コンピュータトモグラフィの画像由来放射学と循環するmiRNAを統合した機械学習モデルで,転移性非セミノーマの臓がんにおける残留性テラトーマの予測

科学分野:

• 腫瘍学
• 放射線科
• 分子診断

背景:

• 転移性非種性生殖細胞腫瘍 (mNSGCTs) は主に化学療法で治療され,しばしば残留疾患が残ります.
• 精密な非侵襲的方法は,化学療法後の残留質の組織学的決定に不可欠です.
• テラトマと非テラトマの区別は 治療と手術計画に不可欠です

研究 の 目的:

• 化学療法後の残留質量におけるテロトーム組織学的予測の精度を高める.
• 循環するマイクロRNA (miR371-375) とのコンピュータ断層撮影 (CT) 放射線特性を統合する.
• テラトマと非テラトマの組織を非侵襲的に区別する.

主な方法:

• 化学療法後のCTスキャンによる111の病変の遡及分析で,3Dスライサーを用いて分割した.
• 放射線特性の抽出とプラズマ miR371-375レベルの測定をリアルタイムPCRで行う.
• 放射学とmiR371-375を組み合わせた機械学習モデルの評価

主要な成果:

• 放射線学とmiR371-375 (R + 371 + 375) を統合したCatBoostモデルは,優れた予測精度を示した (AUC 0. 96 訓練, 0. 83 テスト).
• 多変量分析において,放射性シグネチャーがテラトーマ組織学 (P < .0001) の最も強い独立した予測因子であった.
• AFP,hCG,初期病理,リンパ節の状態などの臨床的要因も重要な予測要因でした.

結論:

• miR371-375レベルとCT放射学的特徴を組み合わせると,テロマの予測の精度が大幅に改善されます.
• この統合的アプローチは,mNSGCTにおける治療決定を導くために有望な非侵襲的なツールを提供します.
• テロトームを含む残留質量に対する手術を予約することで,患者の管理を最適化する可能性があります.