基于深度真值发现的胶质瘤基因状态预测方法

摘要

针对目前基于磁共振成像(magnetic resonance imaging,MRI)的胶质瘤异柠檬酸脱氢酶1(isocitrate dehydrogenase 1, IDH1)基因状态预测的深度学习模型中存在的深度网络特征提取不全面、模型存在固有的不确定性等问题，提出基于改进的残差网络(residual network,ResNet)与真值发现的TDA-ResNet(truth discovery divided attention-ResNet)模型。通过分散注意力机制优化ResNet网络模型架构，提取胶质瘤影像局部与全局特征，对胶质瘤IDH1基因状态进行预测；同时在模型中融入真值发现算法，对作为预测结果的深度特征向量进行不确定性校准，提高模型预测准确率。实验数据收集自徐州医科大学附属医院部分胶质瘤患者的MR影像及癌症影像档案(the cancer imaging archive, TCIA)公有数据集。TDA-ResNet模型在徐州医科大学附属医院胶质瘤MR影像数据集及TCIA数据集中的实验准确率分别为95.73%和94.3%。实验结果表明，TDA-ResNet模型可实现对脑胶质瘤IDH1基因状态无创预测及不确定性校准，其性能优于现有的IDH1基因状态深度学习预测模型，对脑胶质瘤临床诊疗具有重要意义。

关键词

脑胶质瘤 / 异柠檬酸脱氢酶1 / 深度学习 / 真值发现 / 不确定性校准

基金资助

国家自然科学基金资助项目(62102345); 江苏省卫生健康委医学科研项目(Z2020032); 徐州市重点研发计划资助项目(KC22117)