相关实验视频
Updated: Jul 8, 2025
07:37
Translational Orthotopic Models of Glioblastoma Multiforme
Published on: February 17, 2023
2.8K
基于MRI放射学的机器学习生存模型的比较,用于预测多形质母细胞瘤的预后
Di Zhang1, Jixin Luan2,3, Bing Liu2,3
1Department of Radiology, Liaocheng People's Hospital, Shandong First Medical University & Shandong Academy of Medical Sciences, Liaocheng, Shandong, China.
Frontiers in medicine
|December 15, 2023
概括
使用放射学特征的深度学习模型显著改善了多形质母细胞瘤 (GBM) 预后预测. DeepSurv 模型表现出最佳性能,超过了预测患者存活时间的传统方法.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 数据科学数据科学数据科学
背景情况:
- 多形质母细胞瘤 (GBM) 是一种具有不良预后的侵袭性脑瘤.
- 准确预测GBM患者的生存率对于治疗规划和临床试验分层至关重要.
- 放射学,从医学图像中提取定量特征,为改善预后建模提供了潜力.
研究的目的:
- 为了比较各种基于放射学的机器学习生存模型对多形质母细胞瘤 (GBM) 的预测性能.
- 评估深度学习模型与传统生存分析方法在GBM预后中的有效性.
主要方法:
- 分析了131名GBM患者的队列.
- 提取了放射性特征,并使用LASSO回归选择了7个显著特征.
- 构建了五种生存模型:Cox比例危险 (CoxPH),生存树,随机生存森林 (RSF),DeepSurv和DeepHit.
- 模型性能使用C指数进行评估.
主要成果:
- 年龄,卡诺夫斯基性能状态 (KPS) 评分,放射性风险评分和放射性风险水平是CoxPH模型中预后较差的重要预测因素.
- DeepSurv 模型实现了最高的 C-指数值 (0.882 训练, 0.732 测试集).
- 其他模型的预测性表现较低:CoxPH (0.663/0.635),SurvivalTree (0.702/0.655),RSF (0.735/0.667) 和DeepHit (0.608/0.560) 等.
结论:
- 与传统方法相比,利用放射学数据的深度学习算法在预测GBM患者的整体存活率方面表现优异.
- 在评估的模型中,DeepSurv模型表现出最好的预测准确度.
