基于机器学习的EGFR突变和HER2过度表达在转移性脑腺癌中的检测:系统性审查和元分析
Mohammad Sadra Gholami Chahkand1, Mohammad Amin Karimi2, Komeil Aghazadeh-Habashi3
1Student Research Committee, Golestan University of Medical Sciences, Gorgan, Iran.
Topics in magnetic resonance imaging : TMRI
|October 1, 2025
概括
机器学习模型显示出使用MRI放射学检测脑转移中的EGFR和HER2生物标志物的前景. 这些非侵入性工具提供了强大的诊断性能,有助于癌症治疗决策.
科学领域:
- 神经瘤学神经瘤学
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 大脑转移 (BMs) 是常见的内恶性瘤,通常是由EGFR和HER2等受体激素激酶驱动的.
- 由于活检的挑战,在BM中对这些生物标志物的非侵入性检测至关重要.
- 本研究评估了使用MRI放射学来检测生物标志物的机器学习 (ML) 模型.
研究的目的:
- 系统地审查和分析基于ML的模型,用于检测转移性脑腺癌中EGFR突变和HER2过度表达.
- 用MRI衍生的放射性特征来评估这些ML模型的诊断性能.
主要方法:
- 按照PRISMA 2020指南进行系统审查和元分析.
- 在PubMed,Scopus和Web of Science中搜索了关于脑转移中的ML和MRI放射学研究.
- 提取了研究设计,成像,模型,样本大小和性能的数据;根据模型类型和样本大小进行了分组分析.
主要成果:
- 包括31项研究和7925名参与者;聚合分析显示强的性能 (AUC=0.84,精度=0.86,灵敏度=0.83).
- 深度学习模型在AUC和准确性方面表现优于经典ML模型.
- 较大的样本大小 (≥150) 与改善的AUC相关,没有检测到异质性或出版偏差.
结论:
- ML模型显示出作为在转移性脑腺癌中检测EGFR和HER2的非侵入性工具的巨大潜力.
- 方法的异质性和有限的外部验证需要谨慎的解释.
- 需要进一步的前性多中心研究来确认临床适用性和通用性.
