PET/计算机断层扫描放射学与临床特征相结合,可预测肉症和扩散大B细胞淋巴瘤的预后
Fanghu Wang1, Yang Chen1, Xiaoyue Tan1
1PET Center, Department of Nuclear Medicine, Guangdong Provincial People's Hospital (Guangdong Academy of Medical Sciences).
Nuclear medicine communications
|November 5, 2024
概括
机器学习模型结合了临床数据和18F-FDG PET/CT放射学,有效地预测了扩散型大B细胞淋巴瘤 (DLBCL) 患者的肉症和预后. 这些模型改善了患者风险分层和生存结果预测.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 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.
- 肉,或肌肉损失,是癌症患者常见的并发症,影响预后.
- 预测性生物标志物对肉症和预后DLBCL对于个性化治疗至关重要.
研究的目的:
- 为了评估机器学习 (ML) 模型的有效性,将18F-化氧糖 (FDG) PET/计算机断层扫描 (CT) 放射学和临床特征集成.
- 预测萨尔科佩尼亚并评估DLBCL患者的预后.
主要方法:
- 对接受预治疗的178名DLBCL患者的回顾性分析18F-FDG PET/CT.
- 使用单变量逻辑回归和相关性分析进行特征选择.
- 开发和评估用于预测和生存预后 (无进展生存和整体生存) 的ML模型.
主要成果:
- 结合临床和PET/CT放射学特征显著改进了肉症预测模型,支持矢量机实现AUC为0.862.
- 预测模型显示PFS的一致性指数为0.753,OS的一致性指数为0.807.
- 患者被分为高风险和低风险组,PFS和OS有显著差异.
结论:
- 结合临床数据和PET/CT放射性数据的机器学习模型是预测DLBCL患者的肉类症的有效工具.
- 这些模型可以准确评估预后,有助于DLBCL的风险分层和治疗计划.
