综述:利用深度学习推进脑肿瘤诊断:关于通过多参数磁共振成像(MRI)进行胶质瘤分割和分类的方法学方法的系统性和批判性综述 Simona Aresta, Cinzia Palmirotta, Muhammad Asim, Petronilla Battista, Gaia C. Santi, Gianvito Lagravinese, Claudia Cava, Pietro Fiore, Andrea Santamato, Christian Salvatore + 另有4位作者

《Brain Sciences》:Advancing Brain Tumor Diagnosis Using Deep Learning: A Systematic and Critical Review on Methodological Approaches to Glioma Segmentation and Classification Through Multiparametric MRI Simona Aresta, Cinzia Palmirotta, Muhammad Asim, Petronilla Battista, Gaia C. Santi, Gianvito Lagravinese, Claudia Cava, Pietro Fiore, Andrea Santamato and Christian Salvatore + 4 authors

【字体: 大 中 小 】 时间:2026年05月01日 来源:Brain Sciences 2.8

编辑推荐:

   摘要 背景/目标:脑肿瘤是一种高度致命的癌症,其中胶质瘤是最复杂的亚型。磁共振成像(MRI)是主要的非侵入性成像方法。本综述评估了深度学习(DL)和人工智能方法在脑肿瘤分割和分类中的应用。 方法:在本系统

  



摘要



背景/目标:脑肿瘤是一种高度致命的癌症,其中胶质瘤是最复杂的亚型。磁共振成像(MRI)是主要的非侵入性成像方法。本综述评估了深度学习(DL)和人工智能方法在脑肿瘤分割和分类中的应用。
方法:在本系统综述中,我们检索了2022年至2025年3月期间发表在PubMed和Scopus上的相关文章。作者根据预先定义的纳入标准独立筛选出符合条件的研究并提取数据。使用诊断准确性研究质量评估(QUADAS)清单对研究质量和偏倚风险进行了评估。
结果:在310条记录中,有31项研究符合纳入标准,其中8项研究同时涉及分割和分类。大多数分割研究使用了公开可用的多参数MRI数据集。不同架构和肿瘤区域的性能存在差异,全肿瘤分割的Dice相似系数(DSC)最高。传统的U-Net模型报告的DSC值在80%到87%之间,而具有残差或注意力机制的模型则超过了90%。分类主要关注肿瘤类型和胶质瘤分级,利用从多参数MRI中学习到的特征进行判断。报告的准确率范围为91.3%到99.4%,敏感性和特异性通常超过95%。然而,肿瘤亚区域之间的差异、有限的外部验证、对公共数据集的依赖以及异质的预处理方法对模型的鲁棒性和实际应用能力提出了质疑。关于在两项任务中使用可解释性方法的证据仍然有限。
结论:用于胶质瘤分割和分类的深度学习模型表现出良好的性能。然而,需要标准化验证协议、多中心数据集以及可解释性人工智能技术的整合,以提高模型的透明度、鲁棒性和临床适用性。



相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号