Gliomas are the most common neuroepithelial brain tumors. The modern classification of tumors of central nervous system and treatment approaches are based on tissue and molecular features of a particular neoplasm. Today, histological and molecular genetic typing of tumors can only be carried out through invasive procedures. In this regard, non-invasive preoperative diagnosis in neurooncology is appreclated. One of the perspective areas is artificial intelligence applied for neuroimaging to identify significant patterns associated with histological and molecular profiles of tumors and not obvlous for a specialist.
Objective: To evaluate diagnostic accuracy of deep learning methods for glioma typing according to the 2007 WHO classification based on preoperative magnetic resonance imaging (MRI) data.
Material and methods: The study included MR scans of patients with glial tumors undergoing neurosurgical treatment at the Burdenko National Medical Research Center for Neurosurgery. All patients underwent preoperative contrast-enhanced MRI. 2D and 3D MR scans were used for learning of artificial neural networks with two architectures (Resnest200e and DenseNet, respectively) in classifying tumors into 4 categories (WHO grades I-IV). Learning was provided on 80% of random examinations. Classification quality metrics were evaluated in other 20% of examinations (validation and test samples).
Results: Analysis included 707 contrast-enhanced T1 welghted images. 3D classification based on DenseNet model showed the best result in predicting WHO tumor grade (accuracy 83%, AUC 0.95). Other authors reported similar results for other methods.
Conclusion: The first results of our study confirmed the fundamental possibility of grading axial contrast-enhanced T1 images according to the 2007 WHO classes using deep learning models.
Глиомы — наиболее распространенные нейроэпителиальные опухоли головного мозга. Современная классификация опухолей нервной системы и подходы к их лечению основаны на тканевых и молекулярных особенностях конкретного новообразования. Сегодня надежное гистологическое и молекулярно-генетическое типирование опухолей может быть проведено только путем инвазивных исследований. В этой связи интересно совершенствование неинвазивных методов дооперационной диагностики в нейроонкологии. Одно из перспективных направлений — применение технологий искусственного интеллекта к данным нейровизуализации для выявления диагностически значимых паттернов, связанных с гистологическим и молекулярным профилями опухоли и недоступных в явном виде лучевому диагносту.
Цель исследования: Исследование направлено на оценку диагностической точности методов глубокого обучения для типирования глиом в соответствии с классификацией ВОЗ 2007 г. по данным предоперационной магнитно-резонансной томографии (МРТ).
Материал и методы: В исследование включали МР-томограммы пациентов с глиальными опухолями головного мозга, проходивших нейрохирургическое лечение в НМИЦ нейрохирургии им. Н.Н. Бурденко, которым на дооперационном этапе госпитализации была выполнена МРТ с контрастным усилением. Данные МРТ в формате плоских срезов (2D) и трехмерных объектов (3D) были использованы для обучения искусственных нейронных сетей с двумя архитектурами (Resnest200e и DenseNet соответственно) классификации опухоли по 4 категориям (I—IV степеням злокачественности по ВОЗ). Обучение проводили на 80% исследований, отобранных случайным образом. Метрики качества классификации оценивали на оставшихся 20% исследований (валидационной и тестовой выборках).
Результаты: В анализ были включены 707 МРТ-исследований в модальности T1 с контрастным усилением. Подход 3D-классификации с помощью модели DenseNet показал наилучший результат предсказания степени злокачественности опухоли по ВОЗ (точность=83%, ROC AUC=0,95), что согласуется с результатами других авторов, использовавших иные методики.
Выводы: Первые результаты наших исследований подтвердили принципиальную возможность градации аксиальных T1-изображений с контрастным усилением по классам ВОЗ 2007 г. с помощью моделей глубокого обучения.
Keywords: artificial intelligence; biomedical informatics; deep learning; glioma; machine learning; neurooncology; neurosurgery.