基于多参数MRI的机器学习放射学模型的开发和验证,用于预测脑膜瘤中孕激素受体表达:一个多中心研究
Guihan Lin1, Weiyue Chen1, Yongjun Chen2
1Zhejiang Key Laboratory of Imaging and Interventional Medicine, Zhejiang Engineering Research Center of Interventional Medicine Engineering and Biotechnology, Key Laboratory of Precision Medicine of Lishui City, The Fifth Affiliated Hospital of Wenzhou Medical University, Lishui 323000, China; Department of Radiology, The Fifth Affiliated Hospital of Wenzhou Medical University, Lishui 323000, China.
Academic radiology
|November 29, 2024
概括
这项研究开发了一种机器学习模型,使用多参数MRI来预测脑膜瘤患者的孕激素受体 (PR) 表达. 该模型准确地识别了PR状态,有助于预测患者复发的结果.
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:
- 孕激素受体 (PR) 表达对于脑膜瘤治疗决策至关重要.
- 准确的手术前预测PR状态仍然具有挑战性.
- 多参数MRI为非侵入性评估提供了潜力.
研究的目的:
- 开发和验证一种机器学习模型,用于预测脑膜瘤在手术前的PR表达.
- 整合放射学特征和临床数据,以提高预测准确度.
- 评估模型能够预测脑膜瘤无复发存活率的能力.
主要方法:
- 从三个中心对739名脑膜瘤患者进行了回顾性分析.
- 从T2加权和对比度增强的T1加权MRI中提取放射学特征.
- 开发一种结合极端梯度增强 (XGBoost) 模型,结合放射学和临床预测因素 (瘤位置,增强模式).
主要成果:
- 结合的XGBoost模型在训练和测试队列中实现了高预测性能 (AUC从0.807到0.907不等).
- 确定了12种放射性特征和关键的临床预测因素.
- 该模型有效地根据无复发生存率对患者进行了分层.
结论:
- 整合多参数MRI放射学和临床数据的机器学习模型可以准确地预测脑膜瘤中的PR表达.
- 这种方法显示出对非侵入性评估PR状态和指导治疗策略的承诺.
- 开发的模型有可能改善患者分层,并预测脑膜瘤的结果.
