基于融合多序列MRI的3D卷积神经网络评估脑胶质瘤患者生存预测应用研究

作     者：余璇 吴亚平 白岩 魏焕焕 高海燕 陈丽娟 王梅云 YU Xuan;WU Yaping;BAI Yan;WEI Huanhuan;GAO Haiyan;CHEN Lijuan;WANG Meiyun

作者机构：郑州大学人民医院河南省人民医院医学影像科郑州450003 郑州大学医学科学院郑州450000 河南省科学院医工融合研究所脑科学与类脑智能实验室郑州450046 

出 版 物：《磁共振成像》 (Chinese Journal of Magnetic Resonance Imaging)

年 卷 期：2023年第14卷第3期

页      面：12-16页

核心收录：

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1002[医学-临床医学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 100214[医学-肿瘤学] 10[医学] 

基　　金：河南省医学科技攻关计划项目(编号:SBGJ202101002) 河南省自然科学基金(编号:212300410240、222300420354) 

主　　题：脑胶质瘤 生存预测 深度学习 3D卷积神经网络 磁共振成像 

摘      要：目的利用3D卷积神经网络融合多序列MRI数据探究脑胶质瘤患者生存风险概率。材料与方法回顾性分析来自河南省人民医院影像归档和通信系统的63例术前行颅脑MRI检查的脑胶质瘤患者病例资料(私有病例数据),收集患者的T1加权成像、T2加权成像、T1增强加权成像、液体衰减反转恢复序列数据,结合公开数据集癌症影像档案库(The Cancer Imaging Archive,TCIA)的500例脑胶质瘤患者病例资料,由两名神经影像诊断医师在MRI图像上手动勾画病灶感兴趣区,根据患者生存期分为高风险组、中风险组和低风险组,构建3D卷积神经网络深度学习模型,将数据集按照3∶1∶1的方式划分为训练集、验证集和测试集评估脑胶质瘤患者的生存风险概率。563例病例数据的60%用于训练模型(所有私有病例数据用于训练),20%用于验证方法,20%用于测试结果。结果训练集中高、中、低风险组的受试者工作特征曲线下面积(area under the curve,AUC)分别为0.81、0.79、0.86,验证集中高、中、低风险组的AUC分别为0.74、0.78、0.81,测试集中高、中、低风险组的AUC分别为0.72、0.74、0.75。结论基于多序列MRI的深度学习模型能够为脑胶质瘤患者的生存预测提供辅助支持,为医生临床诊断和预后预测等方面提供定量信息,具有重要的科学价值和临床意义。