53; SAG, sagittal; TRA, quer; WHO, Weltgesundheitsorganisation
Eine Biopsie zur Gewinnung von Tumorgewebe zur histologischen Untersuchung bei Rückenmarkstumoren ist gefährlich und aufgrund des hohen Risikos nicht lohnenswert. In dieser Studie haben wir drei Modelle entwickelt, die die IMG-Region automatisch segmentieren und den ATRX/P53-Mutationsstatus sowie den Grad der IMGs basierend auf präoperativen sagittalen und transversalen MRT-Scans vorhersagen können. Die Vorhersagemodelle bieten eine nicht-invasive Alternative zur Identifizierung des Tumorgrades und der histopathologischen Merkmale bei Patienten mit IMGs.
In vielen Studien wurden Methoden des maschinellen Lernens eingesetzt, um die genetischen und histologischen Merkmale von Hirngliomen zu identifizieren [6, 7]. Li et al. [25] verwendeten ein Support-Vektor-Maschinenmodell, um die genetischen Eigenschaften von ATRX vorherzusagen. Da ihre Methode nur bei niedriggradigen Gliomen wirksam ist, sollte der Tumorgrad im Voraus bekannt sein, was die Anwendung ihrer Methode in der präoperativen Phase erschwert. Gao et al. [7] verwendeten mehrere auf maschinellem Lernen basierende radiomische Ansätze, um den Grad des Hirnglioms und den Status pathologischer Biomarker, einschließlich Ki-67, GFAP und S100, vorherzusagen. Diese Biomarker hängen jedoch miteinander zusammen und sind laut WHO CNS5 nicht hochspezifisch für Gliome. Im klinischen Alltag ist es nicht möglich, die Art des Glioms präoperativ genau zu bestimmen. Daher müssen Modelle alle Arten von Gliomen berücksichtigen, einschließlich der WHO-Grade I–IV. Daher wurden in diese Studie nacheinander alle Arten von Rückenmarksgliomen aus zwei Zentren aufgenommen.
Viele Studien haben sich auf die Vorhersage der IDH-Mutation und des 1p/19q-Co-Deletionsstatus konzentriert [6]. Obwohl die IDH-Mutation und der 1p/19q-Co-Deletionsstatus wichtige Biomarker für die Prognose und das Überleben von Gliomen sind, haben wir dies in unserer Studie nicht vorhergesagt. Einerseits ist die IDH-Mutation bei IMGs nicht so häufig wie bei Hirngliomen und kann nicht zur Unterscheidung zwischen pilozytischem Astrozytom Grad I und diffusem Astrozytom Grad II herangezogen werden. Andererseits wäre IDH IHC unwirksam, da den meisten IMGs die herkömmliche IDH1 p.R132H-Mutation fehlt [12]. Darüber hinaus weisen diffuse Astrozytome mit IDH-Mutationen am wahrscheinlichsten Mutationen in ATRX und P53 auf [26], und cIMPACT-NOW Update 2 besagt, dass ein eindeutiger Verlust der ATRX-Kernexpression und/oder der p53-Immunpositivität für die Diagnose eines Astrozytoms ohne diese Mutationen ausreicht Notwendigkeit eines 1p/19q-Tests [27]. Daher sind ATRX- und P53-Mutationen nützlicher für die Identifizierung von IMGs und auch wichtige klinische Verhaltensindikatoren. Unsere Modelle, die sich auf den ATRX- und P53-Mutationsstatus konzentrieren, werden die Diagnose von IMGs erheblich vereinfachen.
Die traditionelle Läsionssegmentierung wird manuell durchgeführt, was zeitaufwändig und arbeitsintensiv ist. Über Fortschritte bei der automatischen Segmentierung von Gliomen wurde häufiger berichtet [28,29,30,31], aber nur wenige Studien haben versucht, Rückenmarkstumoren automatisch zu segmentieren, da bei solch seltenen Tumoren kein ausreichendes Training vorhanden ist [8, 10]. . In dieser Studie wurde eine Deep-Learning-Strategie auf Basis einer Transformer-Architektur zur Segmentierung von IMGs eingesetzt und es wurden relativ zufriedenstellende Segmentierungsergebnisse erzielt (der DSC betrug 0,8697 für SAG und 0,8738 für TRA). Nach unserem besten Wissen ist diese Studie die erste, die eine solche Strategie anwendet. Obwohl die Segmentierungsergebnisse vorübergehend eine gewisse Lücke im Vergleich zur manuellen Annotation aufweisen, verbessert die Methode die Effizienz erheblich und erleichtert die End-to-End-Vorhersage. Wir werden diesen Algorithmus weiter verbessern, um eine genauere automatische Segmentierung zu erreichen.
Darüber hinaus wurde die Modellleistung anhand verschiedener Kombinationen von SAG-Bildern, TRA-Bildern und klinischen Merkmalen verglichen. Die Kombination von SAG- und TRA-Merkmalen zeigte eine bessere Unterscheidungsfähigkeit als jedes Merkmal allein, wahrscheinlich weil SAG- und TRA-Merkmale einige komplementäre Eigenschaften bilden können. Die meisten IMGs sind auf das Rückenmark beschränkt und wachsen entlang der Längsachse des Rückenmarks. SAG-Bilder können die größten anatomischen Details und andere tumorbedingte Läsionen wie die Rückenmarkshöhle und Ödeme zeigen. Von der SAG-T2WI werden jedoch nur wenige Scanschnitte erhalten, typischerweise 11 Schnitte, was für die Erstellung von 3D-Tumormodellen nicht ausreicht. TRA-T2WI-Scans haben in der Regel einen kleineren Schichtabstand, bieten den Vorteil einer präzisen Konstruktion eines 3D-Tumor-ROI und ermöglichen möglicherweise eine genauere Abgrenzung der Tumorkontur während der Segmentierung. Darüber hinaus haben frühere Untersuchungen bestätigt, dass klinische Merkmale wie Alter und Geschlecht mit dem Gliomtyp zusammenhängen [32, 33]. Wu et al. [34] entwickelten eine Nomogramm-Strategie, um klinische Merkmale in auf Radiomics basierende Vorhersagemodelle zu übernehmen. Fünfzehn klinische Basismerkmale, darunter sieben Basismerkmale und acht radiologische Zeichen, die mit dem Radiomic-Ansatz schwer darzustellen sind und die durch univariate Regression und vorherige klinische Erfahrung ausgewählt wurden, wurden in unsere Modelle übernommen. Obwohl die SAG + TRA-Radiomics-Eingabe bereits eine zufriedenstellende Leistung erbracht hatte, zeigte das Modell eine bessere Differenzierungsfähigkeit, als wir klinische Merkmale hinzufügten.
Es ist wichtig zu betonen, dass die drei vorgeschlagenen neuronalen Netze bei allen Vorhersageaufgaben eine überlegene Leistung gegenüber den gängigen Ensemble-Lernmodellen zeigten, was ermutigend war. Dies kann mit der Architektur der Modelle zusammenhängen. Insbesondere wurden die in dieser Studie vorgeschlagenen neuronalen Netze umfangreichen Vorexperimenten unterzogen, einschließlich der Festlegung der Anzahl der Schichten und der Anzahl der Neuronen. Es wurden auch externe Tests durchgeführt, um ihre Generalisierbarkeit zu überprüfen, und die Ergebnisse waren zufriedenstellend. Für die Prognoseaufgaben WHO-Tumorgrad, ATRX-Mutationsstatus und P53-Mutationsstatus erzielte das vorgeschlagene Modell im externen Validierungssatz AUCs von 0,8431, 0,7622 bzw. 0,7954.
Unsere Studie weist einige Einschränkungen auf. Zunächst haben wir aus einer breiten Palette von Biomarkern nur die häufig verwendeten ATRX- und P53-Biomarker für IMGs ausgewählt. Die Erkennung anderer wichtiger Biomarker in IMGs, wie Ki-67 und H3 K27M, könnte ebenfalls von einem automatischen maschinellen Lernansatz profitieren. Zweitens sollten unsere Modelle in Zukunft mehr Patientenmerkmale erfassen, um eine umfassendere Beurteilung des Patientenzustands zu ermöglichen. Beispielsweise benötigen unsere Modelle noch Eingaben in Bezug auf einige radiologische Merkmale, wie z. B. die Rückenmarkshöhle, Ödeme und Atrophie, die eine vorherige Wissensbewertung durch Radiologen erfordern. Mehrere bildgebende Eingaben, einschließlich normaler Rückenmarks- und tumorbedingter Läsionen, können dabei helfen, alle radiologischen Merkmale automatisch zu extrahieren. Drittens: Obwohl unsere Daten von zwei Instituten stammen, von denen eines für die externe Validierung bestimmt ist, ist ein größerer Datensatz von mehreren Instituten erforderlich, um die Heterogenität in verschiedenen MR-Erfassungsgeräten auszugleichen. Schließlich besteht in dieser Studie ein gewisses Ungleichgewicht im Anteil der Daten unterschiedlicher Art (z. B. unterschiedlicher Grade oder Mutationszustände). Der Datensatz soll künftig ausgewogen sein.
Wir haben die erste Strategie für maschinelles Lernen entwickelt, um den IMG-Grad sowie den ATRX- und P53-Mutationsstatus vorherzusagen und gleichzeitig den Tumor automatisch zu segmentieren. Es wurde gezeigt, dass neuronale Netze, die auf multimodaler Fusion basieren (dh die SAG-Phase-TRA-Phase-klinische Basislinie), die beste Vorhersageleistung aufweisen. Obwohl vor einer breiten klinischen Anwendung eine weitere Validierung in mehr Instituten durchgeführt werden muss, glauben wir, dass diese Forschung ein bedeutender Versuch zur automatischen Diagnose von IMGs ist.
Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim jeweiligen Autor erhältlich.
Genauigkeit
Alpha-Thalassämie/geistiges Retardierungssyndrom X-chromosomal
Tiefes neuronales Netzwerk
Würfelähnlichkeitskoeffizient
Korrelationskoeffizient innerhalb der Klasse
Isocitrat-Dehydrogenase
Immunhistochemie
Intramedulläres Gliom
Geringster absoluter Schrumpfungs- und Auswahloperator
Gradient Boosting Entscheidungsbaum
Magnetresonanztomographie
Tumorprotein p53
Zufälliger Wald
Betriebscharakteristik des Empfängers
Region von Interesse
Sagittal
T2-gewichtete Bildgebung
Quer
Extreme Steigungsverstärkung
Bruneau M, Riva M, Brotchi J. Primäre intramedulläre Tumoren. In: Van De Kelft E, Herausgeber. Chirurgie der Wirbelsäule und des Rückenmarks: ein neurochirurgischer Ansatz. Cham: Springer International Publishing; 2016. S. 699–716.
Kapitel Google Scholar
Jackson RJ, Fuller GN, Abi-Said D, Lang FF, Gokaslan ZL, Shi WM, et al. Einschränkungen der stereotaktischen Biopsie bei der Erstbehandlung von Gliomen. Neuro Oncol. 2001;3:193–200.
Artikel CAS PubMed PubMed Central Google Scholar
Kristensen BW, Priesterbach-Ackley LP, Petersen JK, Wesseling P. Molekulare Pathologie von Tumoren des Zentralnervensystems. Ann Oncol. 2019;30:1265–78.
Artikel CAS PubMed PubMed Central Google Scholar
Chen CC, Hsu PW, Erich Wu TW, Lee ST, Chang CN, Wei KC, et al. Stereotaktische Hirnbiopsie: Retrospektive Analyse von Komplikationen an einem einzigen Zentrum. Klinik Neurol Neurochirurgie. 2009;111:835–9.
Artikel PubMed Google Scholar
Zhou M, Scott J, Chaudhury B, Hall L, Goldgof D, Yeom KW, et al. Radiomics bei Hirntumoren: Bildbeurteilung, quantitative Merkmalsdeskriptoren und Ansätze des maschinellen Lernens. AJNR Am J Neuroradiol. 2018;39:208–16.
Artikel CAS PubMed PubMed Central Google Scholar
Van Der Voort SR, Incekara F, Wijnenga MMJ, Kapsas G, Gahrmann R, Schouten JW, et al. Kombinierte molekulare Subtypisierung, Einstufung und Segmentierung von Gliomen mithilfe von Deep Learning mit mehreren Aufgaben. Neuro Oncol. 2023;25:279–89.
Artikel PubMed Google Scholar
Gao M, Huang S, Pan X, Liao Front Oncol. 2020;10:1676.
Artikel PubMed PubMed Central Google Scholar
Liu J, Chen F, Pan C, Zhu M, Zhang X, Zhang L, et al. Ein kaskadiertes tiefes Faltungs-Neuronales Netzwerk zur Gelenksegmentierung und Genotypvorhersage von Hirnstammgliomen. IEEE Trans Biomed Eng. 2018;65:1943–52.
Artikel PubMed Google Scholar
Pang B, Chai RC, Zhang YW, Chang YZ, Liu WH, Jia WQ, et al. Ein umfassendes Modell einschließlich präoperativer Entzündungsmarker im peripheren Blut zur Vorhersage der Prognose eines diffusen Astrozytoms des Rückenmarks nach einer Operation. Eur Spine J. 2021;30(10):2857–66.
Artikel PubMed Google Scholar
Lemay A, Gros C, Zhuo Z, Zhang J, Duan Y, Cohen-Adad J, et al. Automatische multiklassige intramedulläre Tumorsegmentierung des Rückenmarks im MRT mit Deep Learning. Neuroimage-Klinik. 2021;31:102766.
Artikel PubMed PubMed Central Google Scholar
Teng YD, Abd-El-Barr M, Wang L, Hajiali H, Wu L, Zafonte RD. Astrozytome des Rückenmarks: Fortschritte bei experimentellen und klinischen Untersuchungen zur Entwicklung neuartiger, auf der Genesungsneurobiologie basierender Therapien. Exp Neurol. 2019;311:135–47.
Artikel PubMed Google Scholar
Lebrun L, Meléndez B, Blanchard O, De Nève N, Van Campenhout C, Lelotte J, et al. Klinische, radiologische und molekulare Charakterisierung intramedullärer Astrozytome. Acta Neuropathol Commun. 2020;8:128.
Artikel CAS PubMed PubMed Central Google Scholar
Louis DN, Perry A, Wesseling P, Brat DJ, Cree IA, Figarella-Branger D, et al. Die WHO-Klassifikation von Tumoren des Zentralnervensystems 2021: eine Zusammenfassung. Neuro Oncol. 2021;23:1231–51.
Artikel CAS PubMed PubMed Central Google Scholar
Kinoshita M, Sakai M, Arita H, Shofuda T, Chiba Y, Kagawa N, et al. Einführung der Hochdurchsatz-Magnetresonanz-T2-gewichteten Bildtexturanalyse für Gliome des WHO-Grades 2 und 3. Plus eins. 2016;11:e0164268.
Artikel PubMed PubMed Central Google Scholar
Wu J, Xu Q, Shen Y, Chen W, Xu K, Qi XR. Der Swin-Transformator verbessert die Vorhersage des IDH-Mutationsstatus von Gliomen ohne MRT-basierte Tumorsegmentierung. J Clin Med. 2022;11:4325.
Google Scholar
Yan S, Wang C, Chen W, Lyu J. Swin transformatorbasiertes GAN für die multimodale Übersetzung medizinischer Bilder. Front Oncol. 2022;12:9
Artikel PubMed PubMed Central Google Scholar
Islam MN, Hasan M, Hossain MK, Alam MGR, Uddin MZ, Soylu A. Vision Transformer und erklärbare Transfer-Lernmodelle zur automatischen Erkennung von Nierenzysten, Steinen und Tumoren anhand der CT-Röntgenaufnahme. Sci Rep. 2022;12:11440.
Artikel CAS PubMed PubMed Central Google Scholar
Pan X, Gao X, Wang H, Zhang W, Mu Y, He X. Zeitbasiertes Swin-Transformator-Netzwerk zur Workflow-Erkennung von chirurgischen Videos. Int J Comput Assist Radiol Surg. 2023;18:139–47.
Artikel PubMed Google Scholar
Ma C, Zhang Y, Niyazi T, Wei J, Guocai G, Liu J, et al. Radiomics zur Vorhersage der Hämatomausdehnung bei Patienten mit hypertensiven intraparenchymalen Hämatomen. Eur J Radiol. 2019;115:10–5.
Artikel PubMed Google Scholar
Aerts HJ, Velazquez ER, Leijenaar RT, Parmar C, Grossmann P, Carvalho S, et al. Entschlüsselung des Tumorphänotyps durch nichtinvasive Bildgebung unter Verwendung eines quantitativen Radiomics-Ansatzes. Nat Commun. 2014;5:4006.
Artikel CAS PubMed Google Scholar
Van Griethuysen JJM, Fedorov A, Parmar C, Hosny A, Aucoin N, Narayan V, et al. Computergestütztes Radiomics-System zur Entschlüsselung des radiografischen Phänotyps. Krebs Res. 2017;77:e104–7.
Artikel PubMed PubMed Central Google Scholar
Sakai Y, Yang C, Kihira S, Tsankova N, Khan F, Hormigo A, et al. Radiomische MRT-Funktionen zur Vorhersage des IDH1-Mutationsstatus bei Gliomen: ein maschineller Lernansatz unter Verwendung von Gradient Tree Boosting. Int J Mol Sci. 2020;21:8004.
Artikel CAS PubMed PubMed Central Google Scholar
Le NQK, Hung TNK, Do DT, Lam LHT, Dang LH, Huynh TT, et al. Radiomics-basiertes maschinelles Lernmodell zur effizienten Klassifizierung von Transkriptom-Subtypen bei Glioblastom-Patienten mittels MRT. Comput Biol Med. 2021;132:104320.
Artikel CAS PubMed Google Scholar
Yan Z, Wang J, Dong Q, Zhu L, Lin W, Jiang X. XGBoost-Algorithmus und logistische Regression zur Vorhersage des postoperativen 5-Jahres-Ergebnisses bei Patienten mit Gliom. Ann Transl Med. 2022;10:860.
Artikel CAS PubMed PubMed Central Google Scholar
Li Y, Liu X, Qian Z, Sun Z, Xu K, Wang K, et al. Genotypvorhersage der ATRX-Mutation in Gliomen niedrigeren Grades mithilfe einer MRT-Radiomics-Signatur. Eur Radiol. 2018;28:2960–8.
Artikel PubMed Google Scholar
Cancer Genome Atlas Research Network, Brat DJ, Verhaak RG, Aldape KD, Yung WK, Salama SR, et al. Umfassende, integrative Genomanalyse diffuser niedriggradiger Gliome. N Engl J Med. 2015;372:2481–98.
Artikel Google Scholar
Louis DN, Giannini C, Capper D, Paulus W, Figarella-Branger D, Lopes MB, et al. cIMPACT-NOW Update 2: Diagnostische Abklärungen für diffuses Mittelliniengliom, H3 K27M-Mutante und diffuses Astrozytom/anaplastisches Astrozytom, IDH-Mutante. Acta Neuropathol. 2018;135:639–42.
Artikel PubMed Google Scholar
Li SD, Liu JW, Song ZJ. Hirntumor-Segmentierung basierend auf der Region of Interest-unterstützter Lokalisierung und Segmentierung U-Net. Int J Mach Cybern lernen. 2022;13:2435–45.
Artikel PubMed PubMed Central Google Scholar
Khorasani A, Kafieh R, Saboori M, Tavakoli MB. Gliomsegmentierung mit DWI-gewichteten Bildern, konventionellen anatomischen Bildern und Bildern der Magnetresonanztomographie nach Kontrastmittelverstärkung von U-Net. Phys Eng Sci Med. 2022;45:925–34.
Artikel PubMed Google Scholar
Yu YM, Du ZF, Yuan CX, Li J. Untersuchung von CT-Bildern basierend auf dem BN-U-net-W-Netzwerksegmentierungsalgorithmus in der Gliomchirurgie. Kontrastmittel-Mol-Bildgebung. 2022;2022:4476412.
Artikel PubMed PubMed Central Google Scholar
Kihira S, Mei XY, Mahmoudi K, Liu Z, Dogra S, Belani P, et al. U-Net-basierte Segmentierung und Charakterisierung von Gliomen. Krebserkrankungen (Basel). 2022;14:4457.
Artikel CAS PubMed Google Scholar
Claus EB, Cannataro VL, Gaffney SG, Townsend JP. Umwelt- und geschlechtsspezifische molekulare Signaturen der Gliom-Ursache. Neuro Oncol. 2022;24:29–36.
Artikel CAS PubMed Google Scholar
Hyare H, Rice L, Thoset S, Nachev P, Jha A, Milic M, et al. Modellierung von MR und klinischen Merkmalen bei Astrozytomen des Grades II/III zur Vorhersage des IDH-Mutationsstatus. Eur J Radiol. 2019;114:120–7.
Artikel PubMed Google Scholar
Wu S, Zhang X, Rui W, Sheng Y, Yu Y, Zhang Y, et al. Eine Nomogramm-Strategie zur Identifizierung der Unterklassifizierung der IDH-Mutation und des ATRX-Expressionsverlusts bei Gliomen niedrigeren Grades. Eur Radiol. 2022;32:3187–98.
Artikel CAS PubMed Google Scholar
Referenzen herunterladen
Unzutreffend.
Tsinghua Precision Medicine Foundation [2022ZLB003, 10001020618]; Nationales Schlüsselforschungs- und Entwicklungsprogramm Chinas [2021YFE0204700]; Provinz- und Ministerkooperationsprojekt des Henan Medical Science and Technology Research Plan [SB201901007]; und Projekt der Beijing Natural Science Foundation [7212007].
Chao Ma und Liyang Wang haben gleichermaßen zu dieser Arbeit beigetragen.
Fakultät für klinische Medizin, Tsinghua-Universität, Peking, China
Chao Ma, Liyang Wang & Chuntian Gao
Abteilung für Neurochirurgie, Beijing Tsinghua Changgung Hospital, School of Clinical Medicine, Tsinghua University, Peking, China
Chao Ma, Chuntian Gao, Linkai Jing, Yang Lu, Dongkang Liu, Weitao Man, Kaiyuan Yang, Zhe Meng, Huifang Zhang und Guihuai Wang
Hepato-Pankreato-Gallenzentrum, Beijing Tsinghua Changgung Hospital, School of Clinical Medicine, Tsinghua University, Peking, China
Liyang Wang
Abteilung für Neurochirurgie, das erste angegliederte Krankenhaus der Zhengzhou-Universität, Zhengzhou-Universität, Zhengzhou, China
Dengpan Song & Fuyou Guo
Institut für Präzisionsmedizin, Tsinghua-Universität, Peking, China
Ping Xue
State Key Laboratory of Low-Dimensional Quantum Physics und Department of Physics, Tsinghua University, Collaborative Innovation Center of Quantum Matter und Beijing Advanced Innovation Center for Structural Biology, Peking, 100084, China
Ping Xue
Abteilung für Neurochirurgie, Beijing Tiantan Hospital, Capital Medical University, Peking, 100070, China
Yupeng Zhang
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Konzeption der Studie und Design: CM, YW und GW Fachkundiger Radiologe liest: LJ, YL, DL, WM und KY Sammlung und Kuratierung der klinischen Datensätze: DS, CG, ZM und HZ Operations-/Biopsiedurchführung: GW und FG Bildverarbeitung und Programmierung: CM, YW, PX und YZ Datenanalyse und Interpretation: CM, YW und YZ Verfassen des Manuskripts: CM, YW und GW Kritische Analyse und Überarbeitung des Manuskripts: alle Autoren. Die Autoren haben das endgültige Manuskript gelesen und genehmigt.
Korrespondenz mit Yupeng Zhang, Fuyou Guo oder Guihuai Wang.
Die Ethikkommissionen des Beijing Tsinghua Changgung Hospital (16149–0110) und des First Affiliated Hospital der Zhengzhou University (2021-KY-0156–002) genehmigten diese Studie und verzichteten auf die Anforderung einer Einverständniserklärung.
Unzutreffend.
Die Autoren erklären, dass sie keine konkurrierenden Interessen haben.
Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.
MRT-Parameter pro Hersteller. In dieser Studie wurden drei MRT-Scanner verwendet, nämlich GE, Siemens und Philips. Jedes Gerät verfügt über unterschiedliche Scanparameter für sagittale und transversale T2-gewichtete Bilder der Hals-, Brust- und Lendenwirbel. In dieser Tabelle sind die wichtigen MRT-Scanparameter vor der Bildvorverarbeitung aufgeführt.
Architektur der vorgeschlagenen Modelle und optimierte wichtige Hyperparametereinstellungen.
Klinische Merkmale der Patienten und Verteilung des ATRX- und P53-Mutationsstatus über die primäre und externe Validierungskohorte. ATRX, Alpha-Thalassämie/geistiges Retardierungssyndrom X-chromosomal; IQR, Interquartilbereich; P53, Tumorprotein p53; WHO, Weltgesundheitsorganisation.
Ausgewählte stabile Merkmale in TRA- und SAG-Bildern. Um Abweichungen zwischen Beobachtern während der manuellen Segmentierung zu vermeiden, haben wir den klasseninternen Korrelationskoeffizienten für jedes Merkmal berechnet und nur diejenigen mit hoher Stabilität in die Analyse einbezogen. Die obige Tabelle zeigt den Anteil stabiler Features in jeder Feature-Klasse, die aus TRA- und SAG-Bildern extrahiert wurde. GLDM, Graustufen-Abhängigkeitsmatrix; GLRLM, Graustufen-Lauflängenmatrix; GLSZM, Graustufen-Größenzonenmatrix; NGTDM, benachbarte Grauton-Differenzmatrix; SAG, sagittal; TRA, quer.
Merkmalsauswahl mit LASSO in der WHO-Bewertungsaufgabe. Merkmalsauswahl in der SAG-Gruppe. Vierundzwanzig Merkmale mit Koeffizienten ungleich Null wurden anhand der Mindestkriterien ausgewählt. LASSO-Koeffizientenprofile der Merkmale in der SAG-Gruppe. Jede farbige Linie stellt den Koeffizienten jedes Merkmals dar. Merkmalsauswahl in der TRA-Gruppe. Sechs Features mit Koeffizienten ungleich Null wurden anhand der Mindestkriterien ausgewählt.LASSO-Koeffizientenprofile der Features in der TRA-Gruppe.Feature-Auswahl in der SAG+TRA-Gruppe. Zwanzig Merkmale mit Koeffizienten ungleich Null wurden anhand der Mindestkriterien ausgewählt. LASSO-Koeffizientenprofile der Merkmale in der SAG+TRA-Gruppe. LASSO, kleinster absoluter Schrumpfungs- und Auswahloperator; SAG, sagittal; TRA, quer; WHO, Weltgesundheitsorganisation.
Feature-Auswahl mit LASSO in der ATRX-Aufgabe.Feature-Auswahl in der SAG-Gruppe. Drei Features mit Koeffizienten ungleich Null wurden anhand der Mindestkriterien ausgewählt. LASSO-Koeffizientenprofile der Features in der SAG-Gruppe. Jede farbige Linie stellt den Koeffizienten jedes Merkmals dar. Merkmalsauswahl in der TRA-Gruppe. Neununddreißig Merkmale mit Koeffizienten ungleich Null wurden anhand der Mindestkriterien ausgewählt.LASSO-Koeffizientenprofile der Merkmale in der TRA-Gruppe.Merkmalsauswahl in der SAG+TRA-Gruppe. Fünf Features mit Koeffizienten ungleich Null wurden anhand der Mindestkriterien ausgewählt. LASSO-Koeffizientenprofile der Features in der SAG+TRA-Gruppe. ATRX, Alpha-Thalassämie/geistiges Retardierungssyndrom X-chromosomal, LASSO, kleinste absolute Schrumpfung und Selektionsoperator; SAG, sagittal; TRA, quer.
Feature-Auswahl mit LASSO in der P53-Aufgabe.Feature-Auswahl in der SAG-Gruppe. Einundzwanzig Merkmale mit Koeffizienten ungleich Null wurden anhand der Mindestkriterien ausgewählt. LASSO-Koeffizientenprofile der Merkmale in der SAG-Gruppe. Jede farbige Linie stellt den Koeffizienten jedes Merkmals dar. Merkmalsauswahl in der TRA-Gruppe. Vierundzwanzig Merkmale mit Koeffizienten ungleich Null wurden anhand der Mindestkriterien ausgewählt.LASSO-Koeffizientenprofile der Merkmale in der TRA-Gruppe.Merkmalsauswahl in der SAG+TRA-Gruppe. Siebenundfünfzig Features mit Koeffizienten ungleich Null wurden anhand der Mindestkriterien ausgewählt. LASSO-Koeffizientenprofile der Features in der SAG+TRA-Gruppe. LASSO, kleinster absoluter Schrumpfungs- und Auswahloperator; P53, Tumorprotein p53; SAG, sagittal; TRA, quer.
Ausgewählte Radiomics-Funktionen in jeder Vorhersageaufgabe. In der WHO-Aufgabe zur Vorhersage des Tumorgrades wurden 24 Merkmale in SAG, 6 Merkmale in TRA und 20 Merkmale in SAG+TRA ausgewählt. Bei der ATRX-Vorhersageaufgabe wurden 3 Merkmale in SAG, 39 Merkmale in TRA und 5 Merkmale in SAG+TRA ausgewählt. In der P53-Vorhersageaufgabe wurden 21 Features in SAG, 24 Features in TRA und 57 Features in SAG+TRA ausgewählt. SAG, sagittal; TRA, quer.
Detaillierte Ergebnisse der 5-fachen Kreuzvalidierung für die vorgeschlagenen Modelle unter Verwendung multimodaler Fusionsmerkmale in der Primärkohorte. Acc: Genauigkeit, Sens: Empfindlichkeit, Spec: Spezifität. Die obigen Ergebnisse werden unter Verwendung des Mittelwerts von 5 Experimenten und des entsprechenden 95 %-Konfidenzintervalls ausgedrückt.
Detaillierte Testergebnisse in der externen Testkohorte. Acc: Genauigkeit, Sens: Empfindlichkeit, Spec: Spezifität.
Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/. Der Creative Commons Public Domain Dedication-Verzicht (http://creativecommons.org/publicdomain/zero/1.0/) gilt für die in diesem Artikel zur Verfügung gestellten Daten, sofern in einer Quellenangabe für die Daten nichts anderes angegeben ist.
Nachdrucke und Genehmigungen
Ma, C., Wang, L., Song, D. et al. Multimodale Strategie für maschinelles Lernen zur genauen und nicht-invasiven Vorhersage des intramedullären Gliomgrades und des Mutationsstatus molekularer Marker: eine retrospektive Studie. BMC Med 21, 198 (2023). https://doi.org/10.1186/s12916-023-02898-4
Zitat herunterladen
Eingegangen: 31. Januar 2023
Angenommen: 10. Mai 2023
Veröffentlicht: 29. Mai 2023
DOI: https://doi.org/10.1186/s12916-023-02898-4
Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:
Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.
Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt