使用MRI和包含数据的机器学习算法量化质母细胞瘤对精密医学的瘤内遗传异质性
Lujia Wang1, Hairong Wang1, Fulvio D'Angelo2
1H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology, Atlanta, Georgia, United States of America.
PloS one
|April 3, 2024
概括
这项研究引入了一种新的机器学习模型,用于使用MRI扫描来非侵入性预测质母细胞瘤的遗传异质性. 这种方法有助于个性化选择癌症治疗方法.
科学领域:
- 神经瘤学神经瘤学
- 医学成像医学成像
- 机器学习是机器学习.
背景情况:
- 质母细胞瘤 (GBM) 是一种极具攻击性的脑癌.
- 瘤内遗传异质性使治疗策略复杂化.
- 需要使用非侵入性方法来评估这种异质性.
研究的目的:
- 开发基于MRI的非侵入性机器学习 (ML) 模型,以量化GBM的瘤内遗传异质性.
- 通过精确的基因变异预测,改善治疗选择和患者的结果.
主要方法:
- 提出了一个弱监督的顺序支持向量机 (WSO-SVM) 模型.
- 利用了74名GBM患者的多参数MRI数据,并进行了318次图像局部化活检.
- 训练模型预测EGFR,PDGFRA和PTEN驱动基因的区域遗传改变.
主要成果:
- 在对EGFR (0.80),PDGFRA (0.71) 和PTEN (0.80) 的基因变异进行分类时,WSO-SVM实现了高准确度.
- 性能明显优于现有的ML算法.
- 生成预测地图,可视化广泛的瘤内遗传异质性.
结论:
- 通过MRI和WSO-SVM,证明了使用MRI和WSO-SVM在GBM中非侵入性预测内遗传变化的可行性.
- 这种方法可以为个性化瘤学提供适应性疗法.
- 突出了改善GBM患者管理的潜力.
更多相关视频
09:09Laser Capture Microdissection of Glioma Subregions for Spatial and Molecular Characterization of Intratumoral Heterogeneity, Oncostreams, and Invasion
Published on: April 12, 2020
6.9K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
