脑肿瘤复发与放射性坏死分类及患者生存预测
图像与视频处理
2023-06-07 v1 计算机视觉与模式识别
机器学习
摘要
GBM（多形性胶质母细胞瘤）是成人中最具侵袭性的脑肿瘤类型，即使在手术和放疗等积极治疗后，其生存率仍很短。GBM 患者放疗后的磁共振成像（MRI）变化提示为放射性坏死（RN）或复发性脑肿瘤（rBT）。早期筛查 rBT 和 RN 对于促进患者更快治疗和更好预后至关重要。由于两者在 MRI 上可能呈现相似的影像学和临床特征，区分 rBT 与 RN 具有挑战性。此外，使用 MRI 的基于学习的 rBT 与 RN 分类可能因缺乏患者数据而受类别不平衡影响。尽管使用生成模型合成数据生成已显示出解决类别不平衡的潜力，但合成或增强数据中的底层数据表示可能不同。本研究提出一种结合统计严谨的重复随机子采样计算建模方法，以平衡 rBT 和 RN 分类的子集样本量。所提出的流程包括多分辨率放射组学特征（MRF）提取，随后进行具有统计显著性检验（p<0.05）的特征选择。五折交叉验证结果表明，所提出的带 MRF 特征的模型以曲线下面积（AUC）0.8920±0.055 对 rBT 和 RN 进行分类。此外，考虑到生存时间与删失时间（患者未被随访至死亡）之间的依赖性，我们证明了使用 MRF 放射组学特征作为非侵入性生物标志物来识别复发或放射性坏死高风险患者的可行性。交叉验证结果显示，MRF 模型以 AUC 0.770±0.032 提供最佳总体性能。
引用
@article{arxiv.2306.03270,
title = {Brain Tumor Recurrence vs. Radiation Necrosis Classification and Patient Survivability Prediction},
author = {M. S. Sadique and W. Farzana and A. Temtam and E. Lappinen and A. Vossough and K. M. Iftekharuddin},
journal= {arXiv preprint arXiv:2306.03270},
year = {2023}
}