使用3D放射学机器学习模型进行非霍奇金淋巴瘤分类,用于瘤学精密成像

科学领域:

• 放射学和医学成像学 医学成像学
• 计算病理学计算病理学
• 在瘤学瘤学.

背景情况:

• 准确分类非霍奇金淋巴瘤 (NHL) 亚型对于预测临床行为和指导治疗策略至关重要.
• 成像在疾病分期中发挥着作用,成像特征的定量分析显示了预测病理和患者结果的潜力.
• 机器学习应用于成像功能提供了一个有希望的途径,以提高临床决策在淋巴瘤诊断.

研究的目的:

• 应用定量成像分析用于频繁的非霍奇金淋巴瘤 (NHL) 亚型的非侵入性分类.
• 建立临床成像基因组模型的基础,以支持治疗监测和临床决策.
• 要区分淋巴瘤亚型和非淋巴瘤组织,以及主要的NHL亚型.

主要方法:

• 对201名先前未接受治疗的NHL患者和39名健康对照患者的回顾性分析,使用对比度增强的CT扫描.
• 1628个病理性扩大的淋巴结的三维细分和放射性分析,健康的淋巴结作为参考.
• 使用随机森林 (RF) 分类器进行特征选择,然后使用光梯度增强机 (LGBM) 进行多类分类,以区分淋巴瘤亚型.

主要成果:

• 在对淋巴瘤与非淋巴瘤的分类方面取得了很高的准确性 (AUC=0.999).
• 在区分淋巴瘤亚型方面观察到出色的表现:MCL与其他亚型 (AUC=0.997),DLBCL与其他亚型 (AUC=0.971),CLL与其他亚型 (AUC=0.956),FL与其他亚型 (AUC=0.892).

结论:

• 放射学与多类机器学习相结合,可以在常规对比增强CT上高精度,非侵入性地区分主要NHL亚型.
• 这种方法可以可靠地将惰性从积极性淋巴瘤表型中分离出来,为成像基因组模型铺平了道路.
• 这些发现支持简化活检指导,增强治疗监测,以及淋巴瘤护理精密瘤学的进步.