荷兰鹿特丹伊拉斯姆斯MC大学医学中心放射学和核医学系的Sebastian R. van der Voort等开发单一的多任务卷积神经网络，采用全3D、结构、术前MRI扫描预测IDH突变状态、1p/19q共缺失状态和肿瘤的分级和分割。其结果发表于2023年2月《Neuro-Oncology》杂志。
——摘自文章章节
【Ref: van der Voort SR, et al. Neuro Oncol. 2023 Feb 14;25(2):279-289. doi: 10.1093/neuonc/noac166.】
胶质瘤是常见的原发性脑肿瘤，其中最常见的是胶质母细胞瘤，也是最致命的恶性脑肿瘤。胶质瘤发生和对治疗反应的差异归因于肿瘤间不同遗传和组织学特征，特别是异柠檬酸脱氢酶（IDH）突变状态、1p/19q共缺失状态和肿瘤分级。2016年，世界卫生组织（WHO）根据遗传和组织学特征对胶质瘤进行分类更新。目前的临床实践中，肿瘤特征由切除的肿瘤组织或活检诊断决定。近年来，由于MRI成像能显示胶质瘤的异质性，并与遗传和组织学特征相对应，因此，利用机器学习方法预测遗传和组织学特征的放射组学非常流行，但方法繁多而可转化到临床不多。深度学习技术的存储也有限。荷兰鹿特丹伊拉斯姆斯MC大学医学中心放射学和核医学系的Sebastian R. van der Voort等开发单一的多任务卷积神经网络，采用全3D、结构、术前MRI扫描预测IDH突变状态、1p/19q共缺失状态和肿瘤的分级和分割。其结果发表于2023年2月《Neuro-Oncology》杂志。
该研究对来自13个不同机构的240例患者数据进行独立检试；并对来自16个研究所的1508例胶质瘤患者数据训练研究方法。结果发现，在独立检试中，IDH-AUC为0.90，1p/19q共缺失AUC为0.85，等级AUC为0.81。研究对于肿瘤描绘，获得的平均全肿瘤Dice评分0.84。
最后，该项研究开发一种无创的、以术前MRI扫描自动分割肿瘤和预测胶质瘤IDH突变状态、1p/19q共缺失及胶质瘤分级等多个临床相关特征的方法。对独立数据集的性能评估表明，该方法具有通用性和可操作性。研究还提供代码和训练的模型，作者的方法可快速借鉴采纳。
声明：脑医汇旗下神外资讯、神介资讯、神内资讯、脑医咨询、AiBrain 所发表内容之知识产权为脑医汇及主办方、原作者等相关权利人所有。
投稿邮箱：NAOYIHUI@163.com
未经许可，禁止进行转载、摘编、复制、裁切、录制等。经许可授权使用，亦须注明来源。欢迎转发、分享。
