通过基于MRI的多参数机器学习模型预测2021年WHO4级质瘤的分子亚型

科学领域:

• 神经瘤学神经瘤学
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 世界卫生组织 (WHO) 4级中枢神经系统 (CNS) 质瘤的准确分类对于患者的预后和治疗至关重要.
• 区分星系细胞瘤,中枢神经系统WHO 4级,质母细胞瘤 (GBM),异酸脱酶野生型 (IDH-wt) (WHO 2021) 和分层IDH-突变体 (IDH-mut) 与IDH-wt星系细胞瘤 (WHO 4级) 是一个关键的挑战.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,使用多参数MRI进行中枢神经系统WHO4级星细胞瘤与GBM,IDH-wt.的手术前分化.
• 通过区分IDH-mut和IDH-wt亚型来对中枢神经系统WHO4级星系细胞瘤进行分层.
• 评估开发的ML模型的预后价值.

主要方法:

• 对320名质瘤患者 (培训/测试) 和99名癌症基因组图谱 (TCGA) 患者的回顾性分析,用于外部验证.
• 从对比度增强的T1加权成像 (CE-T1WI) 和瘤和瘤的T2流体减弱反转恢复 (T2-FLAIR) 中提取放射性特征.
• 使用极端梯度提升 (XGBoost) 构建ML,临床和组合模型;通过ROC曲线,决策曲线,校准曲线和生存分析评估性能.

主要成果:

• 组合和ML模型在训练,测试和验证集 (AUCs从0.783到0.907) 中在区分瘤类型 (任务1) 和IDH状态 (任务2) 中显著优于临床模型.
• 在这两项任务中,ML模型表现出强的表现,任务1的AUC从0.830到0.907不等,任务2的AUC从0.783到0.904.
• 生存分析表明,组合模型的预后值与分子亚型 (p > 0.74) 相比.

结论:

• 基于多参数MRI的ML模型有效地区分中枢神经系统WHO4级星系细胞瘤与GBM,IDH-wt,并分层IDH-mut与IDH-wt星系细胞瘤,中枢神经系统WHO4级.
• 开发的ML模型为质瘤患者提供了可靠的生存分层,跨分子亚型.
• 这种方法有望改善手术前诊断和对质瘤的个性化管理.