机器学习、深度学习以及磁共振成像（MRI）技术在儿童后颅窝肿瘤分类中的作用

《Child's Nervous System》：The role of machine learning, deep learning, and MRI findings in the classification of pediatric posterior fossa tumors

　　

摘要

目的

儿童后颅窝肿瘤是儿童中枢神经系统肿瘤的重要组成部分；然而，MRI特征的重叠常常阻碍了准确的非侵入性诊断。本研究旨在评估使用MRI衍生的放射组学特征对这类肿瘤进行分类的机器学习（ML）和深度学习（DL）模型。

方法

这项回顾性研究分析了63名确诊为后颅窝肿瘤的儿童的MRI数据，其中包括21例髓母细胞瘤（MB）、20例毛细胞星形细胞瘤（PA）、11例室管膜瘤（EP）和11例弥漫性中线胶质瘤（DMG）。研究使用了T2加权成像、扩散加权成像和表观扩散系数序列来构建梯度提升机（GBM）、决策树（DT）和随机森林（RF）模型及其集成组合，并通过标准分类指标评估了模型性能。基于ResNet101V2的DL模型使用了多种MRI序列进行训练。ML模型通过五折交叉验证进行验证，而DL模型则采用67/33的训练-测试分割并进行了数据增强。

结果

RF+GBM集成模型取得了最高的ML性能，总体准确率为78%，尤其在髓母细胞瘤和毛细胞星形细胞瘤的分类上表现最佳，而室管膜瘤和弥漫性中线胶质瘤的区分仍然具有挑战性。DL模型在T1加权成像和增强T1加权成像上的表现优异，准确率分别为98%和96%，但在基于扩散的序列上的性能较低。

结论

机器学习和深度学习方法提高了基于MRI的儿童后颅窝肿瘤分类的准确性；然而，室管膜瘤和弥漫性中线胶质瘤的准确区分仍然具有挑战性。这些发现支持了人工智能驱动的方法作为儿童神经肿瘤学中临床相关、非侵入性决策支持工具的潜力。