加强临床决策:一种外部验证的机器学习模型,用于预测质瘤中的异酸脱酶突变,使用手术前磁共振成像的放射学

科学领域:

• 神经瘤学神经瘤学
• 医学成像医学成像
• 机器学习在医疗保健中的应用

背景情况:

• 质瘤是一种常见的原发性脑瘤,具有预后挑战,特别是高度类型.
• 异酸脱酶 (IDH) 突变状态对于质瘤分类和患者管理至关重要.
• 目前用于确定IDH状态的方法,如活检,具有局限性,并且由于同质数据集,ML模型往往缺乏通用性.

研究的目的:

• 开发和验证一种机器学习模型,用于使用多机构磁共振成像 (MRI) 数据预测质瘤中的IDH突变状态.
• 在临床翻译中解决以前的ML模型所面临的通用性挑战.

主要方法:

• 来自多个机构的大型注释数据集的回顾性分析,用于内部和外部验证.
• 采用了6个步骤的过程:图像采集,半自动瘤细分,特征提取,ML模型构建 (极端梯度提升) 和验证.
• IDH突变状态由ML模型预测并通过免疫组织化学证实.

主要成果:

• 在内部验证 (AUC:0.862,准确度:0.865) 和外部验证 (AUC:0.835,准确度:0.851) 中,ML模型实现了高性能.
• 在异质数据集中展示了IDH突变状态的强大预测能力.
• 内部验证指标:灵敏度为0.885,特异性为0.713. 外部验证指标:灵敏度为0.850,特异性为0.847.

结论:

• 开发的ML模型,在异质的多机构数据上进行训练,在预测质瘤IDH突变状态方面显示出显著的临床实用性.
• 该模型的强有力的外部验证表明,与单一机构研究相比,该模型具有更好的概括性.
• 建议进行进一步的研究,以扩大该模型在各种全球医疗保健环境中的验证.