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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».