在极端高度骨髓瘤中评估局部复发风险,通过多模式辐射学整合
Zhendong Luo1,2, Renyi Liu3, Jing Li4
1Department of Radiology, The University of Hong Kong - Shenzhen Hospital, Shenzhen, PR China.
Acta radiologica (Stockholm, Sweden : 1987)
|July 15, 2025
概括
机器学习模型可以预测高度骨髓瘤的局部复发风险. 将放射和MRI数据与随机森林算法结合起来,显示出对患者的预后准确性有希望.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 机器学习 机器学习
背景情况:
- 精确预测极端高度骨髓瘤局部复发 (LoR) 风险对于有效的治疗计划至关重要.
- 优化治疗策略依赖于及时评估LoR以改善患者的治疗结果.
研究的目的:
- 研究机器学习算法在预测骨髓瘤患者的LoR中的有效性.
- 使用放射和多参数MRI数据评估不同机器学习模型的性能.
主要方法:
- 收集了高度骨髓瘤患者的数据,进行了手术前的放射和MRI.
- 开发和训练机器学习模型,包括随机森林 (RF),支持矢量机,后勤回归和极端梯度增强.
- 使用接收器运行特征 (ROC) 曲线,ROC曲线下的面积 (AUC) 和DeLong的测试进行比较,评估模型性能.
主要成果:
- 使用放射-MRI输入的四个分类器显示出稳定的性能,预后效率相当好.
- 射频分类器在训练和测试集中获得了优异的性能 (AUC = 0.806,0.868) 与放射-MRI特征相比,仅用MRI (AUC = 0.774,0.771) 和仅用放射 (AUC = 0.613,0.627) 在训练和测试集中.
- 对于其他分类器,在MRI-only和X-ray-MRI模型之间没有观察到显著的性能差异.
结论:
- 机器学习对于预测骨髓瘤中的LoR具有显著的潜力.
- 将放射学数据与机器学习算法集成,可以提高骨髓瘤患者的预后评估.
- 这项研究强调了综合射线图-MRI数据的价值,以提高预测准确性,特别是在射频模型中.
