基于机器学习的放射学模型:在患有子宫内膜癌的患者中预后预测和机制探索

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 子宫内膜癌 (EC) 的预后依赖于对患者生存率的准确预测.
• 放射学从医学图像中提取定量特征,为改善预后模型提供了潜力.

研究的目的:

• 评估基于机器学习的Radiomics模型,用于预测子宫内膜癌 (EC) 患者的术后整体存活率 (OS).
• 探索这些放射学模型的预测性能背后的生物机制.

主要方法:

• 在三个中心对469名EC患者进行了回顾性和前性分析.
• 从T2WI图像中提取主要病变和周围区域的3D放射学参数.
• 使用十种机器学习方法开发最佳的放射学分数 (Radscores) 并评估它们在临床,病理学,转录学和蛋白质学数据上的增量值.
• 使用TCGA和CPTAC数据集进行实验验证的生物机制的探索.

主要成果:

• 来自瘤和周围瘤区域的放射学特征表明了互补的预后价值.
• 一个基于XGboost的Radiomics模型实现了高预测效率 (AUC在验证和测试集中从0.731到0.885不等).
• 放射学模型显著改善了超越现有临床指标的预后预测,并显示了与其他放射学数据的协同潜力.
• 生物学研究将放射学模型与瘤血管生成途径联系起来,突出了FLT1.

结论:

• 基于机器学习的Radiomics模型是预测EC患者手术后操作系统的有价值工具.
• 这些模型表明与瘤血管生成的相关性,为EC进展提供了洞察力.