从像素到预后:利用放射学和机器学习来预测质瘤中的IDH1基因型
Asli Beril Karakas1, Figen Govsa2, Mehmet Asim Ozer2
1Department of Anatomy, Faculty of Medicine, Kastamonu University, Kastamonu, 37200, Turkey. asliberilkarakas@gmail.com.
Neurosurgical review
|April 29, 2025
概括
这项研究表明,放射学和机器学习 (ML) 可以准确预测质瘤IDH1基因型. KNN和Ensemble模型显示出高精度,为个性化治疗策略提供了活检的非侵入性替代方案.
科学领域:
- 神经瘤学神经瘤学
- 医学成像医学成像
- 计算生物学是一种计算生物学.
背景情况:
- 质瘤是主要的中枢神经系统瘤,基于遗传学的分类和治疗正在演变.
- 准确的IDH1基因型预测对于质瘤诊断和治疗决策至关重要.
研究的目的:
- 使用放射学和机器学习 (ML) 技术预测质瘤中的IDH1基因型.
- 评估各种ML模型在分类质瘤IDH1状态方面的性能.
主要方法:
- 对108名质瘤患者的MRI数据进行了回顾性分析.
- 在手动瘤细分后使用PyRadiomics提取112个放射性特征.
- 应用mRMR进行特征选择,确定17个重要的特征.
- 培训和评估ML算法,包括KNN,Ensemble,DT,LR,Discriminant和SVM.
主要成果:
- KNN和Ensemble模型实现了最高的灵敏度 (92-100%) 和特异性 (100%).
- KNN模型实现了92.59%的准确性,95.02%的F1得分;组合模型实现了90.74%的准确性,95.13%的F1得分.
- 这些模型的性能优于LR (79.63%准确率) 和SVM (85.19%准确率) 等传统方法.
结论:
- 放射学与ML相结合,特别是KNN和Ensemble模型,为预测质瘤IDH1基因型提供了一个高度准确和非侵入性的方法.
- 这些计算方法为活检提供了更安全,更快的替代方案,促进了神经瘤学中的个性化治疗策略.
