Método de aprendizaje profundo basado en resonancia magnética para la clasificación del estado de mutación de IDH
Autores: Bangalore Yogananda, Chandan Ganesh; Wagner, Benjamin C.; Truong, Nghi C. D.; Holcomb, James M.; Reddy, Divya D.; Saadat, Niloufar; Hatanpaa, Kimmo J.; Patel, Toral R.; Fei, Baowei; Lee, Matthew D.; Jain, Rajan; Bruce, Richard J.; Pinho, Marco C.; Madhuranthakam, Ananth J.; Maldjian, Joseph A.
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Método de aprendizaje profundo basado en resonancia magnética para la clasificación del estado de mutación de IDH
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Isocitrato deshidrogenasa
Estado de mutación
Redes de aprendizaje profundo
Imágenes de resonancia magnética T2w
Red de múltiples contrastes
Clasificación de IDH
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 35
Citaciones: Sin citaciones
El estado de mutación de la isocitrato deshidrogenasa (IDH) ha surgido como un importante marcador pronóstico en gliomas. Este estudio buscó desarrollar redes de aprendizaje profundo para la clasificación no invasiva de IDH utilizando imágenes de resonancia magnética T2w mientras se comparaba su rendimiento con una red de múltiples contrastes. Los resultados: T2-net entrenado en conjuntos de datos de TCIA y TCIA + EGD logró una precisión general del 85.4% y 87.6% con AUC de 0.86 y 0.89, respectivamente. MC-net entrenado en conjuntos de datos de TCIA y TCIA + EGD alcanzó una precisión general del 91.0% y 92.8% con AUC de 0.94 y 0.96, respectivamente.
Descripción
El estado de mutación de la isocitrato deshidrogenasa (IDH) ha surgido como un importante marcador pronóstico en gliomas. Este estudio buscó desarrollar redes de aprendizaje profundo para la clasificación no invasiva de IDH utilizando imágenes de resonancia magnética T2w mientras se comparaba su rendimiento con una red de múltiples contrastes. Los resultados: T2-net entrenado en conjuntos de datos de TCIA y TCIA + EGD logró una precisión general del 85.4% y 87.6% con AUC de 0.86 y 0.89, respectivamente. MC-net entrenado en conjuntos de datos de TCIA y TCIA + EGD alcanzó una precisión general del 91.0% y 92.8% con AUC de 0.94 y 0.96, respectivamente.