机器学习决策树模型用于常见恶性脑瘤的多类分类,使用 perfusion 和光谱MRI数据
Rodolphe Vallée1,2,3, Jean-Noël Vallée2,4, Carole Guillevin2,5
1Interdisciplinary Laboratory in Neurosciences, Physiology and Psychology (LINP2), Université Paris Lumière (UPL), Paris Nanterre University, Nanterre, France.
Frontiers in oncology
|August 24, 2023
概括
机器学习决策树使用MRI输液和光谱学准确地分类脑瘤. 这种方法揭示了关键的病理生理特征,为淋巴瘤,质母细胞瘤和转移提供了分层和个性化的诊断工具.
科学领域:
- 神经瘤学神经瘤学
- 放射学 放射学是一门学科.
- 机器学习 机器学习
背景情况:
- 区分初级中枢神经系统淋巴瘤 (PCNSLs),质母细胞瘤 (GBMs) 和大脑转移 (METs) 对于有效治疗至关重要.
- 传统的诊断方法可能是侵入性的和耗时的.
- 先进的成像技术提供了对瘤生物学的非侵入性见解.
研究的目的:
- 评估机器学习决策树模型在PCNSL,GBM和MET多类分类中的有效性.
- 确定从输液和光谱MRI中获得的关键病理生理参数,这些参数驱动了分类算法.
- 使用这些模型探索使用这些模型进行分层和个性化诊断方法的潜力.
主要方法:
- 在2013年至2020年期间,一组180名经组织病理确认的PCNSL,GBM或MET患者接受了MRI.
- 输液 (rCBVmax,PSRmax) 和光谱 (lac/Cr,Cho/NAA,Cho/Cr,lip/Cr) 的参数进行了提取.
- 分类和回归树 (CART) 模型被开发并使用5倍交叉验证进行验证.
主要成果:
- 决策树模型实现了高分类性能:PCNSL的AUC为0.98,GBM为0.98,MET为1.00,整体准确率为0.96.
- 发现的关键层次特征包括Cho/NAA (增殖/透特征),PSRmax (毛细血管透性) 和lac/Cr或Cho/Cr (代谢活动/Warburg效应).
- 提取了五个不同的分类规则,证明了瘤识别的高预测概率.
结论:
- 机器学习决策树模型有效地使用输液和光谱MRI数据对脑瘤进行分类.
- 该模型的层次结构突出显示了临床相关的病理生理过程.
- 这种方法为脑瘤诊断提供了一个有前途,方便和个性化的工具.
