相关实验视频
Updated: Jan 8, 2026
07:37
Translational Orthotopic Models of Glioblastoma Multiforme
Published on: February 17, 2023
3.5K
使用伪连续动脉旋转标记 (pCASL) 技术在术后质瘤中区分瘤复发和伪进展
Peiquan Liu1, Yujie Chen1, Xudong Ai2
1Department of Radiology, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, China.
BMC medical imaging
|December 19, 2025
概括
输液成像 (pCASL) 和放射学有效地区分瘤复发 (TR) 与质瘤患者的伪进展 (PsP). 机器学习,特别是SVM,显著提高了非侵入性评估的诊断准确性.
科学领域:
- 神经成像是一种神经成像.
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
背景情况:
- 区分瘤复发 (TR) 和伪进展 (PsP) 对于治疗术后质瘤患者至关重要.
- 传统的MRI序列在区分TR与PsP时可能含糊不清.
- 需要先进的成像技术来提高诊断准确度.
研究的目的:
- 评估伪连续动脉旋转标记 (pCASL) 和其放射学特征在区分TR与PsP的有效性.
- 评估机器学习模型在使用pCASL衍生的放射学特征对TR与PsP进行分类时的性能.
主要方法:
- 对120名手术后质瘤患者进行了回顾性分析.
- 处理pCASLMRI数据以生成标准化脑血流 (CBF) 地图.
- 从CBF地图中提取了放射学特征,并训练和验证了机器学习模型 (SVM,后勤回归,随机森林,高斯素朴贝叶斯).
主要成果:
- 在TR和PsP组之间观察到平均CBF值的显著差异 (p < 0.001).
- 单独pCASL的AUC为0.879,用于区分TR与PsP.
- 支持矢量机 (SVM) 模型,结合了放射学特征,达到0.971.97的最高AUC.
结论:
- 结合放射学特征的pCASL提供了一种强大的,非侵入性的方法,用于在质瘤患者中区分TR和PsP.
- 放射学分析显著提高了pCASL的诊断性能.
- SVM模型显示出高精度,支持其在指导患者管理中的潜在临床应用.
