基于机器学习的可重现和可解释的放射性分析,用于预测多形质母细胞瘤的整体存活率

科学领域:

• 放射学和医学成像技术
• 在瘤学瘤学.
• 医疗保健中的机器学习

背景情况:

• 多形质母细胞瘤 (GBM) 是一种具有不良预后的侵袭性脑瘤.
• 准确预测整体存活率 (OS) 对于治疗规划和患者管理至关重要.
• 现有的预后模型往往缺乏精度,需要新的预测工具.

研究的目的:

• 开发和验证基于MRI的放射性模型,用于预测GBM患者的OS.
• 将放射性特征与临床变量相结合,以提高预后准确度.
• 根据预测的存活率,将GBM患者分为不同的风险组.

主要方法:

• 从多个机构的289名GBM患者的治疗前MRI扫描的回顾性分析.
• 从瘤体积中提取660个放射性特征 (RF) 的提取和强度分析.
• 使用交叉验证开发临床放射学模型,结合年龄和T2-FLAIR成像中的两个强大的RF.

主要成果:

• 最终的模型获得了0.69的C指数 (95%CI:0.62-0.75),显示出适度良好的歧视性表现.
• 在验证队列中,在低风险和高风险组中实现了显著的患者分层 (p = 7 × 10^-5) .
• 与现有文献相比,该模型在11个月 (0.81) 实现了曲线下的最高集成面积 (iAUC).

结论:

• 一个经过验证的临床放射学模型有效地根据OS对GBM患者进行了分层.
• 该模型利用可解释的特征,包括初级瘤总体积 (GTV) 和T2-FLAIR放射性特征.
• 未来的研究将探索基于深度学习的功能,以改善GBM中的OS预测.