机器学习和放射学分析通过结直肠肝转移患者的计算机断层扫描来预测RAS突变状态

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学瘤学.
• 计算病理学计算病理学

背景情况:

• 鼠肉瘤 (RAS) 基因突变是结直肠癌 (CRC) 肝转移中的关键生物标志物,影响治疗策略.
• 准确预外科预测RAS突变状态对于个性化的患者管理和治疗选择至关重要.
• 计算机断层扫描 (CT) 成像为评估肝转移提供了一种非侵入性模式,有可能提取定量放射性特征.

研究的目的:

• 评估机器学习和放射学分析在CT扫描上的有效性,以预测结直肠肝转移中的RAS突变状态.
• 评估不同分析模型的性能,包括线性回归和机器学习分类器,有或没有规范化.
• 确定利用CT的放射性特征来进行非侵入性RAS突变预测的最佳方法.

主要方法:

• 从28名接受了手术切除和CT检查的患者77例肝转移的回顾性分析.
• 使用PyRadiomics从CT门阶段图像中提取851个放射性特征,由专家放射科医生进行切片对切片细分.
• 使用单变量和多变量方法进行特征选择和分析,包括线性回归模型 (LRM) 和机器学习分类器,有或没有z-score规范化.

主要成果:

• 单变量分析确定了特定的放射性特征 (原始_形状_最大2D直径,波幅_HLL_glcm_反变量),达到80%的准确性.
• 使用 12 个规范特征的线性回归模型 (LRM) 进行多变量分析,显著提高了预测准确性.
• 性能最好的LRM实现了0.953的曲线下面积 (AUC),98%的准确性,96%的灵敏度和100%的特异性 (p <0.01).

结论:

• 对CT放射学分析的规范化方法对于预测结直肠肝转移中的RAS突变状态是有效的.
• 线性回归模型,当应用于规范化放射性特征时,与非规范化数据或标准机器学习分类器相比,显示出更高的性能.
• 这种基于CT的非侵入性放射学方法有望指导结直肠肝转移患者的手术前决策.