用于纵向动态对比增强 MRI 癌症研究分析的贝叶斯分层模型
应用统计
2020-04-22 v1 医学物理
摘要
临床肿瘤学试验中的成像提供了丰富的信息，有助于药物开发过程，尤其是在早期阶段研究中。本文聚焦于 DCE-MRI 中的动力学建模，其灵感来源于临床试验分析中常用的混合效应模型。我们提出在一个单一模型中同时分析所有受试者、所有扫描的所有体素时间过程，而不是将每次扫描会话总结为单个动力学参数（如肿瘤 ROI 内所有体素的中位 ）。通常非线性回归模型中的动力学参数被分解为与纵向研究因素相关的独特分量；例如治疗、患者和体素效应。贝叶斯分层模型提供了构建数据模型、参数模型以及先验分布的框架。动力学参数的后验分布使用马尔可夫链蒙特卡洛 (MCMC) 方法进行估计。在研究层面进行整体治疗效应的假设检验是直接明了的，而患者层面和体素层面的参数捕捉了随机效应，提供了不同分辨率层面的额外信息，从而允许对临床试验进行全面评估。所提出的方法在一项乳腺癌研究中得到了验证，其中受试者在两个周期的化疗前后接受了成像，展示了该方法在纵向肿瘤学研究中的临床潜力。
引用
@article{arxiv.0710.4788,
title = {A Bayesian Hierarchical Model for the Analysis of a Longitudinal Dynamic Contrast-Enhanced MRI Cancer Study},
author = {Volker J. Schmid and Brandon Whitcher and Anwar R. Padhani and N. Jane Taylor and Guang-Zhong Yang},
journal= {arXiv preprint arXiv:0710.4788},
year = {2020}
}