结合多中心磁共振成像与机器学习预测儿童脑肿瘤生存率
定量方法
2020-04-22 v1
摘要
背景 脑肿瘤是儿童肿瘤人群中最主要的死因。诊断通常通过磁共振成像和波谱学进行。由于单一肿瘤类型的数量相对较少，尤其是对于非典型横纹肌样瘤等罕见肿瘤类型，生存生物标志物的鉴定极具挑战性。方法 共有69名经活检确诊的脑肿瘤儿童被纳入本研究。所有参与者在诊断时均接受了灌注加权成像和扩散加权成像。数据采用常规方法处理，并进行了贝叶斯生存分析。利用生存特征进行了无监督和有监督机器学习，以确定与生存率相关的新亚组。进行了亚组分析，以理解与生存率相关的影像特征差异。发现 生存分析表明，扩散和灌注成像的结合能够确定两个具有不同生存特征的新脑肿瘤亚组 ()，随后被神经网络以高精度 (98%) 分类。对高级别肿瘤的进一步分析表明，具有高风险和低风险影像特征的两个聚类之间存在显著的生存差异 ()。解释 本研究开发了一种新颖的儿童脑肿瘤生存模型，且已具备整合入临床实践的实施条件。结果表明，肿瘤灌注在决定脑肿瘤生存率中起着关键作用，应将其作为未来影像协议的高优先级考量。
引用
@article{arxiv.2004.09849,
title = {Combining multi-site Magnetic Resonance Imaging with machine learning predicts survival in paediatric brain tumours},
author = {James T. Grist and Stephanie Withey and Christopher Bennett and Heather E. L. Rose and Lesley MacPherson and Adam Oates and Stephen Powell and Jan Novak and Laurence Abernethy and Barry Pizer and Simon Bailey and Steven C. Clifford and Dipayan Mitra and Theodoros N. Arvanitis and Dorothee P. Auer and Shivaram Avula and Richard Grundy and Andrew C Peet},
journal= {arXiv preprint arXiv:2004.09849},
year = {2020}
}