基于磁共振成像和临床参数的机器学习有助于预测口腔舌状细胞癌中介质-上皮过渡因子表达:试点研究
Gongxin Yang1, Zebin Xiao2, Jiliang Ren1
1Department of Radiology, Ninth People's Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai, China.
Oral surgery, oral medicine, oral pathology and oral radiology
|January 21, 2024
概括
机器学习模型可以使用MRI纹理和临床数据预测口腔舌状细胞癌 (OTSCC) 中的化介质-上皮过渡因子 (p-MET) 表达. 随机森林模型实现了87.5%的准确性,显示了对非侵入性生物标志物评估的潜力.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 生物标志物发现发现
背景情况:
- 化介质-表皮过渡因子 (p-MET) 是口舌状细胞癌 (OTSCC) 的关键生物标志物.
- 对p-MET表达的准确评估对于OTSCC的治疗规划和预后至关重要.
- 预测p-MET表达的非侵入性方法是必要的,以改善患者管理.
研究的目的:
- 开发和评估用于预测OTSCC中的p-MET表达的机器学习模型.
- 为了确定磁共振成像 (MRI) 衍生的纹理特征和预测p-MET表达的临床参数.
- 评估不同机器学习算法在分类p-MET表达状态方面的性能.
主要方法:
- 追溯收集了34个OTSCC患者病例.
- 从手术前的MRI中提取纹理特征 (T2WI,ADC映射,ce-T1WI).
- 应用尺寸缩小技术 (可重复性分析,信息获取) 和五种机器学习模型 (AdaBoost,LR,NB,RF,SVM) 进行五重交叉验证.
主要成果:
- 选择了三个纹理特征 (ADC-Minimum,ce-T1WI-Imc2,ce-T1WI-DependenceVariance) 和两个临床特征 (入侵深度,T阶段).
- 随机森林 (RF) 模型表现出最高的性能,达到87.5%的准确性和0.875.5的AUC.
- 选择的特征显示出良好的可重现性和与p-MET表达水平的相关性.
结论:
- 基于MRI的纹理特征和临床参数可以在OTSCC中非侵入性地反映p-MET表达差异.
- 机器学习对预测OTSCC患者的生物标志物表达水平,如MET,具有前途.
- 这种方法可能会导致OTSCC更个性化的治疗策略.
