论文部分内容阅读
目的
探讨一种基于MRI的深度学习模型预测WHO Ⅱ、Ⅲ级胶质瘤MGMT甲基化状态的价值。
方法回顾性分析2016年6月至2020年6月在兰州大学第二医院经手术病理及分子病理证实的WHO Ⅱ、Ⅲ级胶质瘤患者121例的临床及影像资料，其中MGMT启动子甲基化78例、未甲基化43例。收集121例WHO Ⅱ、Ⅲ级胶质瘤的T2WI及T1WI增强序列图像，并手动选取每个患者所有包含病灶层面的图像，按照7∶3完全随机分成训练集及验证集。应用EfficientNet-B3卷积神经网络构建独立的基于T2WI、T1WI增强、T2WI联合T1WI增强的预测模型（T2-net、T1C-net、TS-net），通过ROC曲线对各个模型预测效能分别进行评价。
结果验证集T2-net模型对WHO Ⅱ、Ⅲ级胶质瘤MGMT启动子甲基化状态预测的准确度为72.3%，灵敏度为64.7%，特异度为73.3%，曲线下面积（AUC为0.72），T1C-net模型的准确度为66.8%，灵敏度为68.3%，特异度为66.9%，AUC为0.72，TS-net模型的准确度为81.8%，灵敏度为63.1%，特异度为85.0%，AUC为0.78。
结论基于MRI的EfficientNet-B3卷积神经网络可以预测WHOⅡ、Ⅲ胶质瘤MGMT启动子甲基化状态；TS-net模型预测性能最佳。