确定精确的3DCT放射学,用于通过机器学习在癌症中的息地计算
Olivia Prior1, Carlos Macarro1, Víctor Navarro1
1From the Radiomics Group, Vall d'Hebron Institute of Oncology, Carrer de Natzaret 115-117, Barcelona 08035, Spain (O.P., C. Macarro, C. Monreal, M.L., A.G.R., F.G., K.B., R.P.L.); Oncology Data Science Group, Vall d'Hebron Institute of Oncology, Barcelona, Spain (V.N., R.D.); Molecular Pathology Group, Vall d'Hebron Institute of Oncology, Barcelona, Spain (G.S., S.S., P.N.); Department of Medical Oncology, Vall d'Hebron University Hospital, Barcelona, Spain (I.B., M.V., E.G., J.C.); Molecular Therapeutic Research Unit, Vall d'Hebron Institute of Oncology, Barcelona, Spain (I.B., M.V., E.G., J.C.); Department of Radiology, Vall d'Hebron University Hospital, Barcelona, Spain (M.E.); Biomakers and Clonal Dynamics Group, Vall d'Hebron Institute of Oncology (VHIO), Barcelona, Spain (R.T.); Department of Physiology and Medical Physics, Centre for Systems Medicine, Royal College of Surgeons in Ireland, Dublin, Ireland (A.T.B.); and National Pre-clinical Imaging Centre, Dublin, Ireland (A.T.B.).
来自CT扫描的精确放射学特征可以确定稳定的瘤息地,以评估癌症异质性. 这种机器学习方法增强了肺癌和肝癌中的瘤亚型,与MRI和组织学发现相关.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 癌症异质性评估对于治疗规划至关重要.
- 对CT图像的放射学分析为非侵入性瘤表征提供了潜力.
- 目前的放射学方法在重复性和可重复性方面面临挑战.
研究的目的:
- 在CT图像中识别精确的3D放射学特征,以实现稳定,生物学上有意义的瘤息地计算.
- 利用这些精确的特征,利用机器学习进行癌症异质性评估.
- 评估CT衍生瘤息地的稳定性和生物相关性.
主要方法:
- 对331名癌症患者 (肝/肺病变) 的605张CT扫描进行了回顾性分析.
- 从原始和乱的CT图像中计算3D放射学特征.
- 使用类内相关系数 (ICC) 确定精确的特征,以确定可重复性和可重复性 (ICC的LCL≥0.50).
- 使用高斯混合模型和精确特征推导的瘤息地,用子相似系数 (DSC) 评估稳定性.
主要成果:
- 放射学特征与容器大小的优秀可重现性 (ICC的LCL:中位数[IQR],0.929 [0.853-0.988]).
- 确定了26个精确的放射特征,在肺部和肝脏病变之间存在差异.
- 与所有特征 (DSC:中位数[IQR],0.532-0.587) 相比,来自精确特征的息地表现出明显更高的稳定性 (DSC:中位数[IQR],0.601-0.651).
- 在一个案例研究中,CT息地在数量和质量上与多参数MRI和组织学发现相关.
结论:
- 精确的3D放射特征可以在CT图像上识别.
- 这些特征使得能够计算出稳定的瘤息地,以评估癌症异质性.
- 这种方法有望改善瘤学中的非侵入性瘤特征.
