用ADC MR成像和机器学习识别多类儿科低度神经皮质瘤分子亚型
Matheus D Soldatelli1,2,3, Khashayar Namdar2,3,4, Uri Tabori3,5,6
1From the Department Diagnostic Imaging (M.D.S., B.B.E.-W., M.W.W.), Division of Neuroradiology, The Hospital for Sick Children, Toronto, Ontario, Canada md.soldatelli@gmail.com.
AJNR. American journal of neuroradiology
|April 11, 2024
概括
使用MRI的明显扩散系数 (ADC) 的新放射学签名可以预测儿科低度神经皮质瘤 (PLGNTs) 的分子亚型. 这种方法可能有助于避免侵入性活检,并指导这些脑瘤的早期向治疗.
科学领域:
- 神经瘤学神经瘤学
- 放射学 放射学是一门学科.
- 分子病理学分子病理学
背景情况:
- 分子生物标志物对于治疗儿科低度神经皮质瘤 (PLGNTs) 是至关重要的.
- 准确预测分子状态会影响治疗计划和治疗策略.
研究的目的:
- 开发和验证基于放射学的表面扩散系数 (ADC) 签名.
- 为了预测儿科低度神经皮质瘤 (PLGNTs) 的分子状况.
主要方法:
- 对患有PLGNTs的儿科患者的大脑MRI的回顾性分析.
- 在ADC地图上的半自动瘤细分和放射性特征的提取.
- 多类随机森林模型被训练来预测分子子组 (KIAA1549-BRAF融合,BRAF V600E突变,非BRAF).
主要成果:
- 综合放射学和临床特征模型的平均测试AUC达到0.77.
- 仅仅放射性特征就产生了0.74的AUC,而仅仅临床特征就产生了0.67.
- 该模型在识别KIAA1549-BRAF融合瘤方面表现出更高的准确性 (AUC=0.81).
结论:
- 来自瘤细分的明显扩散系数 (ADC) 值包含了PLGNTs中分子生物标志物识别的预测信号.
- 一个基于ADC的签名可以在治疗前区分BRAF状态.
- 这种非侵入性方法可以减少瘤活检的需要,并促进更早地启动向治疗.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K