相关实验视频
Updated: May 27, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
6.8K
从多参数MRI构建放射学模型,预测中枢神经系统原发性淋巴瘤患者的Ki-67表达:一项多中心研究
Yelong Shen1,2, Siyu Wu1,2, Yanan Wu1
1Department of Radiology, Shandong Provincial Hospital, No. 324, Jingwu Road, Jinan, 250021, Shandong, China.
BMC medical imaging
|February 18, 2025
概括
磁力共振成像放射学与初级中枢神经系统淋巴瘤 (PCNSL) 的Ki-67扩散有有效的相关性. 综合MRI序列显示出区分高和低扩散PCNSL的潜力,有助于患者分层.
科学领域:
- 神经瘤学神经瘤学
- 放射学 放射学是一门学科.
- 机器学习 机器学习
背景情况:
- 初级中枢神经系统淋巴瘤 (PCNSL) 是一种侵略性瘤,需要精确的扩散评估.
- 基-67是瘤扩散的关键生物标志物,但其直接测量可能是侵入性的.
- 磁共振成像 (MRI) 提供非侵入性方法来评估瘤特征.
研究的目的:
- 调查表面扩散系数 (ADC),扩散权重成像 (DWI) 和T1对比增强 (T1-CE) MRI参数与PCNSL中的Ki-67表达之间的相关性.
- 评估MRI基于放射学的机器学习算法的诊断性能,以区分高和低扩散PCNSL.
主要方法:
- 从83名PCNSL患者的MRI数据的回顾性分析.
- 从ADC,DWI和T1-CE序列中提取和分析放射学特征.
- 机器学习模型的开发和评估,使用放射学特征来预测扩散状态,通过接收器操作特征 (ROC) 曲线进行评估.
主要成果:
- 相对平均ADC (rADC平均值),相对平均DWI (rDWI平均值) 和相对平均T1-CE (rT1-CE平均值) 与Ki-67水平有显著的相关性.
- 放射学模型表现出强大的预测性能,最好的模型结合ADC,DWI和T1-CE,实现ROC曲线下的面积 (AUC) 为0.869.
- 在低和高增殖组之间观察到无进展生存 (PFS) 和总生存 (OS) 的显著差异.
结论:
- 非侵入性MRI放射学参数 (rADC平均值,rDWI平均值,rT1-CE平均值) 与PCNSL扩散标记Ki-67.7显著相关.
- 使用组合MRI序列的机器学习模型显示出高潜力,可以准确区分低和高扩散的PCNSL.
- 这种方法可能为PCNSL患者的预后和治疗分层提供一种非侵入性工具.
