来自FDG PET/CT的机器学习模型用于预测患有胸腺瘤的患者的复发情况

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗成像医学成像

背景情况:

• 预测胸腺瘤复发对于有效的患者管理至关重要.
• 术前成像签名可以提供关于复发风险的见解.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测胸腺瘤患者的复发.
• 利用 [18F]FDG PET/CT扫描中的放射性和临床代谢特征.

主要方法:

• 对50名患有术前[18F]FDG PET/CT的胸腺瘤患者的回顾性分析.
• 根据IBSI指南,从PET和CT数据集中提取856个放射性特征 (RFts).
• 训练和ML模型 (随机森林,支持矢量机器,树) 的内部验证,使用精选的RFT和临床代谢特征.

主要成果:

• 基于CT和基于PET的ML模型都有效地歧视了无复发生存率 (FFR).
• CT模型略高于PET模型,在随机森林分类器中达到0.970的AUC.
• 关键特征包括来自CT的基于波纹的RFT和来自PET的代谢参数.

结论:

• 利用PET/CT放射性特征的ML模型显示出预测胸腺瘤复发的巨大潜力.
• 这些发现表明,个性化治疗策略在胸腺瘤管理中的未来临床应用.