基于机器学习的放射学方法用于脑膜瘤的预测结果 - - 一个系统性审查

科学领域:

• 神经外科 神经外科
• 放射学 放射学是一门学科.
• 在瘤学瘤学.

背景情况:

• 脑膜瘤是成年人中最常见的大脑瘤.
• 磁共振成像 (MRI) 对于评估瘤结果至关重要.
• 放射学和机器学习 (ML) 为瘤分析提供先进的非侵入性方法.

研究的目的:

• 审查基于ML的放射学模型,用于预测脑膜瘤复发和存活率.
• 总结这些模型在结果预测中的表现.

主要方法:

• 在主要数据库 (Scopus,科学网,PubMed,Embase) 进行了系统的文献搜索.
• 数据提取遵循了系统审查和元分析 (PRISMA) 准则的首选报告项目.
• 八篇相关的原创文章被纳入了审查.

主要成果:

• 结合临床/病理数据的ML放射学模型显示了强大的脑膜瘤复发预测性能.
• 模型实现了高精度 (例如,决策树的90%),曲线下面积 (AUC) 值 (ADC集成高达0.88).
• 确定的主要预测因素包括明显扩散系数 (ADC) 值,放射性评分,ki-67指数和辛普森分级;生存预测的AUC为0.78.

结论:

• 通过ML模型将放射学与临床和病理数据相结合,可以显著提高脑膜瘤结果预测.
• 这些ML模型在预测复发和攻击性方面优于传统的MRI.
• 这种方法为个性化治疗和手术规划提供了宝贵的见解.