机器学习使得在非小细胞肺癌中使用基于CT的放射性特征能够预测生物学相关的基因表达

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 基因组学就是基因组学.
• 机器学习 机器学习

背景情况:

• 非小细胞肺癌 (NSCLC) 对全球健康构成重大负担.
• 放射基因组学将放射性瘤特征与基因组数据相结合.
• 放射性技术提取成像特征用于机器学习,对基因组属性的预测.

研究的目的:

• 用CT图像和RNA测序对NSCLC患者队列进行放射基因组分析.
• 识别可预测NSCLC中基因表达的成像特征.
• 为了评估组合来自不同队列的数据的有效性,用于模型培训.

主要方法:

• 对两个NSCLC患者队列 (2018年和2023年) 的回顾性研究.
• 分析涉及RNA测序和肺部CT图像.
• 机器学习模型在规范化后使用组合和单独的队列数据进行训练和验证.

主要成果:

• 特定的成像特征 (波形,3D LBP,日志-西格玛灰色水平变异) 预测了高基因表达与低基因表达.
• 对关键的NSCLC基因 (SLC35C1,BCL2L1,MAPK1) 确定了预测指标.
• 与单一队列培训/验证相比,将两个队列的数据结合起来,改善了模型性能.

结论:

• 放射基因组数据集的成功整合表明了成像生物标志物的潜力.
• 影像化生物标志物可以通过基因表达特征帮助揭示NSCLC的生物过程.
• 这种方法可以提高对NSCLC药物耐药性机制的理解.