¹⁸F-FDG PET放射学评分通过自动机器学习构建,用于预测患有扩散大B细胞淋巴瘤的老年患者的治疗反应:一个多中心研究

科学领域:

• 核医学和分子成像技术
• 在瘤学中使用人工智能
• 放射学和计算机病理学

背景情况:

• 扩散性大B细胞淋巴瘤 (DLBCL) 是一种常见的非霍奇金淋巴瘤,特别影响老年人群.
• 预测老年DLBCL患者的治疗反应对于优化治疗策略和改善治疗结果至关重要.
• 基于F-FDG PET成像的放射学提供了一种非侵入性的方法来提取用于预后评估的定量特征.

研究的目的:

• 开发和验证自动机器学习 (AutoML) 模型,从F-FDG PET成像创建放射性签名.
• 评估这些放射性信号在预测老年DLBCL患者治疗反应中的有效性.
• 为了比较AutoML衍生放射学得分与传统代谢参数的性能.

主要方法:

• 从两家医疗中心对175名老年DLBCL患者 (≥60岁) 进行了回顾性分析,其中1010名病变.
• 使用了AutoGluon AutoML框架来处理基线F-FDG PET放射学特征并生成放射学得分 (radscore).
• 采用多变量逻辑回归用于模型开发和验证,评估损伤级和患者级预测.

主要成果:

• 与SUVmax,MTV和TLG相比,AutoML生成的radscore在训练 (AUC0.791对0.542-0.667) 和验证 (AUC0.712对0.616-0.657) 两种水平上都在预测治疗反应方面表现出更高的准确性.
• NCCN-IPI,BCL-2,TMTV和平均radscore (avg-radscore) 被确定为治疗反应的独立预测因素 (P<0.05).
• 结合NCCN-IPI,BCL-2,TMTV和avg-radscore的多变量模型在治疗响应预测方面表现优于传统和临床病理模型.

结论:

• 从F-FDG PET成像获得的自动ML衍生放射性评分可以有效地预测老年DLBCL患者的治疗反应.
• 这种自动化放射学方法有可能成为一个有价值的工具,以帮助临床决策,个性化DLBCL治疗.
• 需要在前性研究中进一步验证,以确认基于AutoML的放射学在DLBCL管理中的临床实用性.