电子密度和有效原子数作为区分恶性脑瘤的定量生物标志物:使用机器学习的探索性研究
Tsubasa Nakano1, Daisuke Hirahara1,2, Tomohito Hasegawa1
1Department of Radiology, Kagoshima University Graduate School of Medical and Dental Sciences, 8-35-1 Sakuragaoka, Kagoshima 890-8544, Japan.
Tomography (Ann Arbor, Mich.)
|November 26, 2025
概括
双能量CT衍生的电子密度和有效原子数显示出区分恶性脑瘤的前景. 这些定量成像生物标志物与机器学习相结合,可以提高大脑转移,质母细胞瘤和中枢神经系统淋巴瘤的诊断准确度.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 精确区分恶性脑瘤对于有效的治疗计划至关重要.
- 传统的成像技术在区分不同类型的原发性和转移性脑损伤方面可能存在局限性.
- 定量成像生物标志物为改善诊断性能提供了潜力.
研究的目的:
- 研究从双能计算断层扫描 (DECT) 获得的电子密度 (ED) 和有效原子数 (Zeff) 作为定量成像生物标志物的实用性.
- 评估DECT参数和相对明显扩散系数 (rADC) 的诊断性能,以区分恶性脑瘤,包括脑转移 (BM),质母细胞瘤和初级中枢神经系统淋巴瘤 (PCNSL).
- 开发和评估基于机器学习 (ML) 的诊断模型,包括DECT和rADC用于瘤分类.
主要方法:
- 对136名病理确诊的BM,质母细胞瘤或PCNSL患者的回顾性分析.
- 传统CT值 (CTconv),ED,Zeff和rADC (来自MRI) 的比较,使用对比增强瘤区域内的第10百分位数,平均值和第90百分位数值.
- 使用AutoGluon-Tabular框架开发ML诊断模型,将患者级数据分为培训,验证和独立测试集.
主要成果:
- 泽夫的第10百分位在质母细胞瘤中明显高于BMs (p=0.02).
- 所有指数 (CTconv,Zeff,rADC) 在包括PCNSL时都显示出显著差异 (p<0.001-0.02).
- 基于DECT的ML模型实现了对对瘤分化的高AUC (0.82-0.91),DECT和rADC组合模型表现出色 (AUC=1.0 BM与PCNSL,AUC=0.93 质母细胞瘤与PCNSL).
结论:
- 由DECT衍生的ED和Zeff显示出作为新型定量成像生物标志物的潜力,用于区分恶性脑瘤.
- 结合DECT参数和rADC的ML模型在分类脑瘤方面表现出高的诊断准确性.
- 这些定量成像方法可能会增强大脑恶性瘤的非侵入性诊断.
