摘要
背景
儿童后颅窝肿瘤在不同肿瘤类型和分子亚型之间在恶性程度、治疗方法和预后方面存在差异，但无创术前鉴别仍然具有挑战性。
目的
开发一个基于深度学习（DL）的流程，使用T2加权（T2w）磁共振图像自动分割儿童后颅窝肿瘤，区分肿瘤类型（髓母细胞瘤[MB]、室管膜瘤[EP]、毛细胞星形细胞瘤[PA]），并分类MB和EP的分子亚型。
研究类型
回顾性和前瞻性。
人群
来自三个中心的1305例患者（男/女：828/477；490例MB，327例EP，488例PA）。对于肿瘤分割和分类，在训练集（n=880）上开发PF-nnU-Net，并在验证集（n=220）、内部前瞻性测试集（n=90）以及两个外部独立测试集（n=68，n=47）上进行验证。MB-nnU-Net在338例患者上训练，并在63例患者上测试MB亚型分类；先前开发的EP-nnU-Net在38例患者上测试EP亚型分类。
场强/序列
1.5T或3T磁共振成像，轴位T2w图像（快速自旋回波）。
评估
三种基于nnU-Net的模型：PF-nnU-Net和MB-nnU-Net用于开发，EP-nnU-Net用于验证。在训练集上进行了五折交叉验证，随后在独立测试集上进行测试。
统计检验
分割使用Dice相似度系数。分类使用准确率、灵敏度、特异度、受试者工作特征曲线下面积（AUC）和Cohen's kappa。双侧p<0.05被认为具有显著性。
结果
PF-nnU-Net的Dice得分达到0.94–0.96，总体分类准确率为0.824–0.918（多分类Cohen's kappa：0.722–0.873）。MB-nnU-Net的总体准确率为0.794（多分类Cohen's kappa：0.605），EP-nnU-Net的准确率为0.789（Cohen's kappa：0.538）。
数据结论
开发并验证了一个全自动深度学习流程，可准确分割儿童后颅窝肿瘤，区分肿瘤类型（MB、EP、PA），并分类MB和EP的分子亚型。
证据水平
3级。
技术效能
第2阶段。
简明摘要
儿童后颅窝肿瘤在严重程度和治疗方面存在差异。准确的肿瘤分型和分子亚型分类有助于指导治疗，但无创术前诊断仍然具有挑战性。本研究开发了一个基于深度学习（DL）的流程，使用T2加权（T2w）磁共振图像自动分割儿童后颅窝肿瘤，区分肿瘤类型（髓母细胞瘤[MB]、室管膜瘤[EP]、毛细胞星形细胞瘤[PA]），并分类MB和EP的分子亚型。该流程在多中心数据中展现了稳健的分割能力和高的分类准确率，并可靠地区分了MB和EP的分子亚型。这些发现表明，该流程可能作为一种无创工具来辅助临床诊断。
利益冲突
作者声明不存在利益冲突。
数据可用性声明
由于患者隐私保护的合规性限制，本研究中产生的数据不公开提供。然而，在合理请求并同意数据传输协议的情况下，通讯作者可向合格研究人员提供数据。代码可在以下地址获取：https://github.com/zrllk/v1。
