基于磁共振多参数图像融合及DenseNet网络的脑胶质瘤IDH突变预测研究

目的 建立一个基于人工智能深度学习DenseNet网络和多模态融合技术的预测模型,实现对胶质瘤患者术前异柠檬酸脱氢酶(isocitrate dehydrogenase,IDH)基因突变状态的高准确性预测.材料与方法 回顾性分析空军军医大学西京医院2012年1月至2016年9月连续收治的256名(155名IDH野生型和101名IDH突变型)患者的术前多序列MRI扫描图像,在T1加权成像(T1-weighted imaging,T1WI)、T2加权成像(T2-weighted imaging,T2WI)、增强T1WI序列上勾画肿瘤感兴趣区;通过深度学习卷积神经网络提取并融合了MRI多模态特征,定量比较了其与多模态特征简单拼接两种方法之间的模型性能差异.结果 多模态融合比各模态简单拼接具有更优越的预测性能,实现了训练集和测试集受试者工作特征曲线下面积分别为0.903[95%置信区间(confidence interval,CI):0.845～0.961]、0.904(95%CI:0.842～0.966)的良好鉴别性能;准确率分别达到了91.3%、88.7%.敏感度分别达到了86.4%、90.5%;特异度分别达到了94.5%、87.5%,使用校准曲线进行模型一致性验证,模型校准曲线靠近对角线,反映出模型具有较好的预测效果.DeLong检验结果显示多模态融合方法和消融方法两种方法的模型性能差异具有统计学意义(P＜0.05),前者优于后者.结论 基于深度学习DenseNet网络的MRI多模态融合模型通过整合肿瘤的多模态MRI图像信息,可以实现在术前对胶质瘤IDH基因状态的无创、低成本的预测.