使用多参数磁共振成像,主要组件分析以及监督和无监督机器学习进行质母细胞瘤伪进展歧视
José Luis Thenier-Villa1, Francisco Ramón Martínez-Ricarte2, Margarita Figueroa-Vezirian3
1Department of Neurosurgery, University Hospital Arnau de Vilanova, Lleida, Spain; Department of Neurosurgery, Vall d'Hebron University Hospital, Barcelona, Spain; Neurotrauma and Neurosurgery Research Unit (UNINN), Vall d'Hebron Research Institute (VHIR), Barcelona, Spain.
World neurosurgery
|January 22, 2024
概括
机器学习可以使用多参数MRI来区分真正的质母细胞瘤进展与伪进展. 这种方法可以识别瘤特征中的独特模式,有助于准确的诊断和治疗规划.
科学领域:
- 神经瘤学神经瘤学
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 伪进展是质母细胞瘤随访中的常见挑战,影响高达50%的患者.
- 使用当前的成像技术,区分伪进展和真正的瘤进展仍然很困难,缺乏标准化.
- 基于多参数磁共振成像 (mpMRI) 的机器学习为识别歧视因素提供了潜在的解决方案.
研究的目的:
- 探索基于机器学习的区分因子,以区分形进展与质母细胞瘤中真正的瘤进展.
- 将无监督和监督学习技术应用于多参数MRI数据.
- 分析瘤特征在和感兴趣的区域水平.
主要方法:
- 选择了30名IDH野生型质母细胞瘤患者 (15名真实进展,15名伪进展).
- 使用无监督学习 (gap-stat,k-means) 进行瘤细分和集群识别.
- 利用多项逻辑回归 (监督学习) 来根据分配百分比,类过度表示和语音邻来预测类.
主要成果:
- 无监督学习确定了多达14个不同的瘤区域.
- 监督学习显示,在真正的进步中,分配课程的百分比明显更高 (P <0.01).
- 与伪进展相比,真进展病例表现出较少的类过度代表性 (P <0.01) 和较大的声音邻性 (55%对33%).
结论:
- 真正的瘤进展保留了多维的瘤特征在voxel和区域层面.
- 在mpMRI上的监督学习显示了真正质母细胞瘤进展的明显差异模式.
- 这种机器学习方法显示了准确区分瘤进展与伪进展的前景.
