高悪性度神経膠腫におけるMGMTメチル化予測のための説明可能でモダリティ適応型のラジオミクス：意思決定曲線分析研究

科学分野:

• ラジオミクスと医用画像
• 腫瘍マーカー
• ヘルスケアにおける機械学習

背景:

• MGMTプロモーターメチル化は、高悪性度神経膠腫（HGG）の重要なバイオマーカーですが、その評価には侵襲的な生検が必要です。
• 現在のMGMTメチル化評価方法は侵襲的であり、リスクと限界があります。

研究 の 目的:

• HGGにおけるMGMTプロモーターメチル化の非侵襲的予測のための、説明可能でモダリティ適応型で校正されたラジオミクスモデルを開発すること。
• 堅牢なモデル開発と検証のために、マルチセンターMRIデータを利用すること。

主な方法:

• UCSF-PDGMおよびUPENN-GBMコホートの前手術MRI（従来型および高度シーケンス）からラジオミクス特徴を抽出しました。
• モダリティ適応型フレームワークを実装し、機械学習分類器を最適化および校正しました。
• モデル性能は、ROCメトリック、校正評価、および意思決定曲線分析（DCA）を使用して評価され、特徴解釈にはSHAPを使用しました。

主要な成果:

• トップのLightGBMモデルは、独立したテストセットでAUC 0.67、リコール0.90、精度0.72を達成しました。
• モデルはメチル化腫瘍を特定する際に高い感度を示し、臨床的純利益を改善しました。
• 特徴の帰属により、従来のMRIモダリティと高度なMRIモダリティからの貢献がバランス良く示され、テクスチャと強度特徴が最も影響力がありました。

結論:

• 開発されたラジオミクスモデルは説明可能でモダリティ適応型であり、HGGのリスク層別化における臨床的価値を示しています。
• このフレームワークは、多様な画像環境で適用可能であり、非侵襲的なMGMTメチル化予測をサポートします。
• 将来の研究では、外部検証と他のバイオマーカーとの統合に焦点を当て、予測精度を向上させるべきです。