基于MRI的机器学习放射学可以预测CSF1R表达水平和高度质瘤的预后
Yuling Lai1,2, Yiyang Wu1,2, Xiangyuan Chen1,2
1Department of Anesthesiology, Zhongshan Hospital, Fudan University, No. 180 Fenglin Road, Shanghai, 200032, China.
Journal of imaging informatics in medicine
|February 12, 2024
概括
这项研究引入了一种基于MRI的新型放射学模型,用于预测高度质瘤 (HGG) 患者的CSF1R表达和预后. 该模型显示了对非侵入性评估和改善生存估计的承诺.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 基因组学就是基因组学.
背景情况:
- 殖民地刺激因子1受体 (CSF1R) 涉及高度质瘤 (HGG) 病原发生.
- 对CSF1R表达的非侵入性预测及其在HGG中的预后价值对于治疗规划至关重要.
研究的目的:
- 开发和验证磁共振成像 (MRI) 放射学模型,用于在HGG中非侵入性预测CSF1RmRNA表达.
- 评估放射学模型与患者预后之间的相关性.
- 探索CSF1R表达与瘤透免疫细胞,特别是巨细胞之间的关系.
主要方法:
- 利用了来自癌症基因组图谱 (TCGA) 和癌症成像档案 (TCIA) 的数据.
- 使用支持矢量机 (SVM) 和基于9个已识别的MRI特征的逻辑回归 (LR) 算法开发了放射学得分 (Rad_score).
- 构建了一个放射学名图,结合了临床因素和Rad_score来预测生存.
主要成果:
- 在HGG中,CSF1R表达显著升高,并与更差的预后相关.
- 放射学模型证明了CSF1R表达的高预测精度 (AUC 0.706-0.792).
- Rad_score与巨细胞相关的基因有很强的相关性,表明免疫细胞透.
结论:
- 基于MRI的放射学为预测CSF1R表达和HGG的预后提供了一种有前途的非侵入性方法.
- 研发的放射学名图可以帮助个性化估计HGG患者的生存率和风险分层.


