非功能巨型下垂体神经内分泌瘤切除的预测建模:一个多层次的视角
Biren Khimji Patel1, Youssef M Zohdy1, Samir Lohana1
1Department of Neurosurgery, Emory University, Atlanta, Georgia, USA.
World neurosurgery
|January 10, 2025
概括
机器学习模型使用手术前成像准确预测巨型垂体神经内分泌瘤 (GPitNETs) 的切除程度. 这种工具有助于对这些具有挑战性的瘤进行手术规划.
科学领域:
- 神经外科 神经外科
- 内分泌学 在内分泌学.
- 放射学 放射学是指放射学
背景情况:
- 巨型垂体神经内分泌瘤 (GPitNETs) 具有低的总切除率 (GTR) 和高发病率的手术挑战.
- 之前的脑垂体瘤切除程度 (EOR) 机器学习 (ML) 模型使用异质数据集,导致可变的结果.
研究的目的:
- 开发和验证机器学习模型,用于使用手术前成像在大型非功能GPitNET中预测GTR或EOR.
- 为了确定预测GPitNETs手术结果的关键成像参数.
主要方法:
- 对100个大型非功能GPitNET (直径≥3厘米) 的回顾性分析.
- 使用了5个手术前成像变量:瘤直径,形状,修订的Knosp等级,以及对细胞和细胞外侵袭的修改的哈迪分类.
- 评估模型性能使用接收器运行特征面积在曲线下 (AUC) 和混矩阵指标.
主要成果:
- 极端梯度提升ML模型实现了0.86的内部验证AUC来预测EOR.
- 修改后的哈迪分类对细胞外延伸 (AUC 0.771) 和Knosp等级 (AUC 0.713) 是最具预测性的变量.
- 外部验证显示预测模型的高灵敏度 (84%) 和特异性 (77%).
结论:
- 三维手术前成像参数对于在不起作用的GPitNET中预测EOR非常有价值.
- 可访问的在线应用程序可用于计算这些预测,帮助手术规划.
