利用放射组学与机器学习区分脑肿瘤中的放射性坏死与转移进展
医学物理
2023-09-12 v1
摘要
目的：由于常规影像上的相似性，区分放射性坏死（RN）与转移进展极具挑战性。从治疗角度看这至关重要，因其决定了治疗结果。本研究旨在建立一种利用放射组学与机器学习自动区分 RN 与脑转移进展的技术。方法：选取 86 例以立体定向放射外科作为初始治疗的脑转移患者。对磁共振增强 T1 加权图像应用离散小波变换、高斯拉普拉斯、梯度和平方变换以提取放射组学特征。特征选择后，数据集随机划分为训练/测试（80%/20%）集。训练随机森林分类（RFC）、逻辑回归和支持向量分类（SVC），随后在测试集上验证。分类性能通过受试者工作特征曲线的曲线下面积（AUC）值、准确率、灵敏度和特异度衡量。结果：使用带梯度滤波的 RFC 取得最佳性能（AUC=0.910，std=0.047），（准确率 0.8，std=0.071），（灵敏度=0.796，std=0.055），（特异度=0.922，std=0.059）。SVC 的最佳结果使用 wavelet_HHH 取得，AUC 高达 0.890（std=0.89），准确率 0.777（std=0.062），灵敏度=0.701（std=0.084），特异度=0.85（std=0.112）。使用 wavelet_HHH 的逻辑回归结果较差，AUC=0.882（std=0.051），准确率 0.753（std=0.08），灵敏度=0.717（std=0.208），特异度=0.816（std=0.123）。结论：这类机器学习方法可在磁共振成像中准确区分 RN 与复发，而无需活检。这有可能改善治疗结果。
引用
@article{arxiv.2309.04894,
title = {Differentiating Radiation Necrosis and Metastatic Progression in Brain Tumors Using Radiomics and Machine Learning},
author = {Elahheh Salari and Haitham Elsamaloty and Aniruddha Ray and Mersiha Hadziahmetovic and E. Ishmael Parsai},
journal= {arXiv preprint arXiv:2309.04894},
year = {2023}
}
备注
10 pages, 4 Figures, 2 Tables. American Journal of Clinical Oncology, August 2023