基于多中心MRI的3D-ResNet101深度学习模型预测脑胶质瘤术前分级的研究

目的 术前准确无创预测胶质瘤分级仍然具有挑战性.基于常规T2WI图像开发一种鲁棒性强的残差神经网络(Residual Networks,ResNet)深度学习模型以预测脑胶质瘤术前病理分级.材料与方法 回顾性分析919例经病理证实为胶质瘤患者的术前T2WI图像,其中708例为2014年6月至2021年4月在兰州大学第二医院收治的患者数据,211例来源于癌症影像档案(The Cancer Imaging Archive,TCIA)数据库.TCIA数据集又被细分为开发集(n=135)和独立测试集(n=76),将兰州大学第二医院数据集和TCIA开发集的数据按7∶3随机分为训练集(n=590)和测试集(n=253),基于T2WI图像构建3D-ResNet101深度学习模型.训练后的模型在测试集和独立测试集进行验证,并通过宏观F1分数、准确率(accaruy,ACC)及受试者工作特征(receiver operating characteristic,ROC)曲线对模型效能进行评估.结果 基于T2WI构建的3D-ResNet101深度学习模型在训练集和测试集ACC分别为99％、95％,F1分数分别为99％、95％,ROC曲线下面积(area under the curve,AUC)分别为0.98、0.97;独立测试集ACC为83％、F1分数为83％、AUC为0.89.结论 基于T2WI图像的3D-ResNet101深度学习模型预测高、低级别胶质瘤具有较高的准确性、鲁棒性.该方法可用于术前胶质瘤分级的无创预测,并有助于提升患者临床管理的有效性.