基于MRI的不同放射学机器学习模型用于预测直肠癌中CD3+瘤透淋巴细胞的CD3+瘤透淋巴细胞

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 评估瘤透淋巴细胞 (TILs),特别是CD3+T细胞,对于了解直肠癌进展至关重要.
• 与对比度增强的T1加权成像 (T1-CE) 提供了非侵入性评估这些免疫细胞的潜力.

研究的目的:

• 开发和比较机器学习模型,以使用T1-CEMRI放射学预测直肠癌中低/高CD3+T细胞透率.
• 评估CD3+TILs与无病生存 (DFS) 相关的预后价值.

主要方法:

• 对157名直肠癌患者的回顾性分析,数据分为培训 (n=109) 和测试 (n=48) 组.
• 使用七个放射性特征开发后勤回归 (LR),随机森林 (RF) 和支持矢量机 (SVM) 模型.
• 使用曲线下的面积 (AUC) 和通过卡普兰-梅尔分析评估DFS的模型性能比较.

主要成果:

• 放射学模型显示出良好的预测性能 (在训练组中AUC从0.794到0.982不等).
• 在训练组中,LR模型表现出卓越的稳定性 (AUC=0.871).
• 结合SVM放射学和临床特征的合并模型实现了最高的AUC (0.8932训练,0.8829测试),优于单个放射学模型.
• 较低的CD3+TIL表达与较差的DFS显著相关 (P=0.0041).

结论:

• 基于MRI的组合模型有效地预测了直肠癌中CD3+TIL的丰度.
• CD3+ TIL表达是无病生存的重要独立预测指标,表明其预后的重要性.