Resumen

El glioma es el principal tipo de tumor cerebral maligno en adultos, y el estado de la mutación de la isocitrato deshidrogenasa (IDH) afecta en gran medida al diagnóstico, el tratamiento y el pronóstico de los gliomas. Las imágenes médicas radiográficas proporcionan una plataforma no invasiva para el muestreo de la heterogeneidad inter e intralesional de los gliomas, e investigaciones anteriores han demostrado que el genotipo IDH puede predecirse a partir de la fusión de imágenes radiológicas multimodales. Las características de las imágenes médicas y el genotipo IDH son vitales para el tratamiento médico; sin embargo, todavía falta un marco multitarea para la segmentación de las áreas de lesión de los gliomas y la predicción del genotipo IDH. En este trabajo, proponemos un nuevo modelo de aprendizaje profundo multitarea tridimensional (3D) para la segmentación y la predicción del genotipo (SGPNet). Las unidades residuales también se introducen en la SGPNet que permite a los bloques de salida extraer características jerárquicas para diferentes tareas y facilitar la propagación de la información. Nuestro modelo reduce en un 26,6 las tasas de error de lasificación en comparación con los modelos anteriores en los conjuntos de datos de las bases de datos de gliomas Multimodal Brain Tumor Segmentation Challenge (BRATS) 2020 y The Cancer Genome Atlas (TCGA). Además, primero investigamos de forma práctica la influencia de las áreas de lesión en el rendimiento de la predicción del genotipo de IDH estableciendo diferentes grupos de objetivos de aprendizaje. Los resultados experimentales indican que la información de las áreas de lesión es más importante para la predicción del genotipo de IDH. Nuestro marco es eficaz y generalizable, y puede servir como una herramienta altamente automatizada para ser aplicada en la toma de decisiones clínicas.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:genotipo idh, área de lesiones, predicción del genotipo idh, predicción del idh, tasa de error de clasificación, imagen radiológica multimodal, modelo de aprendizaje profundo, área de glioma, tumor cerebral maligno, fusión de multimodalidad
• Keywords:idh genotype, lesions area, idh genotype prediction, prediction of idh, classification error rate, multimodality radiology image, deep learning model, area of glioma, malignant brain tumor, fusion of multimodality