来源：期刊VIP网 时间：
作者：窦越;刘原庆;李勇珺;
单位：苏州大学附属第一医院放射科;
摘要：目的 本研究旨在开发一种基于多参数MRI的影像组学和深度学习技术的联合模型，以预测较低级别胶质瘤（lower-grade glioma, LGGs）患者的异柠檬酸脱氢酶基因（isocitrate dehydrogenase gene, IDH-1）突变状态。材料与方法 回顾性纳入经病理确诊为LGGs的患者的临床、影像和病理资料。基于多参数MRI，结合影像组学特征和2.5D-CrossFormer深度学习模型提取的深度学习特征，构建IDH-1突变状态的预测模型。通过特征筛选、机器学习算法的应用，并结合临床变量，构建临床-影像组学-深度学习的nomogram模型。结果 最终纳入186例患者，其中IDH-1阳性79例，阴性107例。提取10 530个影像组学特征及32个深度学习特征。经过筛选和特征降维，保留了20个影像组学-深度学习特征。多种机器学习模型中，LightGBM构建的深度影像组学模型表现最佳，训练组和验证组的曲线下面积（area under the curve, AUC）分别为0.94和0.86。结合临床变量构建的nomogram模型在训练组中的AUC达到0.97，显著优于影像组学模型和临床模型，在验证组中也表现出良好的预测效能。结论本研究基于多参数MRI的影像组学和深度学习技术，成功构建了瘤内及瘤周水肿特征的联合模型，用于预测LGGs的IDH-1突变状态。该模型具有较高的诊断准确性，有望为LGGs患者治疗方案的制订及预后评估提供重要的影像学依据。
关键词：胶质瘤;;异柠檬酸脱氢酶基因突变;;磁共振成像;;深度学习;;影像组学
基金资助：苏州市影像医学重点实验室项目（编号：SZS2024032）~~
