深度学习助力提高儿童低级别胶质瘤复发风险预测的准确性

正文

请到「今天看啥」查看全文

， 2 00 例）和儿童脑肿瘤网络（ C BTN ， 1 96 例）的相关患者信息。 由于与其他低级别神经胶质瘤相比，神经纤维瘤病的疾病 进展 轨迹不同，因此 该研究 排除了 所有 神经纤维瘤病患者 。纳入深度学习的患者必须伴有术前诊断的磁共振成像资料及相关临床信息。具体的实验设计流程如图 2所示。

图 2 ：实验设计流程示意图

2、风险预测模型的临床表现

研究者根据患者的临床特征和磁共振图像信息训练了三个对应的模型，分别是临床生存模型、磁共振特征模型以及二者结合的多模态深度学习模型。在测试数据集（ 1 19 例）中三个模型的区分性能测试中，多模态模型表现出最高的区分性能（ C - index：0 .85 ，百分之 9 5 的置信区间为： 0 .81-0.93 ）；其次是基于磁共振特征的深度学习模型（ C - index：0 .79 ，百分之 9 5 的置信区间为： 0 .70-0.88 ）；最低的是基于临床特征的深度学习模型（ C - index：0 .72 ，百分之 9 5 的置信区间为： 0 .57-0.77 ）。多模态深度学习模型在单独的 D F/BCH 数据集或 C BTN 数据集中的表现也是稳定最高的。这些数据表明，相比较单独的基于临床特征或者基于磁共振图像信息，二者结合的多模态深度学习模型具有更优越的表现，结果如图 3所示。

图 3 ：三种模型的 C指数和R

请到「今天看啥」查看全文