一个基于计算机断层扫描的放射学预测模型,用于在结直肠癌中发现BRAF突变状态
Boqi Zhou1, Huaqing Tan1, Yuxuan Wang1
1Qinghai University Affiliated Hospital, Xining, China.
Abdominal radiology (New York)
|May 14, 2025
概括
这项研究表明,使用CT放射学的机器学习模型可以预测结直肠癌患者的BRAF基因突变. 随机森林模型实现了最佳的预测性能,有助于进行手术前评估.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 基因组学就是基因组学.
背景情况:
- 结肠直肠癌 (CRC) 是一个重要的全球健康问题.
- 在CRC中,BRAF基因突变至关重要,影响治疗策略和预后.
- 准确的手术前预测BRAF突变状态对于个性化治疗规划至关重要.
研究的目的:
- 开发和验证基于CT静脉相图像的放射学模型,用于预测手术前结直肠癌患者的BRAF基因突变状态.
- 在这个预测任务中评估各种机器学习分类器的性能.
- 确定放射学在指导BRAF突变状态评估中的临床实用性.
主要方法:
- 从两个中心的301名结肠直肠癌患者的回顾性招生.
- 从CT静脉相图中提取放射性特征,包括分析瘤轮扩张和不扩张.
- 开发和比较六种机器学习模型 (SVM,DT,RF,LR,KNN,XGBoost) 用于BRAF突变预测.
- 使用培训,内部和独立的外部队伍进行验证,通过ROC曲线和准确度指标进行绩效评估.
主要成果:
- 性别被确定为BRAF突变的独立预测因子.
- 随机森林 (RF) 模型,没有瘤轮扩张,表现出最好的预测性能.
- 未扩展的射频模型在训练集中实现了0.814的AUC,在内部验证集中达到0.798,在外部验证集中达到0.737.
- 准确度在0.810 (培训) 到0.658 (外部验证) 之间,在外部队列中灵敏度达到0.667.
结论:
- 基于CT放射学的机器学习模型可以有效预测结直肠癌患者的BRAF突变.
- 未扩展的随机森林模型展示了最佳的预测性能,为手术前BRAF突变状态评估提供了一种非侵入性方法.
- 这种方法有望改善结直肠癌管理中的个性化治疗策略.
