基于F-FDG PET/CT的放射学特性改善了预后:多个机器学习算法和多种模式应用程序用于多发性骨髓瘤

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是指放射学
• 医疗成像医学成像

背景情况:

• 多发性骨髓瘤 (MM) 是一种严重的血液性恶性瘤.
• 在MM的预后因素对于治疗决策至关重要.
• 关于使用双模和机器学习进行MM预后的放射学特征的研究有限.

研究的目的:

• 为了研究18F-FDG PET/CT在多发性骨髓瘤 (MM) 中放射学特征的预后效用.
• 评估各种机器学习算法在预测MM患者预后方面的性能.
• 探索成像 (PET/CT) 和临床数据的联合预测能力.

主要方法:

• 使用六种机器学习算法 (Cox,GB-Cox,CoxBoost,GBM,RFS,SVCR) 探索了PET,CT和临床数据组合的预测和临床决策能力.
• 利用哈雷尔一致性指数,时间依赖的ROC曲线和决策曲线分析进行模型评估.
• 确定了与无进展生存 (PFS) 相关的基于PET,基于CT和临床特征的显著特征.

主要成果:

• 确认了5个PET,4个CT和6个与PFS显著相关的临床特征.
• 随机森林 (RSF) 和梯度增强机 (GBM) 算法显示出卓越的准确性和临床净益.
• 组合PET/CT和临床参数模型在各种算法中显著超过单一模式模型和基线临床参数.

结论:

• 使用机器学习的18F-FDG PET/CT放射学模型提高了MM的预后预测.
• 这些模型为预后分层和精确治疗提供了更好的临床益处.
• 开辟了MM预后和个性化治疗研究的新途径.