开发和验证基于MRI-放射学的机器学习方法在高度质瘤中,以检测早期复发的复发

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 (HGG) 预后不好,治疗后瘤经常复发 (TR).
• 个性化手术策略需要准确的手术前预测早期与延迟的TR.
• 核磁共振成像放射性分析为预测HGG TR提供了一个潜在的非侵入性方法.

研究的目的:

• 使用MRI放射性分析预测高度质瘤 (HGG) 的瘤复发 (TR).
• 评估使用T1和T2加权MRI序列的放射性特征用于TR预测的可行性.
• 开发和验证用于术前TR风险分层的机器学习模型.

主要方法:

• 从248名HGG患者获得6个月TR结果的回顾性数据收集.
• 手动瘤细分,然后从T1和T2MRI序列中提取放射性特征.
• 实现和外部验证机器学习模型,包括XGBoost,使用ROC曲线和标准指标进行性能评估.

主要成果:

• 该XGBoost模型实现了0.72的ROC曲线下的面积,用于预测TR.
• 最好的模型显示精度为0.75,特异性为0.80,负预测值 (NPV) 为0.88.
• 该模型的性能表明它有潜力识别高复发风险的患者.

结论:

• 核磁共振成像放射性分析是预测晚期HGG复发的强大工具.
• 这种预测能力可以为个性化手术治疗规划提供信息.
• 放射性分析有助于为HGG患者提供相关的手术前咨询.