使用临床特征对成年人质瘤中IDH-突变低级质瘤的支持载体基于机器的术前鉴定

科学领域:

• 神经瘤学神经瘤学
• 机器学习在医学中的应用
• 无线电学 (Radiomics) 是一种辐射学.

背景情况:

• 准确的手术前识别异酸脱酶 (IDH) 突变低度质瘤 (LGGs) 对于个性化治疗至关重要.
• 现有的方法可能缺乏及时临床决策的速度或准确性.

研究的目的:

• 开发和验证一个精简的机器学习模型,以快速和准确地进行IDH突变LGG的手术前预测.
• 确定最能预测IDH突变LGG状态的关键临床特征.

主要方法:

• 使用了418名成年质瘤患者的回顾性队列,分为培训 (70%) 和内部验证 (30%) 组.
• 一个支持向量机 (SVM) 模型被优化并对206名患者进行外部验证.
• 通过预测重要性和SHAP分析确定了六个临床重要特征,包括年龄,和增强.

主要成果:

• SVM模型实现了高分辨性性能,接收器操作特征曲线 (AUC-ROC) 下的面积为0.860 (内部) 和0.869 (外部验证).
• SHAP分析发现年龄是最有影响力的预测因素,其次是和增强特征.
• 该模型在不同患者队列中展示了强大的概括性.

结论:

• 开发的SVM模型为手术前的IDH突变LGG鉴定提供了临床实用的工具.
• 该模型将诊断可靠性和可解释性与最小的特征要求相结合.
• 外部验证支持该模型在各种临床环境中的潜在实用性,以改善患者管理.