使用机器学习方法预测脑膜瘤的刀放射手术后周围胀的发展:一项多中心研究

科学领域:

• 放射学和瘤学 放射学和瘤学
• 人工智能在医学中的应用
• 医学成像分析 医学成像分析

背景情况:

• 胀是对脑膜瘤进行玛刀放射外科手术 (GKS) 后的一个显著并发症,影响了患者的治疗结果.
• 预测GKS后胀对于个性化治疗规划和风险分层至关重要.

研究的目的:

• 开发和验证基于放射学的机器学习模型,用于预测脑膜瘤患者在GKS后胀的发展.
• 确定有助于准确预测水的关键特征.

主要方法:

• 分析了接受GKS的445名脑膜瘤患者的队列,数据分为培训,内部验证和外部验证集.
• 从治疗前的MRI (T1WI,T2WI,ADC地图) 中提取了1132个放射性特征,以及临床和语义特征.
• 训练并评估多个随机生存森林 (RSF) 和DeepSurv模型的预测性能.

主要成果:

• 结合临床,语义和ADC放射学特征的RSF模型表现出卓越的性能,达到0.861 (内部) 和0.780 (外部验证) 的C指数.
• 从表现最好的模型衍生出的名图提供了高度准确的个性化风险预测 (C指数:0.962) 与令人满意的校准.
• 该模型有效地将患者分为高风险和低风险组,用于GKS后.

结论:

• 基于放射学的机器学习,特别是带有名图的RSF模型,为预测脑膜瘤中GKS后瘤提供了一个非侵入性和具有成本效益的工具.
• 这种预测工具可以显著帮助患者咨询,治疗决策和制定定制后续计划.
• 将这种模型纳入临床实践,有助于为脑膜瘤患者推进个性化医疗.