从全脑MRI光谱学获得的代谢特征使用机器学习来识别高度质瘤的早期瘤进展
Cameron A Rivera1, Shovan Bhatia2,3, Alexis A Morell2,4
1Department of Neurosurgery, University of Miami Miller School of Medicine, Miami, FL, USA. car909@med.miami.edu.
Journal of neuro-oncology
|August 24, 2024
概括
这项研究引入了一种全脑磁共振光谱 (WB-MRS) 协议,用于预测高度质瘤复发. 机器学习模型准确地识别了瘤进展,有助于早期治疗决策.
科学领域:
- 神经瘤学神经瘤学
- 放射学 放射学是一门学科.
- 机器学习 机器学习
背景情况:
- 高度质瘤不可避免地会复发,尽管使用了标准治疗方法.
- 目前的成像方法在预测未来瘤进展方面是有限的.
- 了解瘤微环境对于管理质瘤复发至关重要.
研究的目的:
- 引入一种全脑磁共振光谱 (WB-MRS) 协议,用于预测质瘤复发.
- 开发用于分析瘤微环境数据的机器学习 (ML) 模型.
- 通过预测质瘤进展来告知外科和辅助干预.
主要方法:
- 在治疗后患者队列中研究了五种局部区域瘤代谢物.
- 应用监督的ML分类模型和神经网络来分析WB-MRS数据.
- 开发了迈阿密瘤预测地图 (MGPM) 网络应用程序,供开源使用.
主要成果:
- 分析了16名患有高度质瘤的患者.
- ML模型成功地将正常白质与瘤区分开来,并预测了未来的进展.
- 最好的ML模型预测了0.86AUC的FLAIR信号中的质瘤进展,确定Cho/Cr为关键.
结论:
- 这项研究是第一个在8个月内检测治疗后质瘤隐性质瘤进展的研究.
- 基于ML的WB-MRS预测为指导早期治疗决策提供了一个有希望的方法.
- 这项研究有助于预测质母细胞瘤复发的时间和位置,以改善患者的治疗结果.
