多参数磁共振成像的放射性特征预测了儿科低度质瘤的分子子组

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 儿科低度质瘤 (PLGGs) 需要准确的分子亚型来进行风险分层.
• 多参数MRI提供了一种非侵入性的放射性特征来源.
• 非侵入性地预测分子子组和标记可以指导治疗决策.

研究的目的:

• 开发和验证机器学习模型,用于预测PLGG分子子组 (低风险与中级/高风险) 和KIAA1549-BRAF融合状态.
• 在这些预测中评估多参数MRI射线特征的性能.

主要方法:

• 追溯分析61名PLGG患者的多参数MRI数据.
• 提取5929个放射性特征,然后进行特征选择.
• 开发随机森林模型来预测分子子组和KIAA1549-BRAF融合.
• 内部验证和三重交叉验证以评估模型性能.

主要成果:

• 低风险与中等/高风险PLGG的分类模型实现了0.833的AUC和76.2%的准确性.
• 一个KIAA1549-BRAF融合的预测模型实现了0.818和81.0%准确度的AUC.
• 这两种模型都利用了4个相关的放射性特征.

结论:

• 基于MRI的放射学可以有效地预测PLGG中的分子子组和KIAA1549-BRAF融合.
• 放射性分析为PLGGs的分子表征提供了一个有希望的非侵入性工具.
• 这些发现支持使用放射学来改善儿科质瘤的诊断和预后评估.