背景与目的:弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)的生发中心B细胞样(germinal center B-cell-like,GCB)亚型和非GCB(non-GCB)亚型在患者预后和治疗上存在差异,但目前依赖有创病理学检查。本研究基于多参数MRI构建...背景与目的:弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)的生发中心B细胞样(germinal center B-cell-like,GCB)亚型和非GCB(non-GCB)亚型在患者预后和治疗上存在差异,但目前依赖有创病理学检查。本研究基于多参数MRI构建影像组学和深度学习模型,旨在于术前无创性区分这两种亚型。方法:本研究回顾性分析2013年3月—2024年12月在复旦大学附属华山医院及外院经病理学检查确诊的DLBCL患者。使用多参数MRI扫描数据,结合4种影像组学机器学习[支持向量机(support vector machine,SVM)、逻辑回归(logistic regression,LR)、高斯过程(Gaussian process,GP)和朴素贝叶斯(Naive Bayes,NB)]和3种深度学习[密集连接卷积网络121(densely-connected convolutional networks 121,DenseNet121)、残差网络101(residual network 101,ResNet101)和高效网络B5(Efficient Net-b5)]建立DLBCL亚型分类模型。此外,两名经验不同的放射科医师在盲法下基于MRI图像独立分类DLBCL。模型和医师的诊断性能均通过接收者操作特征曲线下面积(area under the curve,AUC)、准确度(accuracy,ACC)和F1分数(F1-score,F1)等指标进行量化评估,以衡量其区分GCB和non-GCB亚型的能力。本研究经复旦大学附属华山医院伦理委员会批准(KY2024-663),所有患者均知情同意。结果:本研究共纳入173例患者(GCB型55例,non-GCB型118例)。影像组学和深度学习方法能有效地区分DLBCL亚型。其中,GP影像组学模型(基于T1-CE+T2-FLAIR+ADC序列)和DenseNet121深度学习模型(基于T1-CE+T2-FLAIR+ADC序列)表现最佳,在内部验证集上分别取得优异性能(GP:AUC=0.900,ACC=0.896,F1=0.840;DenseNet121:AUC=0.846,ACC=0.854,F1=0.774),并在外部验证集上保持稳健。并且,最优AI模型的分类效能优于经验丰富的放射科医师(医师最高AUC=0.678)。结论:基于多参数MRI特征的影像组学与深度学习模型可有效地鉴别DLBCL的GCB与non-GCB亚型。其中,GP与DenseNet121模型在处理复杂图像数据、特别是融合多序列特征组进行亚型分类时,呈现出优异的性能。展开更多
文摘背景与目的:弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)的生发中心B细胞样(germinal center B-cell-like,GCB)亚型和非GCB(non-GCB)亚型在患者预后和治疗上存在差异,但目前依赖有创病理学检查。本研究基于多参数MRI构建影像组学和深度学习模型,旨在于术前无创性区分这两种亚型。方法:本研究回顾性分析2013年3月—2024年12月在复旦大学附属华山医院及外院经病理学检查确诊的DLBCL患者。使用多参数MRI扫描数据,结合4种影像组学机器学习[支持向量机(support vector machine,SVM)、逻辑回归(logistic regression,LR)、高斯过程(Gaussian process,GP)和朴素贝叶斯(Naive Bayes,NB)]和3种深度学习[密集连接卷积网络121(densely-connected convolutional networks 121,DenseNet121)、残差网络101(residual network 101,ResNet101)和高效网络B5(Efficient Net-b5)]建立DLBCL亚型分类模型。此外,两名经验不同的放射科医师在盲法下基于MRI图像独立分类DLBCL。模型和医师的诊断性能均通过接收者操作特征曲线下面积(area under the curve,AUC)、准确度(accuracy,ACC)和F1分数(F1-score,F1)等指标进行量化评估,以衡量其区分GCB和non-GCB亚型的能力。本研究经复旦大学附属华山医院伦理委员会批准(KY2024-663),所有患者均知情同意。结果:本研究共纳入173例患者(GCB型55例,non-GCB型118例)。影像组学和深度学习方法能有效地区分DLBCL亚型。其中,GP影像组学模型(基于T1-CE+T2-FLAIR+ADC序列)和DenseNet121深度学习模型(基于T1-CE+T2-FLAIR+ADC序列)表现最佳,在内部验证集上分别取得优异性能(GP:AUC=0.900,ACC=0.896,F1=0.840;DenseNet121:AUC=0.846,ACC=0.854,F1=0.774),并在外部验证集上保持稳健。并且,最优AI模型的分类效能优于经验丰富的放射科医师(医师最高AUC=0.678)。结论:基于多参数MRI特征的影像组学与深度学习模型可有效地鉴别DLBCL的GCB与non-GCB亚型。其中,GP与DenseNet121模型在处理复杂图像数据、特别是融合多序列特征组进行亚型分类时,呈现出优异的性能。
