在患有结肠直肠癌肝转移的患者中识别基因突变状态,使用基于放射学的机器学习模型
Nina Wesdorp1,2, Michiel Zeeuw1,2, Delanie van der Meulen1,2
1Department of Surgery, Amsterdam UMC, Vrije Universiteit Amsterdam, 1081 HV Amsterdam, The Netherlands.
Cancers
|December 9, 2023
概括
来自CT扫描的放射性特征在预测结直肠癌肝转移中的KRAS突变状态方面表现有希望. 然而,模型在外部验证中表现不佳,这凸显了在临床使用前需要严格验证的需要.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 基因突变状态,特别是KRAS,对于结直肠癌肝转移 (CRLM) 的治疗选择和预后至关重要.
- 放射学,即提取定量成像特征,提供了一种非侵入性的方法来评估瘤特征.
研究的目的:
- 研究CT扫描中的放射性特征与CRLM患者的KRAS突变状态之间的关联.
- 在独立的外部数据集中使用放射学来验证用于预测KRAS突变状态的机器学习模型.
主要方法:
- 从CAIRO5试验的治疗前CT扫描中,从半自动细分的CRLM中提取了放射性特征 (n=255).
- 机器学习分类器 (随机森林,梯度提升,LightGBM,Ensemble) 被训练来预测KRAS突变状态.
- 模型性能在内部和外部使用荷兰癌症研究所 (NKI) 数据集 (n=129) 进行评估.
主要成果:
- 内部验证表现良好,机器学习模型的AUC分数从0.72到0.86不等.
- 外部验证显示性能明显较差,AUC得分在0.47至0.56之间.
- 该研究强调了内部和外部验证结果之间的差异.
结论:
- 使用CT放射学的机器学习模型可以以良好的内部准确性识别CRLM中的KRAS突变状态.
- 外部验证的表现不佳凸显了对放射学模型强有力的外部验证的迫切需要.
- 强制性外部验证对于评估放射学在未来CRLM研究中的临床适用性至关重要.
