基于成像特征和机器学习,预测贝瓦西祖马布对周围胀的疗效
Xuexue Bai1, Ming Feng2, Wenbin Ma3
1Department of Neurosurgery, Peking Union Medical College Hospital, Chinese Academy of Medical Science and Peking Union Medical College, No. 1 Shuaifuyuan Hutong, Dongcheng District, Beijing, 100730, China.
Scientific reports
|May 9, 2025
概括
机器学习模型可以预测bevacizumab (BEV) 治疗脑瘤胀的疗效. 胀体积是关键预测因素,有助于神经瘤学的治疗决策.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 转移性脑瘤中的周围胀构成了治疗挑战.
- Bevacizumab (BEV) 被使用,但预测其有效性是复杂的.
- 优化BEV选择需要强大的预测工具.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测贝瓦齐祖马布 (BEV) 治疗在转移性脑瘤患者周围胀的疗效.
- 确定BEV反应的关键临床和放射学预测因素.
- 为了提高神经瘤学的临床决策.
主要方法:
- 对300名用BEV治疗的患者进行了回顾性分析.
- 整合了13个临床和放射学特征.
- 使用随机森林 (RF),物流回归,梯度增强树和天真贝叶斯的二元分类模型的开发.
- 使用十倍交叉验证,规范化,超参数优化和过量采样来防止过拟合.
主要成果:
- 随机森林 (RF) 模型实现了高性能:准确度为0.89,精度为0.94,F1得分为0.92,AUC-ROC/AUC-PR.值为0.91.
- 胀体积是最重要的预测因素,其次是胀指数,患者年龄和瘤体积.
- 多变量逻辑回归证实了胀体积和指数作为独立预测指标 (p < 0.01).
结论:
- 基于ML的预测模型显示,在转移性脑瘤患者中优化BEV治疗选择的巨大潜力.
- 准确的预测可以减少不必要的治疗风险,并改善患者的治疗结果.
- 这种方法支持神经瘤学中增强的临床决策.
