基于MRI的可解释的临床放射学和放射学机器学习模型用于手术前预测垂体腺瘤的一致性:双中心研究
Meiheng Liang1,2, Fei Wang3, Yan Yang4
1Department of Radiology, Xinqiao Hospital, Army Medical University, Chongqing, China.
Neuroradiology
|July 9, 2025
概括
这项研究开发了一种可解释的机器学习模型,使用MRI放射学和临床数据来预测垂体宏腺瘤 (PMA) 的一致性. 组合模型准确预测瘤的一致性,有助于个性化治疗策略.
科学领域:
- 放射学 放射学是一门学科.
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 垂体宏腺瘤 (PMAs) 是常见的瘤,需要精确的手术前评估.
- 瘤的一致性是影响手术规划和患者结果的关键因素.
- 预测PMA的一致性的非侵入性方法是非常可取的.
研究的目的:
- 开发一种可解释和非侵入性机器学习 (ML) 模型,用于预测垂体腺瘤 (PMA) 的一致性.
- 将临床放射学预测器与磁共振成像 (MRI) 放射学特征集成,以提高预测准确度.
- 为了使PMA的一致性能够进行手术前分层,以适应量身定制的治疗策略.
主要方法:
- 一组350名PMA患者被分为训练和测试组 (7:3比).
- 放射学特征从多参数MRI (mpMRI) 中提取,并使用mRMR和LASSO算法进行选择.
- 构建了后勤回归 (LR) 和随机森林 (RF) 模型,使用ROC曲线,AUC,精度,灵敏度和特异性来评估性能. 为了解释性,使用了SHAP分析.
主要成果:
- 综合LR模型在测试队列中实现了最佳预测性能 (AUC=0.913,ACC=0.840),表现优于仅使用临床放射学和放射学模型.
- SHAP分析确定了来自T2WI和CE-T1WI的波形变换和LoG波器特征,以及T2WI原始的第一阶倾斜性,作为主要预测因素.
- 该模型在将瘤的一致性分类为软或坚固时表现出高准确度.
结论:
- 一个可解释的ML模型整合了临床放射学数据和mpMRI放射学,有效地预测了PMA的一致性.
- 这种方法促进了非侵入性手术前评估,为准确和个性化的PMA治疗铺平了道路.
- 开发的模型提供了一个有价值的工具,以改善手术规划和患者管理在 pituitary macroadenoma 的情况下.
