可解释的基于放射学的机器学习模型,用于区分质母细胞瘤与初级中枢神经系统淋巴瘤,使用对比度增强的T1加权成像

科学领域:

• 神经瘤学神经瘤学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 精确区分质母细胞瘤 (GB) 和初级中枢神经系统淋巴瘤 (PCNSL) 对于有效的治疗计划至关重要.
• 现有的诊断方法可能涉及具有风险和不确定性的侵入性程序.

研究的目的:

• 开发和验证一种可解释的基于放射学的机器学习模型,用于使用对比度增强T1加权成像 (CE-T1WI) 来区分GB和PCNSL.
• 为了比较使用高阶与低阶放射性特征的模型的诊断性能.
• 评估开发模型的可解释性.

主要方法:

• 追溯分析383名患者 (226名GB,157名PCNSL) 的病原病理学确诊.
• 使用PyRadiomics从CE-T1WI中提取放射性特征 (低级和高级).
• 顺序性特征选择 (变异值,mRMR,LASSO) 以确定最佳特征.
• 开发和评估十个机器学习分类器 (例如,LightGBM,后勤回归,随机森林).
• 使用AUC,准确性,特异性,灵敏性,NPV和PPV进行性能评估;SHapley添加式解释 (SHAP) 进行解释.

主要成果:

• 高阶放射性特征在区分GB与PCNSL方面显著超过低阶特征 (p <0.05).
• 轻GBM (LGBM) 模型实现了最高的性能,测试组AUC为0.955和最小的训练测试差异 (0.001).
• 在10个模型中,有9个模型在测试组中显示AUC值超过0.95.
• SHAP分析确定了为模型预测做出贡献的关键特征,提供了全球和样本特定的见解.

结论:

• 一种CE-T1WI衍生的放射学方法与机器学习相结合,有效地将GB与PCNSL区分开来,具有高准确性和可解释性.
• 开发的模型提供了一个实用的,非侵入性诊断工具,以支持神经瘤学中手术前决策.
• 这种放射学模型显示出临床应用的巨大潜力,特别是当活检具有挑战性时.