开发和验证一个基于MRI的强大的名图,包括放射学和深度特征,用于手术前质瘤分级:一项多中心研究
Salar Bijari1, Seyed Masoud Rezaeijo2, Sahar Sayfollahi3
1Department of Radiology, Faculty of Paramedical Sciences, Kurdistan University of Medical Sciences, Sanandaj, Iran.
Quantitative imaging in medicine and surgery
|February 25, 2025
概括
这项研究开发了一个模型,将MRI扫描中的放射学和深度特征与临床数据相结合,以准确区分低级质瘤 (LGG) 和高级质瘤 (HGG). 综合方法显著改善了手术前质瘤分类,有助于治疗决策.
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:
- 结质瘤是主要的大脑瘤,根据攻击性被分类为低级 (LGG) 或高级 (HGG).
- 准确的手术前分类对于治疗和预后至关重要.
- 传统的活检方法有其局限性,包括采样错误和程序性风险.
研究的目的:
- 开发和验证一个全面的模型,用于手术前质瘤分类.
- 通过整合MRI的放射特征 (RF),深度特征 (DF) 和临床因素来提高诊断精度.
- 改善LGG和HGG之间的差异化.
主要方法:
- 追溯多中心研究 (2017-2022) 与582名患者 (340名LGG,242名HGG).
- 从对比度增强的T1加权 (CE-T1w) 和T2加权的流体减弱反转恢复 (T2w FLAIR) MRI中提取RF和DF.
- 使用多变量逻辑回归,并使用决策曲线分析 (DCA) 进行评估,开发整合RF,DF和临床数据的诺莫格拉姆模型.
主要成果:
- 使用了精选的RF (73.02%) 和DF (38.27%).
- 诺米图模型实现了高诊断性能,接收器操作特征-曲线下的区域 (ROC-AUC) 为0.93 (训练) 和0.91 (测试).
- 命名图表显示了最高的净收益,超过了仅使用DF或RF的模型.
结论:
- 将放射学和深度特征与临床数据相结合,为手术前质瘤分级提供了一个有效的策略.
- 综合模型准确地预测了HGG和LGG的病理分级.
- 这种方法为神经瘤学中的临床决策提供了有价值的工具.
