基于机器学习的MRI放射基因组学用于评估对头部和部状细胞癌的诱导化疗反应
Zheng Li1, Ru Wang2, Lingwa Wang2
1Department of Radiology, Beijing Tongren Hospital, Capital Medical University, Beijing, China (Z.L., J.X.).
Academic radiology
|November 20, 2023
概括
一个新的放射基因组学模型整合成像和遗传数据,准确预测头癌治疗反应. 这种方法改进了用于预测诱导化疗 (IC) 结果的传统方法.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 基因组学就是基因组学.
背景情况:
- 头部和部状细胞癌 (HNSCC) 带来了重大治疗挑战.
- 预测诱导化疗 (IC) 的反应对于量身定制患者管理至关重要.
- 当前的预测方法可能缺乏全面的准确性.
研究的目的:
- 开发和验证放射基因组学模型,用于预测HNSCC中的IC反应.
- 整合临床数据,基于放射学的机器学习 (RBML) 分类器和转录学.
- 通过结合不同的数据模式来提高预测准确性.
主要方法:
- 利用了来自MRI,临床数据和150名HNSCC患者的RNA测序的放射学特征.
- 开发了三个RBML分类器,以区分响应者和非响应者.
- 使用权重基因相关网络分析 (WGCNA) 来将成像/临床数据与分子特征联系起来.
主要成果:
- 五个放射学特征和两个MRI发现显著分层HNSCC患者.
- 鉴定了809个与放射性特征相关的基因,这表明了免疫反应的联系.
- 放射基因组学模型实现了0.88的AUC,超过了独立的MRI或分子数据.
结论:
- 将成像表型与转录基因数据结合起来,显著改善了HNSCC. IC响应预测.
- 开发的放射基因组学模型为个性化HNSCC治疗策略提供了一个有前途的工具.
- 需要进一步验证以确认临床效用.
