基于机器学习的放射学用于预测BRAF-V600E突变在乳腺母细胞瘤中

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 遗传学 是一个遗传学.
• 机器学习 机器学习

背景情况:

• 骨髓母细胞瘤是一种侵袭性的牙新生瘤.
• BRAF-V600E基因突变是乳腺母细胞瘤发病的一个关键驱动因素.
• 准确识别这种突变对于治疗至关重要.

研究的目的:

• 开发和验证基于放射学的机器学习方法.
• 为了在非侵袭性地识别BRAF-V600E基因突变在乳腺母细胞瘤患者.
• 为了将放射学特征与突变状态相关联.

主要方法:

• 对103名乳腺母细胞瘤患者的回顾性分析.
• 从CT图像中提取的放射学特征.
• 机器学习模型 (随机森林,XGBoost) 被训练并验证.
• 合成少数群体过量采样技术 (SMOTE) 用于阶级不平衡.

主要成果:

• 随机森林模型实现了ROC曲线下的面积 (AUC) 为0.87.
• 在XGBoost模型中,AUC略低,为0.83.
• 较高的放射性评分与对BRAF-V600E突变的敏感性增加相关.

结论:

• 一个基于放射学的机器学习模型可以准确地检测BRAF-V600E突变在乳腺母细胞瘤中.
• 随机森林模型为分子测试提供了一个方便,具有成本效益,非侵入性的替代方案.
• 这种方法可以指导术前/术后治疗决策,并改善患者的治疗结果.