使用MRI和机器学习进行结直肠癌多个生物特征的术前预测

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 大肠直肠癌 (CRC) 是癌症死亡的主要原因.
• 预测CRC进展和分子特征是复杂的.
• 确定用于预后的新生物标志物至关重要.

研究的目的:

• 开发和验证基于机器学习的放射性模型,用于预测CRC进展.
• 评估这些模型在确定分子特征表达水平方面的性能.
• 建立一种非侵入性的CRC风险分层方法.

主要方法:

• 收集了136名CRC患者的临床,病理和MRI数据.
• 从T2权重的MRI扫描中提取了1781个放射性特征.
• 采用特征选择技术和K-最近邻居 (KNN) 来进行模型构建.
• 使用接收器操作特征曲线 (AUC) 验证的模型性能.

主要成果:

• 与单个放射性模型相比,临床放射性模型显示出更高的诊断性能.
• 预测p53,synaptophysin (Syn),HER2,近神经入侵 (PNI) 和血管入侵 (VI) 的AUC值显著 (范围从0.739到0.835).
• 校准和决策曲线分析证实了开发模型的临床实用性.

结论:

• 一个经过验证的临床放射学模型可以准确地预测CRC手术前的生物特征表达水平.
• 这种非侵入性方法为CRC风险分层提供了一个有希望的工具.
• 这些发现可能会为结直肠癌的个性化治疗策略提供指导.