一种机器学习方法,使用iopamidol的acidoCESTMRI测量pH值

科学领域:

• 生物医学成像技术 生物医学成像技术
• 机器学习 机器学习
• 在瘤学瘤学.

背景情况:

• 瘤酸性化是侵袭性癌症的一个关键生物标志物.
• 细胞外pH值 (pHe) 预测瘤对治疗的反应.
• 使用胺醇测量瘤pHe的AcidoCEST MRI,但目前的方法有局限性.

研究的目的:

• 应用机器学习从acidoCEST的MRI数据中提取pH值.
• 开发和验证用于pH分类和回归的机器学习模型.
• 评估体内瘤pHe确定的潜力.

主要方法:

• 从不同度,T1,pH,温度,和力和时间的IOPAMIDOL幻体获得了36000个实验CEST光谱.
• 收集了补充MR信息 (T1,T2,B1射频功率,B0磁场强度).
• 经过培训和验证的L1-惩罚后勤回归 (LRC) 和随机森林 (RFC) 进行分类,以及LASSO和随机森林回归 (RFR) 进行回归.

主要成果:

• 无论是RFC和LRC模型,都有效地归类了CEST Z-spectra.
• RFC 显示出更高的预测值和准确性,特别是在较少的和频率下.
• 在6.2-7.3范围内的pH回归中,RFR实现了卓越的准确性和精度,特别是在功能有限的情况下.

结论:

• 机器学习模型,特别是随机森林,对于分析acidoCEST MRI数据非常有效.
• 这种方法对准确的体内瘤pHe确定具有显著的前景.
• 改善瘤pHe测量可以提高化学疗法和免疫疗法疗效的预测.