在初级中枢神经系统淋巴瘤中对BCL6进行基于MRI的放射性虚拟活检

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:

• 初级中枢神经系统淋巴瘤 (PCNSL) 是一种罕见的非霍奇金淋巴瘤.
• B细胞淋巴瘤6 (BCL-6) 重组是PCNSL的一个关键遗传标记,影响治疗和预后.
• 准确预测BCL-6重组对于有效的PCNSL管理至关重要.

研究的目的:

• 开发和验证一个机器学习模型,利用放射性签名来预测PCNSL中的BCL-6重排.
• 从对比度增强的T1加权成像 (CE-T1WI) 和流体减弱反转恢复 (FLAIR) 序列中评估放射学特征的疗效.
• 将放射性发现与临床/放射学因素相结合,形成一个强大的预测模型.

主要方法:

• 对102名PCNSL患者的回顾性分析,分为培训 (70%) 和验证 (30%) 集.
• 放射性特征从CE-T1WI和FLAIR图像 (瘤核心和周围瘤瘤区域) 中提取.
• 使用LASSO回归进行特征选择,然后进行机器学习模型开发 (逻辑回归,随机森林,SVM,k-NN) 和名录构造.

主要成果:

• 来自CE-T1WI和FLAIR的放射性评分与BCL-6重组有显著的相关性 (p <0.05).
• 后勤回归模型实现了最高的预测性能,AUC为0.935 (训练) 和0.923 (验证).
• 来自瘤核心和周周瘤的CE-T1WI放射性特征被确定为独立的预测因素.

结论:

• 来自CE-T1WI和FLAIR序列的放射性特征对于预测PCNSL中的BCL-6重排有价值.
• 基于CE-T1WI的放射学模型,包括瘤核心和周周瘤,作为识别BCL-6重组的强有力的标志物.
• 这种放射学方法提供了一种非侵入性方法,以协助PCNSL的诊断和预后评估.