文献速递神经MR

基于可变视觉Transformer的多模态分析识别成人弥漫性胶质瘤O6-甲基鸟嘌呤-DNA甲基转移酶状态预测的关键因素:人口学、影像组学和MRI

Identifying key factors for predicting O6-Methylguanine-DNA methyltransferase status in adult patients with diffuse glioma: a multimodal analysis of demographics, radiomics, and MRI by variable Vision Transformer.
PubMed 文献 · Neuroradiology · 2024-03-12

本研究利用可变视觉Transformer(vViT)对成人弥漫性胶质瘤患者的人口学特征、影像组学特征和MRI进行多模态分析,以预测MGMT启动子状态。训练集122例1570幅图像,测试集30例484幅图像。患者水平分析准确度0.833(95%CI 0.714-0.877),AUC-ROC 0.840(95%CI 0.650-0.995)。T2WI水肿区影像组学特征贡献最大。

要点

  • vViT患者水平预测MGMT启动子甲基化准确度0.833,AUC-ROC 0.840
  • T2WI水肿区影像组学特征排列重要性最高(0.345,95%CI 0.343-0.346)
  • vViT准确度高于VGG16和ResNet,AUC-ROC高于GoogleNet(p<0.05)

核心结论

  • vViT是预测成人弥漫性胶质瘤MGMT启动子甲基化的有效深度学习模型,其性能优于常规CNN模型。
  • 在人口学、影像组学和MRI中,T2WI水肿区影像组学特征对预测MGMT启动子甲基化的贡献最大。
  • CE-T1WI和T2WI的影像组学特征重要性在统计学上高于CE-T1WI和T2WI图像本身。

研究设计与样本

  • 横断面研究,数据来自UCSF-PDGM数据集,为单中心2015至2021年收集的501例成人弥漫性胶质瘤患者。
  • 最终纳入152例患者共2054幅图像,随机分为训练集122例1570幅图像和测试集30例484幅图像。
  • 所有患者均为4级胶质瘤,MGMT启动子甲基化通过免疫组化、Sanger测序或二代测序检测。
  • 从CE-T1WI和T2WI的强化肿瘤、坏死肿瘤核心和瘤周水肿/浸润组织各提取105个影像组学特征。
  • vViT包含9个扇区:人口学、6个影像组学扇区(CE-T1WI和T2WI各3个区域)、2个图像扇区(CE-T1WI和T2WI),通过投票整合各扇区预测。

诊断标准与关键数值

  • 患者水平分析总模型输出:准确度0.833(95%CI 0.714-0.877),敏感度0.600(95%CI 0.395-0.749),特异度0.950(95%CI 0.788-0.967),AUC-ROC 0.840(95%CI 0.650-0.995)。
  • 图像水平分析总模型输出:准确度0.764(95%CI 0.743-0.782),敏感度0.612(95%CI 0.579-0.641),特异度0.917(95%CI 0.892-0.930),AUC-ROC 0.828(95%CI 0.792-0.862)。
  • 患者水平排列重要性:T2WI水肿区影像组学0.345(95%CI 0.343-0.346),T2WI坏死核心影像组学0.302(95%CI 0.301-0.304),T2WI强化肿瘤影像组学0.276(95%CI 0.274-0.277)。
  • 图像水平排列重要性:T2WI水肿区影像组学0.239(95%CI 0.237-0.240),T2WI坏死核心影像组学0.216(95%CI 0.214-0.217),T2WI强化肿瘤影像组学0.213(95%CI 0.211-0.214)。
  • vViT准确度高于VGG16和ResNet,AUC-ROC高于GoogleNet(p<0.05)。

临床应用与阅片要点

  • 原文未据此给出临床推荐。
  • 作者指出vViT与放射科医师的比较或放射科医师使用vViT后的诊断改善需在未來研究中检验。

局限性

  • 使用了单中心回顾性收集的数据集,研究的普适性应通过另一个数据集验证。
  • 患者水平分析显示患者数量不等,导致选择偏倚和患者水平分析性能的高估。
  • vViT中影像组学扇区(6个)与图像扇区(2个)数量不平衡,可能使影像组学特征显得占主导地位。
  • 各人口学和影像组学特征的可解释性不足,无法确定T2WI水肿区影像组学扇区中每个影像组学特征的贡献。
  • 仅凭本研究结果不能声称vViT适用于临床环境。
全文中译10 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Neuroradiology. 2024 Mar 12;66(5):761–73. doi: 10.1007/s00234-024-03329-8

引言

胶质瘤是中枢神经系统(CNS)最常见的原发性肿瘤之一[1, 2]。2021年世界卫生组织(WHO)中枢神经系统肿瘤分类建议在组织学特征基础上加入分子参数进行中枢神经系统肿瘤分级[3, 4],因为某些分子标志物可提供预后信息[3]。过去十年中,O6-甲基鸟嘌呤-DNA甲基转移酶(MGMT)启动子甲基化状态与总生存率及其诊断价值相关[5–7]。胶质母细胞瘤患者接受化疗时,MGMT启动子甲基化患者较未甲基化患者生存期更长[8, 9]。MGMT启动子甲基化与12个月时更优的无进展率和生存率强烈相关[10]。确定MGMT启动子甲基化需要进行活检和组织学检查。当因肿瘤大小、肿瘤位置、患者合并症和患者状况等原因无法进行活检时,通过影像学成像评估脑肿瘤性质[10, 11]。近期研究旨在通过使用机器学习算法(包括卷积神经网络(CNN))分析影像组学特征或图像来预测MGMT启动子甲基化[12–21]。然而,在患者特征、影像组学特征和磁共振成像(MRI)中,预测MGMT启动子甲基化的最主要因素仍不清楚。部分原因是机器学习和深度学习在单一模型中同时分析这些因素存在局限性[22]。在多模态人工智能解决方案全球发展的背景下[23, 24],确定预测MGMT启动子甲基化的主导因素十分重要。

既往研究提出了一种受视觉Transformer(ViT)启发的模型,名为可变ViT(vViT),可分析不同长度的多序列[22, 25–27]。vViT同时处理多模态因素(患者特征、影像组学特征和MRI),计算每个因素的预测准确率,然后将其整合到整体性能中。vViT的一个优势是能够在单一模型中通过计算每个因素的预测准确率来定量评估或识别最主要因素[27]。这一优势归因于vViT分别分析输入因素。然而,将vViT应用于预测成人弥漫性胶质瘤患者MGMT启动子甲基化的研究有限。本研究旨在探讨vViT的性能,并使用vViT在预测成人弥漫性胶质瘤患者MGMT启动子甲基化中识别患者特征、影像组学特征和MRI中的主导因素。

材料与方法

数据收集

本横断面研究根据癌症影像档案数据使用政策和限制,从加利福尼亚大学旧金山分校术前弥漫性胶质瘤MRI(UCSF-PDGM)数据集中获取所有数据[28, 29]。UCSF机构审查委员会批准了数据收集,并豁免知情同意,本研究按照相关指南和规定进行回顾性研究。UCSF-PDGM数据集包括501名成年患者,均为组织病理学确诊的弥漫性胶质瘤(遵循2021年WHO分类),于2015年至2021年在单一医疗中心接受了术前MRI、初始肿瘤切除术和肿瘤基因检测[4]。在UCSF-PDGM数据集中,肿瘤的MGMT启动子甲基化通过免疫组织化学染色、Sanger测序或下一代基因测序进行检测[28]。

影像组学特征提取和图像处理

UCSF-PDGM数据集中的图像数据首先使用由脑肿瘤分割挑战算法组成的集成模型进行自动分割[28, 30]。分割最终由一位拥有超过15年经验的委员会认证神经放射学家批准[28, 30]。分割包括三个主要肿瘤分区:增强肿瘤(ET)、坏死肿瘤核心(NCR)和瘤周水肿/浸润组织(ED)。我们使用PyRadiomics软件包[31]从对比剂增强T1加权图像(CE-T1WI)和T2加权图像(T2WI)的每个分区中提取了105个影像组学特征(附录1)。我们排除了注释图像包含少于256像素的图像,不进行影像组学特征提取。提取影像组学特征后,将图像裁剪至包含肿瘤的最小矩形。使用Python Pillow软件包并采用LANCZOS选项将裁剪后的图像扩展为128×128图像。

数据集构建和vViT设置

模型构建排除了以下患者:(i)无年龄或性别信息;(ii)肿瘤MGMT启动子甲基化原因不明;(iii)无法从CE-T1WI和T2WI图像中提取ET、NCR或ED的影像组学特征;(iv)图像远离图像数量均值的标准差。此外,(v)进行随机选择以使MGMT甲基化图像数量与MGMT非甲基化图像数量相等。施加标准(v)是为了在平衡设置下进行基于图像的分析,并避免高估性能。施加UCSF-PDGM数据集标准后,剩余152名患者共2,054张图像(1,027张MGMT甲基化,1,027张MGMT非甲基化)(附录2)。这些图像被随机分为训练数据集(122名患者共1,570张图像[785张MGMT甲基化和785张MGMT非甲基化])和测试数据集(30名患者共484张图像[242张MGMT甲基化和242张MGMT非甲基化])。训练和测试数据集中的所有患者均为4级胶质瘤。我们进行方差分析(ANOVA)以选择与MGMT启动子甲基化相关的影像组学特征。从训练数据集的每个ET、NCR和ED中按F值降序选择F值最高的64个影像组学特征。所选特征及其F值和p值见附录3。

图1展示了本研究构建的vViT的架构概览。所构建的vViT展示了九个扇区,包括类别标记扇区:人口统计学、CE-T1WI ET、CE-T1WI NCR、CE-T1WI ED、T2WI ET、T2WI NCR、T2WI ED影像组学、CE-T1WI图像和T2WI图像扇区。所有数据在输入vViT之前均转换为一维数组。每个扇区对MGMT甲基化的预测可单独得出。每个扇区的性能可被计算。每个扇区的预测通过投票进行整合:在九个扇区的预测中,多数预测被视为总模型的输出。使用Pytorch 1.7.1版本作为深度学习框架实现vViT。二元交叉熵由Adam优化器优化(β1=0.9,β2=0.999,ε=1.0×10–8,weight-decay=0,AMSGrad=False)。关于vViT及术语(包括二元交叉熵和Adam优化器)的详细说明见附录4。

图1 本研究构建的可变视觉变换器(vViT)方案图。蓝色矩形中的数字代表输入vViT的数组长度;人口统计学(2个特征;年龄和性别)、CE-T1WI ET(64个影像组学特征)、CE-T1WI NCR(64个影像组学特征)、CE-T1WI ED(64个影像组学特征)、T2WI ET(64个影像组学特征)、T2WI NCR(64个影像组学特征)、T2WI ED(64个影像组学特征)影像组学、CE-T1WI图像和T2WI图像扇区。所有数组在输入vViT之前均转换为一维数组。灰色矩形代表每个扇区的预测。总模型输出通过投票获得。在原始vViT的基础上,我们附加了类别标记扇区。缩写:CE-T1WI:对比增强T1加权图像;T2WI:T2加权图像;ET:增强肿瘤;NCR:坏死性肿瘤核心;ED:瘤周水肿/浸润组织 查看原图 ↗

统计分析

患者特征和计算值以均数和95%置信区间(95%CI)或数字(n)和比例(%)表示。我们计算了分类准确率、灵敏度、特异度、阳性预测值(PPV)、阴性预测值(NPV)、F分数、受试者工作特征曲线下面积(AUC-ROC)、对数损失和Cohen's κ系数作为评估vViT性能的指标。我们将vViT的输出组织为每位患者的预测(基于患者的分析),因为vViT是为计算每张图像的指标(基于图像的分析)而实施的。该组织分别对二分类变量和连续变量使用投票和均值。vViT中CE-T1WI和T2WI图像扇区的性能与AlexNet [32]、GoogleNet [33]、视觉几何组(VGG)16 [34]和ResNet [35]进行了比较。这些CNN模型在使用各自的CE-T1WI和T2WI图像训练1000个epoch后进行了测试。分别采用McNemar检验和DeLong检验比较列联表和AUC-ROC。进行置换重要性分析以评估每个扇区对输出的贡献。执行以下三个计算步骤以评估置换重要性。(i)按照先前报道的方法在各扇区内进行置换[36]。该实施将一位患者的数据分配给另一位患者。

置换后,使用训练好的vViT计算准确率。

随后保存原始准确率与使用置换数据集计算出的准确率之间的差值。我们将该差值定义为置换重要性。

对每个分区重复执行步骤(i)、(ii)和(iii)一百次。图2以人口学分区的置换重要性计算流程为例进行展示。我们使用Mann-Whitney U检验比较各分区准确率的差值。

所有分析均使用Python语言3.8.2版本(Python软件基金会,http://www.python.org)进行。统计显著性通过95%CI评估,以p值<0.05表示。

图2 置换重要性分析流程。以人口学特征(年龄和性别)的置换为例。执行以下三个步骤。(i)使用原始数据集和训练好的变量视觉变换器(vViT)计算原始准确率。(ii)然后进行置换,使用置换数据集和训练好的vViT计算准确率。(iii)计算原始准确率与使用置换数据集计算出的准确率之间的差值。我们将该差值定义为置换重要性。通过改变置换模式将这些过程重复100次。 查看原图 ↗

结果

表1显示了训练数据集和测试数据集中患者的特征。

表1 患者特征 查看原表 ↗

基于图像的分析

总模型输出在测试数据集上的准确率、敏感度、特异度、PPV、NPV、F分数、AUC-ROC、对数损失和Cohen's κ系数分别为0.764(95%CI:0.743–0.782)、0.612(95%CI:0.579–0.641)、0.917(95%CI:0.892–0.930)、0.881(95%CI:0.846–0.899)、0.703(95%CI:0.674–0.726)、0.722(95%CI:0.682–0.762)、0.828(95%CI:0.792–0.862)、1.34(95%CI:1.34–1.35)和0.529(95%CI:0.510–0.548)。图3a显示了总模型输出的ROC。表2a显示了各分区的统计数据。表3a显示了CNN模型的性能以及McNemar和DeLong检验的结果。CE-T1WI分区与AlexNet(p<0.0001)、GoogleNet(p=0.027)、VGG16(p<0.0001)和ResNet(p<0.0001)相比,列联表具有统计学差异。T2WI分区与AlexNet(p<0.0001)、GoogleNet(p=0.031)、VGG16(p<0.0001)和ResNet(p<0.0001)相比,列联表具有统计学差异。在CE-T1WI和T2WI上,vViT的准确率均高于AlexNet、GoogleNet、VGG16和ResNet。CE-T1WI和T2WI分区的AUC-ROC均高于AlexNet、GoogleNet、VGG16和ResNet(所有p<0.0001)。按置换重要性降序排列各分区依次为:T2WI ED影像组学(置换重要性=0.239,95%CI:0.237–0.240)、T2WI NCR影像组学(0.216,95%CI:0.214–0.217)、T2WI ET影像组学(0.213,95%CI:0.211–0.214)、CE-T1WI ED影像组学(0.148,95%CI:0.147–0.150)、CE-T1WI ET影像组学(0.139,95%CI:0.137–0.140)、CE-T1WI NCR影像组学(0.118,95%CI:0.116–0.120)、人口学(0.0550,95%CI:0.0533–0.0566)、T1WI(−0.0032,95%CI:−0.0049至−0.0015)和T2WI(−0.0169,95%CI:−0.0186至−0.0152)分区。图3b显示了测试数据集中各分区置换特征重要性的结果。表4显示了各分区两两组合的Mann-Whitney U检验结果,其中上三角区域中以深灰色着色的单元格表示经Mann-Whitney U检验获得p值<0.0001的分区组合。

图3 测试数据集的受试者工作特征曲线及置换重要性分析结果。测试数据集基于图像分析和基于患者分析的受试者工作特征(ROC)曲线分别见图(a)和图(c)。各图中灰色区域代表95%置信区间(95%CI)。基于图像分析和基于患者分析中,原始准确率与使用置换数据集计算得到的各扇区准确率之间差异的箱线图分别见图(b)和图(d)。上须横线、矩形上横线、灰色线、矩形下横线和下须横线分别代表最大值、第三四分位数、中位数、第一四分位数和最小值。缩写:CE-T1WI:对比增强T1加权图像;T2WI:T2加权图像;ET:强化肿瘤;NCR:坏死性肿瘤核心;ED:瘤周水肿/浸润组织 查看原图 ↗
表2 各扇区的统计数据 查看原表 ↗
表3 vViT与CNN模型之间的性能比较 查看原表 ↗
表4 原始准确率与使用置换数据集计算得到的准确率之间差异的Mann-Whitney U检验结果。深灰色和浅灰色区域标记的单元格分别表示在基于图像分析和基于患者分析中,经Mann-Whitney U检验得出p< 0.0001的扇区组合:基于图像分析和基于患者分析。 查看原表 ↗

基于患者分析

总模型输出在测试数据集上的准确率、灵敏度、特异度、阳性预测值(PPV)、阴性预测值(NPV)、F 分数、AUC-ROC、对数损失和 Cohen κ 系数分别为 0.833(95%CI:0.714–0.877)、0.600(95%CI:0.395–0.749)、0.950(95%CI:0.788–0.967)、0.857(95%CI:0.535–0.927)、0.826(95%CI:0.682–0.877)、0.706(95%CI:0.543–0.869)、0.840(95%CI:0.650–0.995)、0.613(95%CI:0.561–0.665)和 0.595(95%CI:0.540–0.649)。图 3c 显示总模型输出的 ROC。表 2b 显示总模型输出和各扇区的统计数据。表 3b 显示 CNN 模型的性能以及 McNemar 和 DeLong 检验的结果。vViT 的 CE-T1WI 扇区与 AlexNet(p=0.016)、VGG16(p<0.0001)和 ResNet(p<0.0001)相比,列联表具有统计学差异。CE-T1 扇区的准确率高于 AlexNet、VGG16 和 ResNet。CE-T1WI 扇区的 AUC-ROC 高于 GoogleNet(p=0.048)。T2WI 扇区与 VGG16(p<0.0001)和 ResNet(p<0.0001)相比,列联表具有统计学差异。T2WI 扇区的准确率高于 VGG16。CE-T1WI 扇区的 AUC-ROC 在统计学上高于 GoogleNet(p=0.0048)。T2WI 扇区的 AUC-ROC 在统计学上高于 AlexNet(p=0.032)、GoogleNet(p=0.025)和 ResNet(p=0.045)。各扇区按重要性降序排列为 T2WI ED 影像组学(置换重要性 = 0.345,95%CI:0.343–0.346)、T2WI NCR 影像组学(0.302,95%CI:0.301–0.304)、T2WI ET 影像组学(0.276,95%CI:0.274–0.277)、CE-T1WI ED 影像组学(0.216,95%CI:0.214–0.217)、CE-T1WI NCR 影像组学(0.197,95%CI:0.196–0.199)、CE-T1WI ET 影像组学(0.191,95%CI:0.189–0.192)、T2WI(0.131,95%CI:0.0772–0.0801)、人口学(0.129,95%CI:0.128–0.131)和 T1WI(0.0787,95%CI:0.0772–0.0801)扇区。图 3d 显示测试数据集各扇区置换特征重要性的结果。表 4 显示各扇区每种组合的 Mann-Whitney U 检验结果,其中下三角区域中以浅灰色着色的单元格代表经 Mann-Whitney U 检验获得 p 值 <0.0001 的扇区组合。

讨论

本研究旨在:首先,使用人口统计学资料、影像组学特征和MRI本身,检验vViT在预测成人弥漫性胶质瘤患者MGMT启动子甲基化中的表现;其次,确定人口统计学资料、影像组学特征和MRI本身中的主导因素。据我们所知,这是首项应用vViT预测MGMT启动子甲基化并确定人口统计学资料、影像组学特征和MRI本身中主导因素的研究。在基于患者的分析中,vViT在测试数据集上的准确率为0.833,AUC-ROC为0.840。Robinet等应用EmbraceNet,使用T1WI和液体衰减反转恢复(FLAIR)图像预测MGMT启动子甲基化[37]。Robinet等显示出的性能略高于随机水平,并得出结论认为当前深度学习方法从MRI确定MGMT启动子甲基化的性能较差。此外,由北美放射学会(RSNA)和医学图像计算与计算机辅助干预协会主办的BraTS21竞赛中,第一名以准确率0.67和AUC-ROC 0.62的成绩获胜[21]。我们使用的数据集与该竞赛所用数据集部分重叠。就此而言,vViT取得了高于既往报道的性能。在本研究中,没有任何CNN模型在准确率和AUC-ROC方面较vViT达到统计学上更高的水平。另一方面,Yogananda等和Korfiatis等分别报道使用CNN预测MGMT启动子甲基化的准确率为0.947和0.949[17; 38]。这种不一致可能由研究人群特征和分类方法的差异所致。因此,应持续确认每种方法的可重复性。在最近一项研究中,Xu等使用CE-T1WI和T2WI通过ViT达到0.952的准确率[38]。尽管由于数据集不平衡该性能被高估,但结果提示基于Transformer的多模态方法在预测MGMT状态方面具有前景。在本研究中,我们揭示多模态分析在预测MGMT启动子甲基化方面达到了高于CNN的性能,尽管vViT未能达到最先进性能。开发有效的多模态融合方法对于捕捉复杂疾病的特征正变得越来越重要[39]。预测成人弥漫性胶质瘤患者的MGMT启动子甲基化也不例外。

影像组学特征或MRI本身在预测MGMT启动子甲基化中的主导地位仍存在争议。影像组学特征倾向于使用机器学习算法进行分析[12, 14–16],而MRI倾向于使用CNN进行分析[17–21]。本研究通过vViT比较了影像组学特征和MRI的置换重要性。通过评估每个扇区的重要性,我们的vViT克服了CNN的一个困难:卷积输入值使得难以估计输入因素在做出预测时的重要性,尽管传统CNN可以处理多个因素。我们揭示,在基于图像和基于患者的分析中,水肿区(ED)的影像组学特征均具有最高的重要性。既往研究表明,水肿区域的异质性可能携带关于MGMT启动子甲基化的关键信息[2]。正如Yang等人在本研究中提到的,影像组学可能是评估水肿区域异质性的有前景的技术。其他研究坚持认为水肿区域代表胶质瘤的侵袭程度[40, 41]。本研究的结果再次证实了这些既往研究。

本研究存在一些局限性。第一,我们使用了单中心回顾性收集的数据集。本研究的普适性应使用另一数据集进行验证。如果存在数据重复或错误识别等错误,这些错误可能无法被识别。当然,还有另一个从胶质瘤患者中收集数据的开放数据集[42]。然而,预测MGMT启动子甲基化是一项具有挑战性的任务,且性能仍存在不一致性。这种不一致性可以通过数据集之间的差异或图像预处理方法以及深度学习模型的性能来解释。在不同标准和成像条件下收集的另一数据集可能不适合用于验证[43]。仅凭本研究结果不能声称vViT适用于临床环境。应在未来研究中检查vViT与放射科医师的比较或放射科医师使用vViT对诊断的改善。第二,基于患者的分析显示患者数量之间存在不平等。训练和测试数据集被构建为具有相同数量的图像,以将尽可能多的图像输入vViT。通过这种均衡化,避免了对性能的高估。这一开发导致了不平等和选择偏倚,使基于患者的分析的性能被高估。然而,基于图像的分析的性能与先前报道的MGMT预测部分相当。这一影响可能有限。第三,影像组学和图像部分表现出不平衡。vViT在预测MGMT启动子甲基化时具有六个影像组学部分和两个图像部分。vViT中影像组学部分和图像部分数量之间的不平衡可能使影像组学特征的发现占主导地位。改变分割序列和线性投影中的实现设置可能是一种解决方案。当改变vViT的参数和影像组学的数量时,性能可以得到改善。据我们所研究,当使用64个影像组学特征时获得了最佳性能。第四,每个人口统计学和影像组学特征的可解释性不足。我们无法确定T2WI ED影像组学部分中所包含的每个影像组学特征的贡献。这一点导致难以阐明水肿区域如何被影像组学评估。然而,我们可以通过附录3中显示的F值推测主导影像组学特征。除此之外,每个特征的生物学意义可以通过文献[31]进行检查。

总之,与常规CNN模型相比,vViT可以成为预测成人弥漫性胶质瘤患者MGMT启动子甲基化的有能力的模型。通过将vViT与置换特征重要性相结合,可以对输入因素进行排序。在人口统计学、影像组学特征和MRI中,预测MGMT启动子甲基化最主导的因素是来自T2WI水肿区域的影像组学特征,这在基于图像和基于患者的分析中均是如此。在预测MGMT启动子甲基化时,来自CE-T1WI和T2WI的影像组学特征在统计学上比CE-T1WI和T2WI本身具有更高的重要性。本研究表明,与MRI本身相比,影像组学特征在预测MGMT启动子甲基化方面具有更高的置换重要性。

补充信息

ESM 1(DOCX 1286 kb)

引用

  1. Usuzaki T, Takahashi K, Inamori R, et al. Identifying key factors for predicting O6-Methylguanine-DNA methyltransferase status in adult patients with diffuse glioma: a multimodal analysis of demographics, radiomics, and MRI by variable Vision Transformer. Neuroradiology. 2024. PMID: 38472373. doi:10.1007/s00234-024-03329-8
  2. 全文:PMC11031474(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11031474/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。