一个基于多维连接学和放射学的先进机器学习框架,以区分辐射缩与大脑转移的真实进展
Yilin Cao1,2, Vishwa S Parekh3,4, Emerson Lee1
1Department of Radiation Oncology and Molecular Radiation Sciences, Johns Hopkins University School of Medicine, Baltimore, MD 21231, USA.
Cancers
|August 26, 2023
概括
瘤连接学与多参数放射学相结合,有效地区分了辐射死亡与大脑转移的真正进展. 这种基于MRI的新方法为治疗反应评估提供了更好的诊断准确性.
科学领域:
- 神经瘤学神经瘤学
- 放射学 放射学是一门学科.
- 图形理论 图形理论
- 机器学习 机器学习
背景情况:
- 从临床上讲,区分放射性亡 (RN) 和脑转移后立体放射性手术 (SRS) 中的真实进展 (TP) 是具有挑战性的.
- 准确的区分对于适当的治疗计划和患者管理至关重要.
- 当前的成像模式往往缺乏可靠区分这些条件的特异性.
研究的目的:
- 引入和验证基于MRI的新型框架,瘤连接学,与多参数放射学 (mpRad) 集成.
- 开发一种能够在脑转移中区分RN和TP的机器学习模型.
- 评估这种综合方法的诊断性能.
主要方法:
- 使用MRI数据开发了一个复杂的图形理论框架 (瘤连接学).
- 从T1后对比和T2 FLAIR序列中提取了多参数放射学 (mpRad) 特性.
- 在综合放射学信息系统 (IRIS) 中的一个Isomap支持矢量机器 (IsoSVM) 模型被训练并通过对病理确诊病例的交叉验证进行验证.
主要成果:
- 该研究分析了110名患者的135种病变,其中43例是RN,92例是TP.
- 性能最好的连接经济学特征包括中心性指标 (程度,中间性,自向量).
- 优化的IsoSVM模型,结合连接学和mpRad功能,实现了0.87的灵敏度,0.84的特异性,0.89的AUC-ROC和0.94.94的AUC-PR.
结论:
- 瘤连接学,一种基于MRI的新型图形理论方法,在区分RN与TP方面显示出显著的希望.
- 瘤连接学与mpRad和机器学习的整合提供了一个强大的工具,用于评估大脑转移中的治疗反应.
- 这种先进的成像分析框架有可能提高诊断准确性并指导临床决策.
