利用临床与放射影像指标建立高级机器学习信息学模型以结合 OncotypeDX 基因阵列刻画乳腺肿瘤特征
医学物理
2019-03-19 v1 人工智能
计算机视觉与模式识别
机器学习
定量方法
摘要
目的——最优利用既有与影像方法，如多参数磁共振成像(mpMRI)，可同时识别关键功能参数并提供乳腺癌的独特影像表型。因此，我们开发并实现了一种新的机器学习信息系统，其整合源自影像与临床健康记录的变量，以与 21 基因阵列检测 OncotypeDX 进行比较。材料与方法——我们在一组患者( n=81)中测试了信息学模型，这些患者为 ER+ 疾病并接受了 OncotypeDX 基因表达与乳腺 mpMRI 检测。该机器学习信息学方法称为集成放射组学信息系统 IRIS，被应用于 mpMRI、临床与病理描述符以及基因阵列分析。IRIS 方法使用高级图论模型与定量指标。获得了定量影像参数的汇总统计量(均值与标准差)。计算了患者分类的灵敏度、特异度与曲线下面积(AUC)。结果——IRIS 模型对 OncotypeDX 的分类灵敏度为 95%、特异度为 89%，AUC 为 0.92。高危组的乳腺病灶尺寸较大，低危与中危组较小。各组的 PK-DCE 与 ADC 图值存在显著差异。高危与中危组的 ADC 图值显著低于低危组。结论——这些初步研究增进了对影像特征与分子基因阵列 OncotypeDX 评分的理解。该见解为将这些影像特征与疗效评估相关联以改进个性化医疗奠定了基础。
引用
@article{arxiv.1811.03218,
title = {Advanced machine learning informatics modeling using clinical and radiological imaging metrics for characterizing breast tumor characteristics with the OncotypeDX gene array},
author = {Michael A. Jacobs and Christopher Umbricht and Vishwa Parekh and Riham El Khouli and Leslie Cope and Katarzyna J. Macura and Susan Harvey and Antonio C. Wolff},
journal= {arXiv preprint arXiv:1811.03218},
year = {2019}
}
备注
32 pages, 6 figures, Abstract number SSQ01-04:Radiological Society of North America 2015 Scientific Assembly and Annual Meeting,Chicago IL