使用基于MRI的机器学习来预测肝外胆管癌中的血管生成

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗成像医学成像

背景情况:

• 准确的术前预测血管新生在肝外胆管癌 (eCCA) 对于治疗规划至关重要.
• 目前用于评估血管新生标记的方法,如血管内皮生长因子 (VEGF) 和微血管密度 (MVD),通常是侵入性的.
• 需要可靠的,非侵入性的方法来预测这些血管新生因素在手术前.

研究的目的:

• 开发和验证使用磁共振成像 (MRI) 数据的机器学习 (ML) 模型.
• 预测eCCA中的血管内皮生长因子 (VEGF) 表达.
• 在eCCA中预测微血管密度 (MVD).

主要方法:

• 对100名病理确认的eCCA患者进行了回顾性研究.
• 使用MaZda软件从T1加权,T2加权和扩散加权MRI中提取成像特征.
• 开发用于VEGF预测的分类模型和用于MVD预测的回归模型,通过AUC和调整R2.2评估性能.

主要成果:

• 机器学习模型被训练并对100名eCCA患者进行了测试.
• 结合物流回归的Z-score标准化实现了VEGF预测的平均AUC为0.912 (培训) 和0.884 (测试).
• 使用基于随机梯度下降的线性回归进行Z-score标准化,MVD预测的平均调整R2为0.975 (训练) 和0.781 (测试).

结论:

• 开发的基于MRI的机器学习模型准确地预测了eCCA中的VEGF表达.
• 经过验证的ML模型可以在eCCA中不可靠地预测MVD.
• 这些模型为eCCA血管生成的术前评估提供了一个有希望的非侵入性方法.