血管内皮生长因子的放射基因组分析在患有质母细胞瘤的患者中

科学领域:

• 神经瘤学神经瘤学
• 医学成像医学成像
• 机器学习是机器学习.

背景情况:

• 质母细胞瘤 (GBM) 是一种具有攻击性的脑瘤.
• 血管内皮生长因子 (VEGF) 在GBM血管生成和进展中发挥着关键作用.
• 准确预测VEGF表达对于治疗规划和预后至关重要.

研究的目的:

• 预测GBM中VEGF的存在和表达水平.
• 利用机器学习模型与手术前MRI数据进行预测.
• 为了确定与VEGF表达相关的关键放射性特征.

主要方法:

• 对217名GBM患者的手术前MRI扫描 (T2WI和T1CE) 的分析.
• 使用最大相关性,最小冗余性和极端梯度增强的机器学习模型的开发.
• 使用准确度和接收器操作曲线下的面积 (AUC) 验证模型性能.

主要成果:

• 机器学习模型在训练集中预测积极VEGF表达的高精度 (0.83) 和AUC (0.81).
• 验证组显示出良好的性能,精度为 (0.73) 和AUC (0.74).
• 预测高/低VEGF水平的模型在训练集和验证集中表现出强的性能 (准确率0.88,AUC0.88) 和 (准确率0.72,AUC0.72).

结论:

• 机器学习模型可以有效地预测VEGF在GBM中的表达状态.
• 来自组合MRI序列 (T1CE和T2WI) 的放射性特征是有价值的预测因素.
• 这种方法提供了一种非侵入性的方法来评估VEGF在GBM中的表达.