机器学习模型集成计算机断层图像衍生放射学和循环miRNAs来预测转移性非精子瘤丸癌的残留瘤

科学领域:

• 癌症学
• 放射学
• 分子诊断

背景情况:

• 转移性非胚芽细胞瘤 (mNSGCTs) 主要用化疗治疗,通常会留下残留疾病.
• 准确的非侵入性方法对于确定化疗后残留质的组织学至关重要.
• 在指导治疗和手术规划时, 区分三瘤与非三瘤至关重要.

研究的目的:

• 在化疗后的残留质量中提高预测瘤组织学的准确性.
• 将计算机断层扫描 (CT) 放射学特征与循环中的微RNA (miR371-375) 整合起来.
• 以非侵袭的方式区分瘤和非瘤组织学.

主要方法:

• 从化疗后的CT扫描中对111个病变进行了回顾性分析,使用3D切片器进行细分.
• 通过实时PCR提取放射性特征并测量血miR371-375水平.
• 结合放射学和miR371-375进行预测准确性的机器学习模型的评估.

主要成果:

• 综合放射学和miR371-375 (R + 371 + 375) 的CatBoost模型显示出优异的预测准确性 (AUC为0.96训练,0.83测试).
• 在多变量分析中,放射性特征是瘤组织学最强的独立预测因子 (P < .0001).
• 临床因素如AFP,hCG,初始病理和淋巴结状况也是重要的预测因素.

结论:

• 将miR371-375水平与CT放射特征相结合,显著提高了瘤预测的准确性.
• 这种综合方法提供了一个有希望的非侵入性工具,用于指导mNSGCT的治疗决策.
• 通过为包含瘤的残留体保留手术来优化患者管理.