基于机器学习的结直肠癌局部复发预测,使用偏光成像
Anamitra Majumdar1, Jigar Lad2, Kseniia Tumanova1
1University of Toronto, Department of Medical Biophysics, Toronto, Ontario, Canada.
Journal of biomedical optics
|December 11, 2023
概括
这项研究使用穆勒矩阵显微镜和机器学习来分析结直肠癌 (CRC) 组织中的原蛋白. 该方法准确地预测了第三阶段CRC患者5年的局部复发,有助于个性化治疗.
科学领域:
- 在瘤学瘤学.
- 生物物理学的生物物理.
- 医疗成像医学成像
背景情况:
- 第三阶段结肠直肠癌 (CRC) 治疗通常需要术后的辅助治疗.
- 识别患有复发高风险的患者对于个性化治疗至关重要,但缺乏定量工具.
- 周围瘤原在CRC复发中的作用是一个感兴趣的领域.
研究的目的:
- 用米勒矩阵 (MM) 极化光显微镜量化分析CRC中瘤周边原蛋白的预后值.
- 为了将MM衍生的原特征与5年局部复发 (LR) 在III期CRC患者中相关联.
- 开发一种机器学习 (ML) 模型,以基于极度测量生物标志物来预测LR.
主要方法:
- 使用简单的MM显微镜,对来自CRC患者的III期手术切除样本进行成像.
- 通过分解和转化从MM元素中衍生出潜在的LR生物标志物.
- 员工监督的ML模型 (例如XGBoost) 使用极度度生物标志物作为特征来区分复发和非复发病例.
主要成果:
- 性能最好的XGBoost模型在预测5年内局部复发时,在患者层面实现了86%的准确性.
- 在第三阶段CRC患者中进行的亚队列分析,准确率为96%.
- 根据特征重要性确定的前五个极度度生物标志物对模型性能至关重要.
结论:
- 用ML辅助对原性流体的极度测量分析显示了CRC的预后价值.
- 这种方法可以提高临床管理和个性化治疗选择的CRC患者.
- 周围瘤原的定量评估可以改善复发风险的预测.
