18F-FDG PET放射学和机器学习用于虚拟活检和淋巴瘤治疗决策:一个多中心研究

科学领域:

• 核医学成像技术 核医学成像技术
• 无线电学 (Radiomics) 是一种无线电学.
• 机器学习在瘤学中的应用

背景情况:

• 准确的淋巴瘤亚型和治疗选择对于患者的治疗结果至关重要.
• 目前的方法可能会从先进的计算方法中获益,以提高精度.

研究的目的:

• 评估结合F-FDG PET放射学和人口统计数据用于分类淋巴瘤亚型和预测治疗反应 (ABVD与R-CHOP) 的疗效.
• 为了确定单独的节点放射学是否足以进行分类任务.
• 评估结合外节点放射性特征对模型性能的影响.

主要方法:

• 在241名淋巴瘤患者 (霍奇金淋巴瘤和非霍奇金淋巴瘤亚型) 的多中心研究中.
• 从基线F-FDG PET扫描中提取了107个放射性特征,与人口统计数据 (年龄,阶段,性别,体重) 相结合.
• 机器学习模型 (逻辑回归,随机森林,XGBoost) 在数据协调 (ComBat) 和特征选择 (SelectKBest) 后进行训练,并进行外部验证.

主要成果:

• 结合放射学和人口学模型在分类淋巴瘤亚型和预测治疗方面取得了良好的表现.
• 包括额外节点放射性特征显著提高了NHL与HL分类的准确性和高度NHL的精度.
• 外节点特征也提高了R-CHOP的治疗分类准确性,并改善了ABVD和R-CHOP方案的F1分数.

结论:

• 当与人口统计数据相结合时,F-FDG PET放射学显示出对淋巴瘤分类和指导治疗决策的重大潜力.
• 额外节点放射性特征对于改善高度NHL的分类和预测治疗反应特别有益.
• 单独的节点放射学可能不足以进行最佳分类,这凸显了全面特征提取的价值.