• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>other >MRI to MGMT: predicting methylation status in glioblastoma patients using convolutional recurrent neural networks
【2h】

MRI to MGMT: predicting methylation status in glioblastoma patients using convolutional recurrent neural networks

机译：MGMT的MRI：使用卷积循环神经网络预测胶质母细胞瘤患者的甲基化状态

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Glioblastoma Multiforme (GBM), a malignant brain tumor, is among the most lethal of all cancers. Temozolomide is the primary chemotherapy treatment for patients diagnosed with GBM. The methylation status of the promoter or the enhancer regions of the O6− methylguanine methyltransferase (MGMT) gene may impact the efficacy and sensitivity of temozolomide, and hence may affect overall patient survival. Microscopic genetic changes may manifest as macroscopic morphological changes in the brain tumors that can be detected using magnetic resonance imaging (MRI), which can serve as noninvasive biomarkers for determining methylation of MGMT regulatory regions. In this research, we use a compendium of brain MRI scans of GBM patients collected from The Cancer Imaging Archive (TCIA) combined with methylation data from The Cancer Genome Atlas (TCGA) to predict the methylation state of the MGMT regulatory regions in these patients. Our approach relies on a bi-directional convolutional recurrent neural network architecture (CRNN) that leverages the spatial aspects of these 3-dimensional MRI scans. Our CRNN obtains an accuracy of 67% on the validation data and 62% on the test data, with precision and recall both at 67%, suggesting the existence of MRI features that may complement existing markers for GBM patient stratification and prognosis. We have additionally presented our model via a novel neural network visualization platform, which we have developed to improve interpretability of deep learning MRI-based classification models.
机译：胶质母细胞瘤（GBM）是一种恶性脑瘤，是所有癌症中最致命的癌症之一。替莫唑胺是诊断为GBM的患者的主要化疗药物。 O 6-甲基鸟嘌呤甲基转移酶（MGMT）基因的启动子或增强子区域的甲基化状态可能影响替莫唑胺的疗效和敏感性，因此可能影响患者的整体生存。微观遗传学改变可能表现为脑肿瘤的宏观形态学变化，可以使用磁共振成像（MRI）进行检测，这可以用作确定MGMT调节区甲基化的非侵入性生物标记。在这项研究中，我们使用从癌症影像档案库（TCIA）收集的GBM患者的脑部MRI扫描汇编，以及癌症基因组图谱（TCGA）的甲基化数据，来预测这些患者中MGMT调节区的甲基化状态。我们的方法依赖于双向卷积递归神经网络体系结构（CRNN），该体系结构利用了这些3维MRI扫描的空间方面。我们的CRNN在验证数据上的准确度为67％，在测试数据上的准确度为62％，准确率和召回率均为67％，表明MRI功能的存在可能会补充GBM患者分层和预后的现有标记。我们还通过新颖的神经网络可视化平台展示了我们的模型，该平台已经开发出来，可以提高基于MRI的深度学习分类模型的可解释性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号