使用机器学习对定量分期PET/计算机断层扫描参数的评估,以早期检测扩散大B细胞淋巴瘤的进展

科学领域:

• 核医学成像技术 核医学成像技术
• 机器学习在瘤学中
• 血液性恶性瘤 血液性恶性瘤

背景情况:

• 扩散性大B细胞淋巴瘤 (DLBCL) 是一种侵略性的非霍奇金淋巴瘤.
• 早期预测进展或复发对于及时调整治疗至关重要.
• 在PET/CT中使用标准化吸收值 (SUV) 值进行定量分析.

研究的目的:

• 评估DLBCL中18F-FDG PET/CT预处理中的体积和传播参数的预测值.
• 应用机器学习算法来预测疾病进展/复发.
• 加强早期风险分层,指导DLBCL患者的治疗决策.

主要方法:

• 90名DLBCL患者接受R-CHOP化疗的回顾性审查.
• 提取定量PET参数:总代谢瘤体积 (tMTV),总损伤糖解 (tTLG),瘤焦点之间的最长距离 (Dmax) 和代谢散体体积 (MBV).
• 开发机器学习模型,使用PET参数和临床数据来预测1年内的进展.

主要成果:

• 在90名患者中,16名患者在1年内出现了进展.
• 在渐进型和非渐进型组之间观察到tMTV,tTLG,MBV和Dmax的显著差异.
• 机器学习模型的AUC为0.701 (临床数据),0.871 (随机森林的PET参数) 和0.838 (PET参数和naive Bayes的临床数据).

结论:

• 使用机器学习分析的18F-FDG PET/CT分期的定量参数可以有效地预测DLBCL的早期进展.
• 这种方法有可能改善早期风险分层.
• 这些发现可能有助于指导DLBCL患者的个性化治疗策略.