通过在PET-MRI数据上训练的机器学习模型,量化小鼠和患者的内瘤异质性
Prateek Katiyar1,2, Johannes Schwenck1,3,4, Leonie Frauenfeld5
1Werner Siemens Imaging Center, Department of Preclinical Imaging and Radiopharmacy, Eberhard Karls University Tübingen, Tübingen, Germany.
Nature biomedical engineering
|June 5, 2023
概括
使用正电子发射断层扫描 (PET) 和磁共振成像 (MRI) 数据进行训练的机器学习分类器可以在空间上描述 intratumoural异质性. 这种方法有助于了解治疗反应,并可能推进精确瘤学.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 机器学习 机器学习
- 计算生物学 计算生物学
背景情况:
- 内异质性显著影响癌症治疗的疗效.
- 目前的方法,如瘤活检提供有限的异质性的空间特征.
- 动态正子发射断层扫描 (PET) 和多参数磁共振成像 (MRI) 为非侵入性瘤评估提供了丰富的数据.
研究的目的:
- 开发和验证一种机器学习方法,用于使用PET-MRI数据进行内部瘤异质性的空间表征.
- 评估训练有素的分类人员识别表型变化和瘤亚型的能力.
- 评估该方法在肝转移患者中的临床适用性.
主要方法:
- 用PET-MRI数据组合训练了特定于表型的多视图学习分类器.
- 分类器是从皮下结肠癌小鼠的数据中训练的,这些小鼠接受了诱导亡的疗法.
- 训练有素的分类器被应用于来自结直肠癌肝转移患者的回顾性PET-MRI数据.
主要成果:
- 经过PET-MRI训练的分类器成功量化了小鼠模型中的表型变化.
- 生态相关的瘤组织亚型的概率图被生成.
- 在患者中,分类器表征了与组织学发现一致的内瘤组织子区域.
结论:
- 多模式,多参数成像与机器学习相结合,使得可以对瘤内部异质性的空间表征.
- 这种方法准确地反映了前临床模型和人类患者的瘤生物学和异质性.
- 通过PET-MRI和机器学习对异质性的空间表征对推进精确瘤学应用具有前景.
