Artificial intelligence and advanced MRI techniques: A comprehensive analysis of diffuse gliomas

• Published in: Journal of medical imaging and radiation sciences Vol. 55; no. 4; p. 101736
• Main Authors: Lysdahlgaard, S., Jørgensen, M.D.
• Format: Journal Article
• Language: English
• Published: United States Elsevier Inc 01.12.2024
• Subjects: Adult; Artificial Intelligence; Brain Neoplasms - diagnostic imaging; Brain Neoplasms - pathology; Diffuse gliomas; Female; Glioma - diagnostic imaging; Glioma - pathology; Humans; Image Interpretation, Computer-Assisted - methods; Magnetic resonance imaging; Magnetic Resonance Imaging - methods; Male; Middle Aged; Neoplasm Grading; Neural Networks, Computer; Neuroradiology; Radiomics; Diffuse gliomas; Magnetic resonance imaging; Artificial intelligence; Neuroradiology; Radiomics
• ISSN: 1939-8654; 1876-7982; 1876-7982
• DOI: 10.1016/j.jmir.2024.101736

The complexity of diffuse gliomas relies on advanced imaging techniques like MRI to understand their heterogeneity. Utilizing the UCSF-PDGM dataset, this study harnesses MRI techniques, radiomics, and AI to analyze diffuse gliomas for optimizing patient outcomes. The research utilized the dataset of 501 subjects with diffuse gliomas through a comprehensive MRI protocol. After performing intricate tumor segmentation, 82.800 radiomic features were extracted for each patient from nine segmentations across eight MRI sequences. These features informed neural network and XGBoost model training to predict patient outcomes and tumor grades, supplemented by SHAP analysis to pinpoint influential radiomic features. In our analysis of the UCSF-PDGM dataset, we observed a diverse range of WHO tumor grades and patient outcomes, discarding one corrupt MRI scan. Our segmentation method showed high accuracy when comparing automated and manual techniques. The neural network excelled in prediction of WHO tumor grades with an accuracy of 0.9500 for the necrotic tumor label. The SHAP-analysis highlighted the 3D First Order mean as one of the most influential radiomic features, with features like Original Shape Sphericity and Original Shape Elongation were notably prominent. A study using the UCSF-PDGM dataset highlighted AI and radiomics' profound impact on neuroradiology by demonstrating reliable tumor segmentation and identifying key radiomic features, despite challenges in predicting patient survival. The research emphasizes both the potential of AI in this field and the need for broader datasets of diverse MRI sequences to enhance patient outcomes. The study underline the significant role of radiomics in improving the accuracy of tumor identification through radiomic features. La complexité des gliomes diffus nécessite des techniques d'imagerie avancées telles que l'IRM pour comprendre leur hétérogénéité. En utilisant l'ensemble de données de l'UCSF-PDGM, cette étude exploite les techniques d'IRM, la radiomique et l'IA pour analyser les gliomes diffus afin d'optimiser les résultats pour les patients. Les chercheurs ont utilisé l'ensemble de données de 501 sujets atteints de gliomes diffus dans le cadre d'un protocole d'IRM complet. Après une segmentation complexe des tumeurs, 82 800 caractéristiques radiomiques ont été extraites pour chaque patient à partir de neuf segmentations sur huit séquences d'IRM. Ces informations ont servi à l'apprentissage du réseau neuronal et du modèle XGBoost pour prédire les résultats des patients et les grades des tumeurs, complété par l'analyse SHAP pour identifier les caractéristiques radiomiques influentes. Dans notre analyse de l'ensemble de données UCSF-PDGM, nous avons observé une gamme variée de grades tumoraux de l'OMS et de résultats pour les patients, en écartant un scan IRM corrompu. Notre méthodologie de segmentation a montré une grande précision en comparant les techniques automatisées et manuelles. Le réseau neuronal a excellé dans la prédiction des grades tumoraux de l'OMS avec une précision de 0,9500 pour l'étiquette de tumeur nécrotique. L'analyse SHAP a mis en évidence la moyenne 3D de premier ordre comme l'une des caractéristiques radiomiques les plus influentes, avec des caractéristiques telles que la sphéricité de la forme originale et l'élongation de la forme originale qui étaient particulièrement proéminentes. Une étude utilisant l'ensemble de données UCSF-PDGM a mis en évidence l'incidence profonde de l'IA et de la radiomique sur la neuroradiologie en démontrant une segmentation fiable des tumeurs et en identifiant des caractéristiques radiomiques clés, malgré les défis liés à la prédiction de la survie des patients. Les chercheurs soulignent à la fois le potentiel de l'IA dans ce domaine et la nécessité de disposer d'ensembles de données plus larges de diverses séquences d'IRM pour améliorer les résultats pour les patients. L'étude souligne le rôle important de la radiomique dans l'amélioration de la précision de l'identification des tumeurs grâce aux caractéristiques radiomiques.