综合放射学和机器学习方法用于预测结直肠肝转移中的ras突变状态

科学领域:

• 放射学 放射学是一门学科.
• 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:

• RAS突变状态是结直肠肝转移 (CRLM) 中的一个关键预后生物标志物.
• 传统的评估依赖于侵入性组织活检.
• 对于患者管理而言,对RAS突变的非侵入性预测是非常理想的.

研究的目的:

• 评估CT和MRI放射性特征的潜力,以预测CRLM中的RAS突变.
• 为了比较各种机器学习算法的性能,用于此预测任务.
• 为了确定强大的成像生物标志物用于非侵入性分子分层.

主要方法:

• 对77个已知RAS突变状态的CRLM转移的分析.
• 从肝胆相MRI和门静脉相CT中提取放射性特征.
• 使用LASSO逻辑回归进行特征选择,并确定41个预测特征.
• 使用交叉验证和诊断指标对六种分类模型 (包括GBM,随机森林,CART) 的培训和评估.

主要成果:

• 来自MRI的特征显示出强大的预测能力.
• 梯度增强机 (GBM) 实现了最高的AUC (0.998) 和精度 (95.6%).
• 随机森林和CART模型也显示出高的歧视性性能.
• 九个特征被一致确定为跨模型的顶级预测因素,表明强大的生物标志物.

结论:

• 结合CT和MRI的放射性分析,与整体机器学习处理,可以准确地预测CRLM中的RAS突变状态.
• 这种多参数方法显示出作为手术前分子分层的非侵入性工具的潜力.
• 需要在更大的队列中进行前性验证,以确认可概括性.