DOI: https://doi.org/10.1038/s41598-025-87803-0
PMID: https://pubmed.ncbi.nlm.nih.gov/39863759
تاريخ النشر: 2025-01-25
المؤلف: İlker Özgür Koska وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
في هذه الدراسة، طور المؤلفون مصنفًا قويًا للتنبؤ بحالة ميثيل MGMT في الورم الدبقي باستخدام التصوير بالرنين المغناطيسي متعدد المعايير. استخدموا مجموعة فرعية من مجموعة بيانات ميثيل MGMT BRATS 2021، والتي تضمنت كل من تسميات فئة MGMT وأقنعة تقسيم. تم تنفيذ نهج دمج الأقنعة الجديد لتحديد قصاصات الصور ذات الصلة من الأنسجة المريضة، مما سمح للنموذج باستخراج المعلومات من المناطق التي قد تبدو خالية من المرض في تسلسلات الرنين المغناطيسي القياسية ولكن تحتوي على علم الأمراض الكامن. من خلال دمج البيانات من تسلسلات الرنين المغناطيسي المتعددة واستخدام شبكة عصبية تلافيفية (CNN) مخصصة تعتمد على منطقة اهتمام ثلاثية الأبعاد (ROI)، حقق الباحثون تحسينات كبيرة في دقة التنبؤ.
أنتج أداء المصنفات ذات التسلسل الواحد دقة تبلغ 0.65 و0.71 و0.77 و0.82 لتسلسلات T1-weighted (T1W) وT2-weighted (T2W) وT1 المعزز بالتباين وFLAIR، على التوالي. في المقابل، حقق المصنف متعدد المعايير الذي جمع بين صور T1 المعزز بالتباين وFLAIR دقة بلغت 0.88، بينما وصل نموذج يستخدم جميع التسلسلات إلى دقة تبلغ 0.81. حقق أفضل نموذج أداء قيمة منطقة تحت منحنى خصائص التشغيل (ROC AUC) تبلغ 0.90. أثبت دمج الخبرة البشرية في اختيار الأهداف ذات الصلة فائدته في التنبؤ بحالة ميثيل MGMT. تؤكد النتائج على إمكانيات النماذج التنبؤية غير الغازية قبل العملية لتعزيز فهم الأطباء لظواهر التصوير المتعلقة بميثيل MGMT في الورم الدبقي، وهو أمر حاسم للتشخيص والتخطيط للعلاج.
النتائج
في هذه الدراسة، تم تحليل ما مجموعه 577 عينة ورم، مما كشف أن 276 (48%) كانت غير ميثيلة لـ MGMT و301 (52%) كانت ميثيلة لـ MGMT. على الرغم من عدم إمكانية إجراء مقارنات ديموغرافية وسريرية بسبب إخفاء هوية بيانات المرضى، تم تصميم مجموعة البيانات لتكون متوازنة بين المجموعتين. من الجدير بالذكر أنه لم تكن هناك اختلافات ذات دلالة إحصائية في أحجام الموائل بين نوعي الورم، على الرغم من ملاحظة اتجاهات في حجم الورم المعزز (p = 0.14) ونسبة حجم النخر/حجم لب الورم (p = 0.15).
حقق نموذج التعلم العميق (DL) المطور دقة متفاوتة عبر أوضاع التصوير المختلفة: 0.77 (95% CI: 0.73-0.80) لتسلسل T1CE، 0.71 (95% CI: 0.67-0.74) لتسلسل T2W، 0.82 (95% CI: 0.78-0.85) لتسلسل FLAIR، و0.65 (95% CI: 0.61-0.68) لصور T1W غير المعززة. من خلال دمج صور T1CE وFLAIR، تحسنت دقة النموذج إلى 0.88 (95% CI: 0.85-0.90)، مع درجة F1 تبلغ 0.88 (95% CI: 0.85-0.90). حقق نموذج بأربعة مدخلات يستخدم جميع التسلسلات دقة تبلغ 0.81 (95% CI: 0.77-0.84) ودرجة F1 تبلغ 0.80 (95% CI: 0.76-0.83). تضمنت النهج المبتكر للدراسة استخدام خرائط التقسيم من جميع التسلسلات لإنشاء قناع شامل، مما سمح للنموذج بالتركيز على المناطق المريضة عبر أوضاع التصوير المختلفة. أدى هذا المنهج إلى دقة ملحوظة تبلغ 0.88 وROC-AUC تبلغ 0.90. بالإضافة إلى ذلك، تم تطوير تطبيق Streamlit لتسهيل استكشاف الصور وتنبؤات النموذج، مما يعزز الإمكانية للتطبيق السريري.
المناقشة
في هذه الدراسة، بحث المؤلفون في تصنيف حالة ميثيل MGMT في الورم الدبقي (GBM) باستخدام نهج شامل يدمج بين تسلسلات الرنين المغناطيسي المتعددة وتقنيات التعلم العميق المتقدمة. تتكون مجموعة البيانات من 577 مريضًا، مع التركيز على تعزيز دقة التصنيف من خلال استخدام مناطق الأورام المقنعة، التي عزلت بفعالية الإشارات المرضية عن التشريح الطبيعي. حقق النموذج دقة تبلغ 0.88، مما يدل على الإمكانية لتحسين إدارة المرضى واختيار العلاج بناءً على حالة MGMT. أكد المؤلفون على أهمية استخدام مجموعة بيانات أكبر ومتوازنة للتخفيف من التحيزات الموجودة في الدراسات السابقة، التي غالبًا ما عانت من اختلالات في الفئات.
تشير النتائج إلى أن ظواهر التصوير المرتبطة بحالة ميثيل MGMT تتأثر بالملفات الجينومية الكامنة، مما يؤدي إلى أنماط مميزة في خصائص الورم. أظهرت الأورام الميثيلة لـ MGMT تورمًا أقل وتعزيزًا أكثر تباينًا مقارنة بالأورام غير الميثلة، التي عادةً ما أظهرت تورمًا محيطًا أكبر ونمط تعزيز حلقي. كما سلطت الدراسة الضوء على قيود الأدبيات الحالية، لا سيما فيما يتعلق بالاعتماد على مدخلات تسلسل واحد وتلوث قصاصات ROI بالتشريح الطبيعي. يدعو المؤلفون إلى تطوير مصنفات أكثر قوة من خلال دمج توقيعات جينومية إضافية ومجموعات بيانات أكبر ومصنفة لتعزيز القدرات التنبؤية لنماذج التعلم العميق في البيئات السريرية.
DOI: https://doi.org/10.1038/s41598-025-87803-0
PMID: https://pubmed.ncbi.nlm.nih.gov/39863759
Publication Date: 2025-01-25
Author(s): İlker Özgür Koska et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
In this study, the authors developed a robust classifier to predict the MGMT methylation status of glioblastoma using multiparametric MRI. They utilized a subset of the BRATS 2021 MGMT methylation dataset, which included both MGMT class labels and segmentation masks. A novel mask fusion approach was implemented to identify relevant image crops from diseased tissue, allowing the model to extract information from regions that may appear disease-free in standard MRI sequences but contain underlying pathology. By integrating data from multiple MRI sequences and employing a custom 3D region of interest (ROI)-based convolutional neural network (CNN), the researchers achieved significant improvements in predictive accuracy.
The performance of single-sequence classifiers yielded accuracies of 0.65, 0.71, 0.77, and 0.82 for T1-weighted (T1W), T2-weighted (T2W), T1 contrast-enhanced, and FLAIR sequences, respectively. In contrast, the multiparametric classifier that combined T1 contrast-enhanced and FLAIR images achieved an accuracy of 0.88, while a model utilizing all sequences reached an accuracy of 0.81. The best-performing model achieved a receiver operating characteristic area under the curve (ROC AUC) value of 0.90. The integration of human expertise in selecting relevant targets proved beneficial for predicting MGMT methylation status. The findings underscore the potential of preoperative non-invasive predictive models to enhance clinicians’ understanding of imaging phenotypes related to MGMT methylation in glioblastoma, which is crucial for prognosis and treatment planning.
Results
In this study, a total of 577 tumor samples were analyzed, revealing that 276 (48%) were MGMT unmethylated and 301 (52%) were MGMT methylated. Although demographic and clinical comparisons were not possible due to the anonymization of patient data, the dataset was designed to be balanced between the two groups. Notably, there were no statistically significant differences in habitat volumes between the two tumor types, although trends in enhancing tumor volume (p = 0.14) and the necrosis volume/tumor core volume ratio (p = 0.15) were observed.
The deep learning (DL) model developed achieved varying accuracies across different imaging modalities: 0.77 (95% CI: 0.73-0.80) for T1CE, 0.71 (95% CI: 0.67-0.74) for T2W, 0.82 (95% CI: 0.78-0.85) for FLAIR, and 0.65 (95% CI: 0.61-0.68) for non-contrast T1W images. By combining T1CE and FLAIR images, the model’s accuracy improved to 0.88 (95% CI: 0.85-0.90), with an F1 score of 0.88 (95% CI: 0.85-0.90). A four-input model utilizing all sequences achieved an accuracy of 0.81 (95% CI: 0.77-0.84) and an F1 score of 0.80 (95% CI: 0.76-0.83). The study’s innovative approach involved using segmentation maps from all sequences to create a comprehensive mask, allowing the model to focus on diseased regions across different imaging modalities. This methodology led to a notable accuracy of 0.88 and a ROC-AUC of 0.90. Additionally, a Streamlit application was developed to facilitate image exploration and model predictions, enhancing the potential for clinical application.
Discussion
In this study, the authors investigated the classification of MGMT methylation status in glioblastoma (GBM) using a comprehensive approach that integrated multiple MRI sequences and advanced deep learning techniques. The dataset comprised 577 patients, with a focus on enhancing classification accuracy through the use of masked tumor regions, which effectively isolated pathological signals from normal anatomy. The model achieved an accuracy of 0.88, demonstrating the potential for improved patient management and treatment selection based on MGMT status. The authors emphasized the importance of utilizing a larger, balanced dataset to mitigate biases present in previous studies, which often suffered from class imbalances.
The findings suggest that the imaging phenotypes associated with MGMT methylation status are influenced by underlying genomic profiles, leading to distinct patterns in tumor characteristics. MGMT-methylated tumors exhibited less edema and more heterogeneous enhancement compared to unmethylated tumors, which typically showed greater peritumoral edema and a ring-like enhancement pattern. The study also highlighted the limitations of existing literature, particularly regarding the reliance on single-sequence inputs and the contamination of ROI crops with normal anatomy. The authors advocate for the development of more robust classifiers by incorporating additional genomic signatures and larger, stratified datasets to enhance the predictive capabilities of deep learning models in clinical settings.