Attention-Guided Deep Learning of Chemical Exchange Saturation Transfer Magnetic Resonance Imaging to Differentiate Between Tumor Progression and Radiation Necrosis in Brain Metastasis
Notice bibliographique
Résumé
Purpose Stereotactic radiosurgery (SRS) is a standard treatment for brain metastases; however, it may lead to radiation necrosis (RN). RN can be virtually indistinguishable from tumor progression (TP), which can have significant clinical implications on appropriate, time-sensitive treatment. This study investigated the effectiveness of multimodal chemical exchange saturation transfer magnetic resonance imaging (MRI), combined with T1/T2 mapping and/or conventional structural MRI, in addressing this diagnostic challenge, when analyzed through attention-guided deep learning. Methods and Materials MRI data (3-dimensional amide proton transfer magnetization transfer ratio [Amide MTR ], relayed nuclear Overhauser effect magnetization transfer ratio [rNOE MTR ], T1 and T2 parametric maps, and postcontrast T1-weighted [T1c] and T2-weighted fluid-attenuated inversion recovery [T2-FLAIR] images) were acquired from 93 patients (230 brain metastases lesions) treated with SRS a few months prior. Lesion outcomes (TP/RN) were confirmed via histopathology and/or serial clinical imaging, including the use of perfusion imaging, over a follow-up period of at least 6 months. Data were split into training (47 patients; 184 lesions) and independent testing (46 patients; 46 lesions) sets. A 3-dimensional transformer model with 2 new attention mechanisms was developed to classify lesions using various combinations of multimodal MRI inputs. Results Among dual-channel models, T1c and T2-FLAIR yielded an area under the receiver operating characteristic curve (AUC) of 0.78 ± 0.01, whereas Amide MTR and rNOE MTR maps achieved 0.76 ± 0.01. Integrating Amide MTR and rNOE MTR with either T1/T2 maps or T1c/T2-FLAIR substantially improved performance (AUC = 0.84 ± 0.02 and 0.85 ± 0.02, respectively). The highest performance (AUC = 0.87 ± 0.01) was achieved using all 6 modalities. Conclusions Attention-guided deep-learning analysis of chemical exchange saturation transfer MRI shows strong potential for accurately distinguishing RN from TP, underscoring the significance of multimodal MRI inputs for post-SRS lesion evaluation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».