使用基于磁共振图像的机器学习方法评估质母细胞瘤治疗反应 放射学:一项探索性研究
Amirreza Sadeghinasab1, Jafar Fatahiasl1, Marziyeh Tahmasbi1
1Department of Radiologic Technology, School of Allied Medical Sciences, Ahvaz Jundishapur University of Medical Sciences Ahvaz Iran.
Health science reports
|January 1, 2025
概括
机器学习分析MRI放射学为评估质母细胞瘤治疗反应提供了一种定量方法. 纯粹的贝叶斯分类器实现了高精度,有助于客观评估患者治疗结果.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 评估多种质母细胞瘤 (GBM) 治疗反应需要客观,定量方法.
- 目前对GBM瘤的评估方法可能是主观的.
- 放射学和机器学习为改进定量评估提供了潜力.
研究的目的:
- 探索基于机器学习 (ML) 的方法来评估GBM治疗反应.
- 为此目的,利用从磁共振 (MR) 图像中提取的放射学特征.
- 开发客观和定量工具来评估GBM治疗疗效.
主要方法:
- 分析了77名GBM患者的MRI图像.
- 从细分的瘤腔中提取了107个放射性特征.
- 斯皮尔曼相关性确定了ML模型 (SVM,RF,KNN,AdaBoost,CatBoost,LightGBM,XGBoost,NB,LR) 的信息特征.
- 十倍交叉验证用于模型验证.
主要成果:
- 纯粹的贝叶斯分类器实现了最高的性能,AUC为0.86 ± 0.13.
- KNN分类器显示了第二好的性能,AUC为0.80±0.17.
- 使用特征选择算法 (前进序列和LASSO) 来识别最佳的放射性特征.
结论:
- 基于MRI的放射学可以作为训练ML模型在GBM治疗反应评估中的独特特征.
- 经过培训的ML分类人员可以加快对GBM治疗反应的定量评估.
- 这些ML模型可以补充质量评估,以改善患者管理.
