预测高度质瘤的术后功能状态,使用静止状态fMRI和机器学习

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:

• 高度质瘤 (HGG) 是一种致命的脑瘤.
• 手术切除,标准治疗,可以导致显著的功能缺陷.
• 预测术后功能结果对于患者护理至关重要.

研究的目的:

• 开发HGG患者手术前功能结果的预测模型.
• 改善疾病管理和个性化患者治疗策略.
• 利用神经成像和临床数据来预测结果.

主要方法:

• 对102名成年HGG患者进行了回顾性研究.
• 使用了结构性MRI和休息状态功能性MRI (fMRI) 数据.
• 训练了一种随机的森林分类器,使用功能连接,瘤位置和人口统计数据来预测卡诺夫斯基性能状态 (KPS).

主要成果:

• 在预测KPS时获得了94.1%的准确性和0.97 AUC.
• 关键预测因素包括感官运动,视觉,听觉和奖励网络之间的功能连接 (FC).
• 相对于注意力和基底状腺网络,瘤位置和患者年龄也是强有力的预测因素;瘤体积的预测能力较低.

结论:

• 机器学习有效地预测了手术前HGG患者的术后功能结果.
• 功能连接和瘤位置是功能结果的可靠预测指标.
• 研究结果支持基于个体患者资料的个性化HGG治疗方法.