用深度注意网络基于全脑MRI预测胶质瘤预后：多中心研究

用深度注意网络基于全脑MRI预测胶质瘤预后：多中心研究的思维导图， 目的是基于全脑MRI预测胶质瘤预后，不进行图像分割；对象：弥漫性胶质瘤的患者。

用深度注意网络基于全脑MRI预测胶质瘤预后：多中心研究

• 方法
  • 病人来源、分组 2个外部验证 还有一个公共数据库 .纳入标准包括成年患者(>18岁)(1)经病理诊断为原发WHO II-IV级胶质瘤；(2)术前MRI资料，包括T1加权、T2加权、T2加权FLAIR和T1加权Gd增强成像(分别为T1、T2、FLAIR和T1c)；(3)现有的生存数据和临床数据。
  • 图像的采集和预处理
  • CNN模型的构建 （流程图）
    • 子主题
  • 预后效能的评估：Kaplan-Meier analysis；用X-tile 计算截止值，a weighted log-rank test 评估不同风险之间评估的差异 ；使用R包pec计算每个数据集的预测误差随时间变化的曲线和综合Brier评分(IBS)，以评估总体性能；C指数用来计算区别能力；随时间变化的ROC评估不同时间点的风险评分；多变量Cox分析确定Deeprisk是不是预后的独立预测因素。
  • 诺莫图和 增加的预后价值：1、根据临床因素建立的诺莫图 2、把DeepRisk score用Cox分析纳入临床诺莫图中，建立深度学习的诺莫图，这样就可以通过对比两种诺莫图的效能评价增加的预测预后的价值（计算预测误差曲线和IBS，以量化两种诺模图的总体预测性能）。使用R包SurvIDINRI计算净重分类改进(NRI)计算，以衡量DeepRisk分数增加的预测性能的改进。3、DCA曲线
• 讨论
  • 第一段：本文的主要内容，对比两个深度学习的效能 对比了两个诺莫图的结果
  • 第二段：本研究选择用全脑MRI 图像，不勾画ROI；本研究模型加入了注意力机制，提高模型的效能
  • 第三段：既往研究的对比、影像组学、机器学习、DTI，CNN 本研究加入了注意力机制 创新点
  • 第四段：之前研究建立的诺莫图没有加入影像学的特征，且本研究建立的诺莫图的效能较高
  • 第五段：不足 选择偏倚；国外数据；没有纳入组织学信息
• 创新点
  • 1、多中心数据、公共数据集 、样本量大
  • 2、内容丰富：对比不同图像 整体和局部；不同模型：临床、临床加影像的组合的对比
  • 3、统计学方法很详细；技术方法上的创新
• 概述
  • 弥漫性胶质瘤是最常见的原发脑肿瘤
    • 子主题
  • 传统分类：根据WHO分级，包含2\3\4级，但是这种方法的分类不足以预测预后，差别很大，2021年 根据分子分型分类
  • 由于弥漫性胶质瘤本身的侵袭性的特点，所以该肿瘤是系统性的而不是局灶性的
  • 建立2个深度学习模型预测弥漫性胶质瘤预后；也对比了是不是这个模型可以增加临床和基因特征的预测价值
• 目的：基于全脑MRI预测胶质瘤预后，不进行图像分割；对象：弥漫性胶质瘤的患者