목적: DCE-MRI로부터 약동학(PK) 파라미터 맵을 직접 추정하고 불확실성을 평가하기 위한 새로운 딥러닝 모델을 제안하고 그 성능을 평가하고자 한다. 방법: 본 단일 기관 연구에서는 2010년 4월부터 2020년 2월까지 수술 전 DCE-MRI를 시행한 성인형 미만성 교종 환자를 후향적으로 등록하였다. 시공간 확률론적 모델을 사용하여 합성 PK 맵을 생성하였다. 구조적 유사도 지수(Structural Similarity Index Measure, SSIM)로 정답(GT) 맵과의 값을 계산하였다. 신뢰도 평가는 합성 및 GT PK 맵에 대해 급내상관계수(intraclass correlation coefficient, ICC)를 이용해 평가하였다. 임상적 검증을 위해 WHO의 저등급(low) 대 고등급(high) 및 IDH-wildtype 대 mutant를 예측하는 Area Under the Receiver Operating Characteristic Curve(AUROC)를 산출하였다. 결과: , 0.934 vs 0.907 (p = 0.50); Vp, 0.927 vs 0.899 (p = 0.24); 그리고 Ve, 0.945 vs 0.910 (p = 0.24)로 교종의 등급 분류에서의 결과가 관찰되었다. 결론: 시공간 확률론적 딥러닝 모델을 사용하여 DCE-MRI로부터 생성한 합성 PK 맵은 교종 등급 분류에서 진단 성능을 저해하지 않으면서 신뢰도가 향상된 것으로 나타났다. 핵심 사항: 질문: 딥러닝 모델이 역동적 조영증강 MRI(DCE-MRI)의 신뢰도를 향상시켜 더 일관되고 임상적으로 수용 가능한 교종 영상을 제공할 수 있는가? 결과: 시공간 딥러닝 모델은 Ktrans의 신뢰도에서 Tofts 모델을 능가하였고, 동맥 입력함수 추정 없이 IDH 변이 및 교종 등급에 대한 진단 성능을 보존하였다. 임상적 의의: 딥러닝을 통해 DCE-MRI의 신뢰도를 향상시키면 영상의 일관성이 개선되고 재현 가능한 약동학 맵을 통한 분자 종양 특성화가 가능해지며, 맞춤형 치료 계획 수립을 지원하여 미만성 교종 환자의 더 나은 임상적 예후로 이어질 수 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.