文献速递神经MR

纵向结构与灌注MRI联合机器学习在高级别胶质瘤监测中优于单一模态和放射科专家

Longitudinal structural and perfusion MRI enhanced by machine learning outperforms standalone modalities and radiological expertise in high-grade glioma surveillance.
PubMed 文献 · Neuroradiology · 2021-05-28

该回顾性研究纳入64例高级别胶质瘤患者,利用SVM分类器联合纵向结构与灌注MRI特征区分稳定、假性进展和进展,发现联合特征及纵向灌注时间点分类性能优于单一模态和放射科医生,最佳敏感度/特异度/准确度达100/91.67/94.7%。

要点

  • 联合灌注与结构特征及纵向时间点可提高进展与假性进展的鉴别准确性。
  • SVM分类在多个时间点分析中敏感度/特异度/准确度达100/91.67/94.7%。
  • 放射科医生分类准确度较低(68%-84.2%),提示机器学习辅助价值。

关键影像表现/征象

  • 影像特征包括强化组织、非强化T2高信号、rCBV和rCBF图。
  • 最佳特征为rCBF第25百分位、rCBV相关性、T2峰度及T1增强后信号强度的纵向差值。
  • 排除切除腔和宏观坏死区域。

诊断标准与关键数值

  • 多时间点组SVM敏感度/特异度/准确度:首个时间点100/91.67/94.7%,纵向分析85.71/100/94.7%。
  • 单时间点组SVM敏感度/特异度/准确度:86.49/75.00/81.53%。
  • 放射科医生对应分类:多时间点组60/78/68%和70/90/84.2%,单时间点组75.7/68.9/73.84%。
  • SVM与放射科医生性能比较p<0.05(McNemar检验)。

临床应用与阅片要点

  • 日常阅片可结合纵向DSC灌注时间点及结构特征提高鉴别准确性。
  • 注意排除切除腔和宏观坏死区域,使用rCBV和rCBF标准化值。
  • 机器学习辅助可能减少对专家经验的依赖。

局限性

  • 回顾性单中心研究。
  • 样本量较小(多时间点组仅19例)。
  • 部分病例缺乏组织学确认(仅20%有组织学)。
全文中译14 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. 2021 May 28;63(12):2047–56. doi: 10.1007/s00234-021-02719-6

引言

高级别胶质瘤(HGGs)是最常见的恶性原发性脑肿瘤类型,占新诊断病例的80%,其中大多数(>50%)为胶质母细胞瘤(GB)[1, 2]。目前的参考标准治疗包括最大安全范围切除、放射治疗和同步替莫唑胺(TMZ)治疗[2, 3]。预后差及对治疗反应异质性大,需要对患者进行影像学监测[4]。

区分进展性疾病(PD)与假性进展(PsP)对患者管理仍然至关重要[5]。结构性MRI,即使在不断演变的诊断标准下,仍无法可靠地区分PD与PsP[2, 5–7]。灌注MRI先前已被证明可改善这种分类[8–10]。使用动态磁敏感对比(DSC)MR灌注以单一灌注时间点区分PD与PsP的研究最初产生了有希望但相互矛盾的结果[8, 10]。最近一项关于DSC MR灌注区分PD与PsP的荟萃分析表明,汇总敏感度和特异度分别为90%和88%[11]。

灌注和结构指标联合使用多参数MRI已成功应用于区分治疗后GB的PD与PsP[12]、预测术后复发位置[13]以及增强总生存期预测[14]。加入灌注时间点并结合多参数直方图分析已被证明可增强对肿瘤进展和生存的预测[9]。同样,纵向DSC灌注评估用于胶质瘤监测先前已被证明可识别低级别胶质瘤的恶性转化[15],包括少突胶质细胞瘤[16, 17]。研究已应用纵向MR灌注区分PD与PsP,表明DSC灌注参数如相对脑血容量(rCBV)可能优于常规MRI参数如强化肿瘤体积趋势[18, 19]。

多参数MRI数据集的分析通过使用机器学习得到进一步增强。此类技术已成功用于切除后GB患者中PsP与肿瘤复发的区分[20, 21]、按级别和突变状态对胶质瘤分类[22]、总生存期预测、GB分子亚型分型[23, 24]以及HGG中肿瘤与非肿瘤成分的区分[25]。支持向量机(SVM)分类器已成功应用于多参数MRI数据集,基于灌注MRI对PD与PsP进行分类[26]。更近期的研究表明,在多参数MRI数据集中纳入灌注特征用于影像组学模型分析可提高分类准确性[27, 28]。

我们的目的是比较评估经训练用于区分PD与PsP的SVM分类器在不同影像组学特征组合下的性能:(I)灌注与结构影像组学特征联合 compared to 单独特征,以及(II)纵向 compared to 单时间点影像组学特征。此外,我们旨在将SVM分类器的性能与放射科医师的判读进行比较。

据我们所知,这是第一项研究在单一和纵向时间点上应用结构和灌注MRI数据集联合的潜在优势,用于SVM增强分类HGG患者中的PD与PsP。

材料和方法

研究参与者

我们回顾性分析了2012年至2018年间在我科接受灌注MRI检查的HGG患者的影像学研究。获得了机构研究伦理审查批准。UCL研究伦理委员会豁免了知情同意的要求。我们纳入了经组织学确认的原发性HGG诊断患者,在任何治疗后至少一个时间点可获得DSC MR灌注成像,且在每个灌注时间点前后均有结构MRI可用。我们排除了未获得HGG组织学确认、DSC MR灌注前后影像学研究不充分、或在灌注时间点之间接受了手术和/或抗血管生成药物治疗(如贝伐珠单抗)的患者。分析分为两组:“I组”由所有具有单一DSC MR灌注时间点的患者组成(总队列64例患者),“II组”由具有多个(2或3个)DSC MR灌注时间点的患者组成(19例)。

MRI方案

结构MRI研究在临床3T MRI系统(Magnetom Prisma Siemens Healthcare,Erlangen,德国)上采集,包括以下序列:T2液体衰减反转恢复(FLAIR)[TR/TE/IR 6500/88/2130 ms,层厚/层间距5/6.5 mm,视野(FOV)165 × 220 mm²];T2WI [TR/TE 4610/99.5,层厚/层间距5/1.5 mm,FOV 210 × 210 mm²];T1WI [TR/TE 415/20 ms,层厚/层间距5/1.5 mm,FOV 210 × 210 mm²];DWI [TR/TE 3700/55 ms,层厚/层间距4/5 mm,采集矩阵192×192,FOV 220×220 mm²];T1WI增强后(Dotarem,Guerbet,Villepinte,法国)[TR/TE 6.8/450 ms,层厚/层间距5/6.5 mm,采集矩阵256×256,FOV 217×240 mm²]。

灌注加权MRI研究在同一系统上采集,使用标准动态磁敏感加权对比灌注MR成像方案,包括梯度回波-EPI序列,TR/TE 1370/30,层厚/层间距4/5.2 mm,视野(FOV)220x220,采集矩阵128x128,翻转角65,扫描时间:2分20秒。EPI数据在注射0.1 mmol/kg体重的钆特酸葡胺(Dotarem,Guerbet,Villepinte,法国)团注后采集,随后以5 ml/s的恒定速率给予20 ml生理盐水团注。应用了半剂量钆预负荷。研究中包含的所有外部MRI扫描均基于类似方案。

DSC灌注分析

DSC PWI研究的后处理使用Olea Sphere 3.0(Olea Sphere®

3.0,Olea Medical®),使用内置软件功能对患者运动进行校正后。动脉输入函数通过聚类分析算法自动选择[29],并在与解剖图像不一致的情况下进行手动校正。基于去卷积的灌注参数使用贝叶斯概率方法计算,随后使用内置软件功能进行对比剂渗漏校正[30]。相对脑血容量(rCBV)和相对脑血流量(rCBF)图在DSC MR灌注研究上计算。rCBV和rCBF的标准化值(z分数)分别相对于同侧基底节计算。先前已证明采用类似方法的灌注标准化可降低rCBV测量的变异性。基于既往研究,基底节已被用于标准化,以实现自动分割并减少与白质内灌注变异及用户依赖性感兴趣区选择相关的变异性[31–33]。

治疗反应评估

治疗反应评估包括以下类别:疾病进展(PD)、假性进展(PsP)、疾病稳定(SD)、部分缓解(PR)和完全缓解(CR)。病灶分类基于再次手术或活检后的组织学结果(总计64例队列中的13例:20%)。在其余病例中,分类基于长期影像学和临床监测。影像学监测基于长期纵向MRI上强化病灶的演变过程。临床监测基于当地神经肿瘤多学科团队会议最终结果,该会议评估了最新可用时间点的所有可用临床和影像学数据。该分类被视为专家共识金标准。我们的队列中未遇到完全缓解病例。遇到的少数初步部分缓解病例(4例)在监测过程中转为其他类别。因此,SVM分类器的训练基于三个类别:PD、PsP和SD(三分类问题)。

图像配准、分割

我们的方法见图1。使用所有时间点的轴位T1、增强后T1W和FLAIR图像为每位患者创建共同3D空间。这基于先前报道的一种方法,即在去颅骨图像的对数变换、标准化、偏场校正和强度匹配后进行仿射配准[34]。所有可用时间点的图像被重采样至共同空间,并创建标准化图的减影数据集。

分割由一名具有2年经验的神经放射科医师(L.S)进行,结果由一名在脑肿瘤成像方面具有超过10年经验的神经放射科医师(S.B)独立监督。增强后T1W图像上的强化组织区域和非强化T2高信号在所有可用时间点进行手动分割。分割基于叠加在增强后T1W图像上的T2 FLAIR图像,排除任何切除腔和宏观坏死区域(www.itksnap.org)[35]。

图1 方法学和影像组学工作流程概述。I. 研究参与者被分为两组:I组具有单个DSC MR灌注时间点,II组具有多个(2或3个)DSC MR灌注时间点。所有患者在每次灌注时间点之前和之后均接受结构MRI检查。每个成像时间点被分类为疾病进展(PD)、假性进展(PsP)或疾病稳定(SD)。在可获得的情况下,组织学被用作病灶分类的金标准。在无组织学确认的病例中,病灶分类基于当地神经肿瘤多学科团队会议的最终结果,该会议评估了所有可获得的系列放射学监测研究以及最新可获得时间点的临床数据。这被视为专家共识金标准。II. 识别并分割病灶区域,包括FLAIR高信号(蓝色)、对比增强(红色)和坏死(黄色——排除)。分割掩膜被导出。在log变换、归一化、偏场校正和颅骨剥离图像的强度匹配之后,使用每个时间点的轴位T1、增强后T1W和FLAIR图像为每位患者创建共同3D空间。与提取掩膜对应的灌注图被共同配准到共同3D空间上。III. 特征提取和SVM训练基于特征数据集(结构、灌注和联合)和灌注时间点(单次、纵向)的不同组合。通过计算每个特征数据集的分类错误率以及准确性/敏感性/特异性来评估分类性能。SVM分类结果与放射科医师的预测进行比较 查看原图 ↗

特征提取

分割掩膜被应用于共同多参数空间,并用于所有患者的特征提取。影像特征来源于多个序列,包括所有可获得时间点的T1(增强前和增强后)、T2、FLAIR、rCBV和rCBF。单时间点组共提取130个特征,多时间点组共提取110个特征。对于多时间点组,计算了不同时间点之间的相减特征(相减包括2-1、3-2、3-1)。这些包括结构MRI研究增强前和增强后序列上信号强度的纵向变化,以及连续DSC MR灌注研究中rCBV和rCBF值的纵向差异。在归一化相减图像上提取分布和纹理特征,并将其用作自动分类的特征。在应用SVM分类器进行自动病灶分类(PD、PsP、SD)之前,应用最小绝对收缩和选择算子(LASSO)框架[36]进行特征选择。

SVM分类器

使用所有选定特征构建了带有径向基函数(RBF)核的二分类支持向量机(SVM)。用于生成结果的代码可在 https://github.com/csudre/LongPerfusion 免费获取。单时间点SVM训练数据集基于单时间点所有可用的结构和灌注MRI研究。纵向SVM训练数据集包括结构和灌注MRI研究在所有时间点(时间点1、2,部分病例为3)的所有可用标准化图像。SVM训练和验证采用K折交叉验证,结果对250次两折交叉验证迭代取平均值[37]。进行了独立的分类步骤,包括以下“一对多”二分类:(a)SD vs(PD和PsP)和(b)PD vs(SD和PsP)。最终SVM分析利用了两个步骤,并得出每个病例的最终分类(SD、PD或PsP)。

诊断性能

为评估诊断性能,基于不同特征数据集(结构、灌注、联合)、不同分类步骤和不同时间点(单次和多次灌注时间点)计算了SVM分类的错误率及敏感性/特异性/准确性。基于这些指标对两组的分类准确性进行了比较。

因此,提取了放射学报告用于比较。这些报告基于所有患者的结构和灌注MRI研究,由三名资深神经放射学家组成的团队(至少7年神经肿瘤影像学经验及多学科神经肿瘤委员会核心成员)出具。放射学报告包括对每个时间点疾病状态的评估,并构成了“放射科医师分类”的基础。放射科医师可获取每个时间点所有可用的结构和灌注影像研究,且在出具报告时对病灶分类不知情。

放射学与SVM分类性能的比较基于分类的敏感性、特异性和准确性。统计显著性采用McNemar统计检验评估,方法学基于既往研究[38, 39]。

结果

研究参与者——病灶分类

最终分析队列包括64名参与者(年龄48.5 ± 12.8 [均值,标准差],24名女性)。所有时间点均在完成初始放化疗后选取。从初始187名接受DSC MRI检查的患者组中,我们排除了123例,原因包括组织学诊断非高级别胶质瘤、DSC MR灌注前后结构影像研究不可用或不充分、或病灶组织学和患者治疗信息不充分。所有纳入患者均有组织学证实的高级别胶质瘤(HGG)、至少一个DSC MR灌注时间点,以及每个灌注时间点前后的结构MRI。最终队列由64名患者组成:45例为单时间点,19例为多次DSC时间点。研究参与者分为两组:I组(单次DSC时间点:64名患者)和II组(多次DSC时间点:19名患者)。提供了概述患者筛选流程的流程图(补充图1)。

患者人口统计学和临床特征总结于表1。病灶组织学资料见补充材料(补充表1和表2)。单时间点组(Ⅰ组:64例患者)包括43例GB(WHO 4级)患者、14例间变性星形细胞瘤(3级)患者和7例少突胶质细胞瘤(3级)患者。多时间点组(Ⅱ组:19例患者)包括14例GB患者、3例间变性星形细胞瘤患者和2例间变性少突胶质细胞瘤患者。我们共纳入269次完整的结构MRI和92次DSC MR灌注研究。监测期间初次和最终影像学研究之间的时间间隔为(均值,标准差[95%CI]天):Ⅰ组(201,159[182–220]),Ⅱ组(208,170[172–243])。

治疗反应评估和病灶分类总结于补充材料(补充表1和表2)。各组病灶分类包括:Ⅰ组(单时间点):37例PD、13例PsP和14例SD病例;Ⅱ组(多时间点):8例PD、5例PsP和6例SD病例。

表1 患者人口统计学、肿瘤组织学和病灶分类 查看原表 ↗

SVM特征选择——分类错误率

通过整合分析评估影像组学特征的分类性能。预测准确性最高的特征在两组中相似。在多个时间点组中,这些特征的相减值表现出最佳性能,包括rCBF第25百分位数(P25)的差异(Diff ZrBF First Quartile)、rCBV的差异(Diff ZrBV Correlation)、T2峰度的差异(Diff T2 Kurtosis)以及T1增强后图像上相减信号强度的差异(Diff T1Gad sum average)。

经过多次迭代,计算两组的SVM分类错误率,以便在不同数据集之间进行比较。以探索性方式,还针对病灶状态的不同组合评估了分类性能,如下所示:(PsP/SD vs PD和SD vs PsP/PD)。

Ⅰ组(单时间点,64例患者)的分类结果见补充材料(补充图2)。在该组中,对于PD vs PsP/SD这一临床相关分类,结构和灌注特征的组合优于单独的灌注和结构特征数据集(中位错误率:结构和灌注特征组合2%,灌注特征4%,结构特征15.6%。平均错误率:分别为23%、27%和28%)。

Ⅱ组(多时间点,19例患者)的分类通过采样不同时间点和每个时间点特征数据集(结构和灌注)的所有组合进行。当采用单个灌注时间点时(图2),与单独模态相比,灌注和结构特征的组合导致更低的最终分类错误率。具体而言,对于PD vs PSP/SD这一临床相关分类,当采用结构和灌注特征的组合时达到最低错误率(中位错误率:1.6%,平均错误率:5%)。

在II组中,还评估了来自不同灌注时间点组合(即第一和第二时间点、第一和第三时间点等)的减影数据集的分类性能。总体而言,联合灌注和结构特征的输入在所有时间点组合中均一致地导致更低的分类错误率。基于第一时间点的分类产生的平均错误率为10.5%,当引入第二时间点(平均间隔88.2天)时,该错误率改善至9.8%。引入额外的第三时间点(距初始时间点的平均间隔为287.5天)进一步将平均错误率降低至9.3%。逐步分类中可实现的最低错误率见于第三和第一灌注时间点之间的联合减影特征(中位错误率:0.4%,平均错误率:0.7%)。

图2 箱线图展示了II组(多个DSC灌注时间点)按特征类别进行的临床相关SVM分类(SD/PsP vs PD)的计算错误率。结构和灌注特征的组合优于单独的结构或灌注特征数据集,产生了最低的分类错误率(中位错误率:1.6%,平均错误率:5%)。错误率差异具有统计学显著性(Wilcoxon/Kruskal-Wallis检验:p值 = 0.0001) 查看原图 ↗

放射学报告与基于SVM的分类之间的比较

我们计算了放射科医生和SVM分类器对病灶分类的灵敏度、特异度和准确率。结果总结于表2中。在II组(多个DSC时间点)中,SVM优于放射科医生的分类。SVM分类的灵敏度/特异度/准确率分别为100/91.67/94.7%(基于第一灌注时间点的分析)和85.71/100/94.7%(基于多个时间点的纵向分析),而相应放射科医生分类分别为60/78/68%和70/90/84.2%。在I组(单灌注时间点)中,SVM也超过了放射科医生的分类性能,尽管幅度较小,其灵敏度/特异度/准确率为86.49/75.00/81.53%(SVM),而放射科医生为75.7/68.9/73.84%。在所有时间点组合中,联合灌注和结构特征在基于SVM的分类中均一致优于单独数据集。

使用McNemar统计检验的统计评估拒绝了放射科医生与SVM分类器之间性能相等的零假设(相应比较的p值 < 0.05,见表2)。

表2 SVM与放射科医生分类性能评估 查看原表 ↗

讨论

本研究比较评估了SVM分类器在高级别胶质瘤(HGG)患者治疗后监测期间区分PD、SD和PSP的性能。我们的结果表明,应用联合灌注和结构MRI特征以及引入纵向灌注时间点后,SVM分类性能得到改善。此外,我们的结果表明,在我们的队列中,最优SVM分类器的表现优于放射科医生的判读。

当基于灌注与结构联合特征对纵向灌注研究进行分析时,观察到支持向量机(SVM)分类性能最佳,超过了放射科医师在两个患者组中的分类性能。将分类器应用于两组(组I和组II分别具有1个或2–3个DSC时间点),我们证明SVM的敏感性/特异性/准确性优于放射科医师。具体而言,对于基于SVM的分类,这些指标分别为100/91.67/94.7%(首次灌注时间点分析)和85.71/100/94.7%(纵向分析),而相应放射科医师分类分别为60/78/68%和70/90/84.2%。据我们所知,这是第一项基于结构和灌注特征数据集组合、比较评估基于单次和纵向灌注时间点的SVM分类性能,并将SVM分类性能与专家放射科医师进行比较的研究。

我们的发现突显了多参数MRI在确定疾病进展方面的潜力,并与既往研究一致。多项研究利用灌注MRI参数区分疾病进展与治疗相关效应,主要评估平均rCBV或最大rCBV,但结果不一致[8, 40–42]。最近一项荟萃分析报告,各研究中表现最佳的DSC MR灌注参数的合并特异性和敏感性分别为90%和88%(95% CI 0.85–0.94;0.83–0.92)[11]。然而,与这些研究不同,且与Hu等和Park等[43]的既往研究相似,我们的方法在SVM训练过程中不基于预先确定的灌注特征或截断值。

我们观察到,灌注与结构MRI特征的组合在单次和纵向灌注时间点组分析中均持续改善分类性能。近期基于单次灌注时间点识别假性进展的研究与这一观察一致[27, 28, 44]。

在现有知识基础上进一步拓展,我们的结果表明,基于纵向DSC灌注时间点的SVM分类在预测病灶结局方面优于单次时间点分析,这一发现此前未见类似研究描述。我们队列中的纵向分析在分类错误率以及敏感性/特异性/准确性方面均表现出性能改善,尽管固有的组间混杂因素可能使直接比较产生偏倚。

具体而言,分类性能似乎与DSC MR灌注时间点的数量有关。当基于灌注与结构联合特征使用单个时间点进行SVM训练时,敏感性/特异性/准确率分别为86.49/75.00/81.53%(平均错误率10.5%)。应用第二个灌注时间点(平均间隔时间88.2天)导致分类性能提高(敏感性/特异性/准确率85.71/100/94.73%,平均错误率9.8%)。引入额外的第三个时间点(平均间隔287.5天)导致分类性能类似改善并进一步降低错误率(敏感性/特异性/准确率85.71/100/94.73%,平均错误率9.3%)。我们队列中接受三次纵向灌注扫描的受试者数量有限,无法得出明确结论。然而,值得注意的是,当应用所有三个时间点的联合减去特征进行SVM分类时,观察到最低的达到错误率(中位错误率0.4%,平均错误率7%)。

另一个具有潜在临床意义的重要发现是,SVM在分类准确率方面优于放射科医师的分类性能高达27%,在多个时间点组中更为显著。最近一项采用源自结构MRI的放射组学特征的研究描述了类似的观察结果[45]。然而,此类比较的任何推广都需要基于更大患者队列、前瞻性设计和外部验证的研究来确认。

所识别的性能差异可能归因于SVM算法能够使用同步的灌注和结构成像参数检测时间和空间上的微小复合差异,这对于报告放射科医师来说是一项耗时且具有挑战性的任务。实际上,表现最佳的特征包括纵向MRI研究中rCBV、rCBF、T2峰度和增强后T1序列上减去信号强度的差异。先前的研究已将类似特征识别为有希望区分PsP与PD的特征[44–47]。采用机器学习,Akbari等人进一步证明了此类特征,即增强后T1强化和rCBV,与经组织学验证的与PsP和PD相关的组织特征之间的相关性[48]。对比增强和灌注指标的差异通常被放射科医师用于使用先进成像进行病变表征。然而,将多参数MRI特征的纵向变化纳入常规临床报告对人类阅片者来说是一项耗时且具有挑战性的任务。

本研究存在潜在局限性。重要的是,患者队列规模小以及研究的回顾性设计可能限制了我们结果的普适性,这些结果应在更大规模、特征明确的患者队列中加以验证。为适应纳入研究数量较少并减轻潜在的过拟合,采用了K折交叉验证来构建训练和验证数据集。并非所有患者均可获得病灶性质的組織學确认,然而,在HGG患者中,多个影像时间点上很少能获得这一确认。因此,在此类情况下,我们使用专家共识作为金标准。类似方法在同类研究中几乎被普遍采用[19, 25–27, 44, 48]。强化病灶内活动性肿瘤组织与放射性坏死的潜在共存对治疗反应的表征构成了额外挑战。为此采用了延长系列影像学检查以加以考虑,并允许更客观的最终病灶表征。纳入的外部扫描数量有限,引入了MRI扫描方案的 partial 异质性。这一潜在偏倚来源在临床实践中已被充分认识,并通过构建共同三维空间加以解决。总体而言,对转诊患者的多项MRI研究进行准确比较——这些研究在成像方案和质量上常常不一致——要求创建一个工具以减轻任何偏倚,并在存在任何技术或质量差异的情况下评估疾病演变。我们认为我们的方法有望满足这一需求。克服上述局限性对于基于类似方法的自动病灶分类的临床应用至关重要。具体而言,确认所述方法的临床价值需要前瞻性研究,纳入更大患者队列、同质扫描参数、更高比例的组织学确认病灶分类,以及使用独立数据集对模型性能进行外部验证。

总之,我们的研究结果表明,通过机器学习增强的灌注和结构MRI数据分析显著改善了SD、PD和PsP之间的分类,当获取并分析多个灌注时间点时性能达到峰值。迄今为止,这是第一项专门设计用于对来自单一和纵向灌注时间点的独立及联合结构和灌注MRI特征的分类性能进行比较评估的研究。通过基于纵向灌注和结构MRI研究训练的SVM分类器对病灶进行自动分类,在预测病灶命运方面也可能优于神经放射学专家判断。我们的初步发现有待更大规模、理想情况下为前瞻性的研究加以确认。

补充信息

ESM 1(JPG 185 kb)

(PNG 600 kb)

高分辨率(TIF 79 kb)

(DOCX 30 kb)

引用

  1. Siakallis L, Sudre CH, Mulholland P, et al. Longitudinal structural and perfusion MRI enhanced by machine learning outperforms standalone modalities and radiological expertise in high-grade glioma surveillance. Neuroradiology. 2021. PMID: 34047805. doi:10.1007/s00234-021-02719-6
  2. 全文:PMC8589799(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8589799/

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。