通过机器学习在多中心PRIMAGE队列中的神经母细胞瘤患者的风险分层

科学领域:

• 儿科瘤学 儿科瘤学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 神经母细胞瘤是最常见的儿童固体癌症,其特点是显著的异质性.
• 现有的预后标记需要改进,以实现精确的患者分层和个性化治疗.

研究的目的:

• 开发一种机器学习模型,用于预测神经母细胞瘤患者的整体存活率 (OS).
• 在诊断时使用临床,分子和磁共振 (MR) 放射学特征来增强风险分层.

主要方法:

• 使用PRIMAGE数据库 (513名患者) 进行培训和验证,并使用独立队列 (22名患者) 进行外部测试.
• 从T2加权的MR图像中提取了107个放射性特征,使用ComBat协调它们,并采用嵌套交叉验证.
• 使用随机生存森林方法开发了一个预测模型.

主要成果:

• 该模型在发现 (C指数:78.8±4.9,AUC:77.7±6.1) 和独立队列 (C指数:93.4,AUC:95.4) 中都实现了高性能.
• 关键的预测因素包括病变异质,大小和分子变量.
• 该模型有效地将患者分为低风险,中等风险和高风险组,表现优于标准护理.

结论:

• 放射性特征显著改善了目前用于神经母细胞瘤患者的风险分层系统.
• 这种机器学习方法为儿童神经母细胞瘤的个性化治疗策略提供了一个有前途的工具.