使用部分共享的放射性特征,从MRI图像中同时识别异酸脱酶突变状态和在质瘤患者中的
Yida Wang1,2, Ankang Gao3, Hongxi Yang1,2
1Shanghai Key Laboratory of Magnetic Resonance, School of Physics and Electronic Science, East China Normal University, Shanghai, China.
Scientific reports
|January 28, 2025
概括
这项研究探讨了异酸脱酶 (IDH) 突变状态与瘤患者之间的联系. 机器学习模型通过分析共享的放射性特征来改善IDH识别和诊断.
科学领域:
- 神经瘤学神经瘤学
- 医学成像分析分析 医学成像分析
- 机器学习在医学中的应用
背景情况:
- 预测异酸脱酶 (IDH) 突变状态和发病的发生对于质瘤患者的治疗至关重要.
- 之前的研究为这些任务开发了单独的机器学习模型,但它们之间的相关性仍未得到充分研究.
研究的目的:
- 调查IDH突变状态与在质瘤患者之间的相关性.
- 通过利用它们的相互关系来提高IDH突变识别和诊断模型的性能.
主要方法:
- 对399名质瘤患者 (II-IV级) 的回顾性分析,包括培训,内部和外部测试队列.
- 自动细分瘤和周围胀,然后从多模态MRI序列中进行放射性特征提取.
- 一种代的LASSO衍生方法来选择共享和任务特定的特征用于模型构建.
- 使用接收器运行特征 (ROC) 分析和曲线下的面积 (AUC) 度量衡量的评估.
主要成果:
- 在IDH突变鉴定模型中,AUC达到0.948 (训练),0.946 (内部测试) 和0.860 (外部测试).
- 诊断模型的AUC为0.924 (训练) 和0.880 (内部测试).
- 拟议的模型通过使用更少的功能,证明了更好的解释性和减少过度装配.
结论:
- 利用IDH突变状态和之间的相关性可以提高瘤诊断模型的性能.
- 开发的模型为神经瘤学中的临床应用提供了更易于解释和更强大的方法.
- 这项研究提出了一个新的框架,用于同时使用放射学和机器学习来解决多个相关的临床任务.
