基于机器学习的超声波放射学方法预测PTC中的BRAF和TERT状态:一个多中心研究
Hui Shi1,2, Ke Ding3, Xue Ting Yang4
1Department of Medical Ultrasound, Center of Minimally Invasive Treatment for Tumor, Shanghai Tenth People's Hospital, School of Medicine, Tongji University, China.
Journal of clinical & translational endocrinology
|April 17, 2025
概括
基于机器学习的超声波放射学准确地预测了乳头甲状腺癌 (PTC) 的遗传突变. 整合临床数据进一步改善了在PTC患者中预测BRAF V600E和TERT促进器突变的预测.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 遗传学 是一个遗传学.
背景情况:
- 乳头甲状腺癌 (PTC) 的管理受益于手术前的基因突变鉴定.
- 布拉夫V600E和TERT促进体突变是PTC中的关键遗传变异.
研究的目的:
- 评估基于机器学习 (ML) 的超声波 (US) 放射学,用于预测PTC中的BRAF V600E和TERT促进子突变.
- 评估这些突变单独和共存的预测价值.
主要方法:
- 对1076名PTC患者进行遗传检测的回顾性多中心研究.
- 从美国灰度图像中提取放射性特征.
- 应用9个ML模型用于突变预测,包括具有临床数据的最佳模型.
主要成果:
- 基于决策树的美国放射学显示了BRAF V600E (AUC 0.767) 的优异预测.
- 基于后勤回归的美国放射学在预测TERT促进子突变 (AUC 0.802) 和双重突变 (AUC 0.805) 中表现出色.
- 结合临床因素改善了AUC0.810 (BRAF V600E),0.897 (TERT促进剂) 和0.900 (双变异) 的预测.
结论:
- 基于ML的美国放射学有效地预测了PTC中的BRAF V600E和TERT促进子突变.
- 临床特征的整合提高了这些ML模型的预测性能.
