基于机器学习和放射学的手术前预测基质瘤中的Ki-67表达,使用MRI数据

科学领域:

• 神经瘤学神经瘤学
• 无线电学 (Radiomics) 是一种无线电学.
• 机器学习在医学中的应用

背景情况:

• 质瘤是主要的大脑瘤,恶性质母细胞瘤的预后不好.
• 基67增殖指数对于质瘤的分类和预后至关重要.
• 磁共振成像 (MRI) 对于脑瘤诊断至关重要.

研究的目的:

• 开发和验证一种机器学习模型,使用MRI的放射性特征对质瘤Ki67表达水平进行分类.
• 评估不同的机器学习算法在预测Ki67表达的有效性.

主要方法:

• 对613名质瘤患者的MRI数据和Ki67表达的回顾性分析.
• 从T1,T2,T1CE和FLAIRMRI序列中提取放射性特征 (纹理,第一阶,形状).
• 使用LASSO和随机森林进行特征选择,然后进行相关性分析.
• 开发和评估八种机器学习模型,包括后勤回归 (LR) 和支持矢量分类 (SVM).

主要成果:

• 24,455个放射性特征被减少到36个关键特征.
• 物流回归 (LR) 实现了曲线下的面积 (AUC) 为 0.912 ± 0.036.
• 线性支向量分类 (SVM) 实现了0.884 ± 0.031.31的最高精度.

结论:

• 开发了一种新的,有效的方法来使用MRI衍生的放射性特征来分类Ki67表达.
• 后勤回归 (LR) 模型显示了预测质瘤扩散的巨大潜力.
• 将机器学习与医学成像相结合,为质瘤诊断和预后提供了有前途的进步.