基于PET的放射性特征基于交叉组合方法来预测高风险扩散大B细胞淋巴瘤患者的中期疗效和预后
Man Chen1, Jian Rong2, Jincheng Zhao1
1Department of Hematology, Nanjing Drum Tower Hospital, School of Basic Medicine and Clinical Pharmacy, China Pharmaceutical University, Nanjing, China.
Frontiers in oncology
|June 21, 2024
概括
这项研究开发了使用机器学习的放射学评分 (RadScore),用于预测高风险扩散性大B细胞淋巴瘤 (DLBCL) 患者的治疗结果. 与现有方法相比,RadScore模型在中期疗效和预后方面表现出更高的预测准确性.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 机器学习 机器学习
- 医疗成像医学成像
背景情况:
- 扩散性大B细胞淋巴瘤 (DLBCL) 是一种侵略性的非霍奇金淋巴瘤.
- 在高风险DLBCL患者中,准确预测治疗疗效和预后对于个性化治疗策略至关重要.
- 放射学提供了一种非侵入性的方法来提取用于预后建模的定量成像特征.
研究的目的:
- 开发和验证基于机器学习的放射性特征选择和分类方法.
- 构建一个放射学评分 (RadScore) 以预测高风险DLBCL患者的中期疗效和预后.
- 将RadScore模型的预测性能与已建立的临床和成像模型进行比较.
主要方法:
- 来自两个医疗中心的177名高风险DLBCL患者的回顾性分析.
- 从基线PET扫描中提取110个放射性特征,SUVmax,MTV和TLG.
- 用7×7机器学习交叉组合方法为RadScore开发一个具有11个关键放射性特征的最佳LASSO模型.
- 使用ROC曲线,校准曲线,DCA,COX回归和Kaplan-Meier图表进行评估.
主要成果:
- 多变量分析确定了性别,B型症状,SUVmax和RadScore作为中期结果的独立风险因素.
- 结合RadScore的组合模型实现了0.846 (培训) 和0.724 (验证) 的AUC值,超过了基于PET,NCCN-IPI和IPI的临床模型.
- 高RadScore与明显更差的无进展生存期 (PFS) 和整体生存期 (OS) 相关 (HR > 2.1).
结论:
- 由机器学习和放射性特征获得的RadScore显著提高了预测中期疗效和高风险DLBCL的预后.
- 综合RadScore,临床因素 (性别,B型症状) 和PET指标 (SUVmax) 的综合模型显示出卓越的预测能力.
- 拉德斯科尔显示承诺作为一个有价值的工具,用于评估治疗结果和预后在这个患者群体.
