利用 MRI 和数据包容性机器学习算法量化胶质母细胞瘤的瘤内遗传异质性以迈向精准医疗
机器学习
2024-01-02 v1 计算机视觉与模式识别
最优化与控制
摘要
胶质母细胞瘤 (GBM) 是最具侵袭性和致命性的人类癌症之一。瘤内遗传异质性给治疗带来了重大挑战。活检具有侵入性，这激发了开发基于 MRI 的非侵入性机器学习 (ML) 模型以量化每位患者瘤内遗传异质性的动力。这种能力有望实现更好的治疗选择，从而改善患者预后。我们提出了一种新型弱监督序数支持向量机 (WSO-SVM)，利用 MRI 预测每个 GBM 肿瘤内的区域遗传改变状态。WSO-SVM 应用于一个独特的数据集，包含来自 74 名 GBM 患者的 318 次图像定位活检及其空间匹配的多参数 MRI。该模型经过训练，基于从五个 MRI 对比图像相应区域提取的特征，预测三种 GBM 驱动基因（EGFR、PDGFRA 和 PTEN）的区域遗传改变。为了进行比较，还应用了多种现有的 ML 算法。比较了不同算法对每个基因的分类准确率。进一步应用 SHapley Additive exPlanations (SHAP) 方法计算不同对比图像的贡献得分。最后，利用训练好的 WSO-SVM 生成每位患者肿瘤区域内的预测图，以帮助可视化瘤内遗传异质性。本研究证明了利用 MRI 和 WSO-SVM 实现对每位 GBM 患者瘤内区域遗传改变的非侵入性预测的可行性，这可 informs 未来个体化肿瘤学的适应性治疗。
引用
@article{arxiv.2401.00128,
title = {Quantifying intra-tumoral genetic heterogeneity of glioblastoma toward precision medicine using MRI and a data-inclusive machine learning algorithm},
author = {Lujia Wang and Hairong Wang and Fulvio D'Angelo and Lee Curtin and Christopher P. Sereduk and Gustavo De Leon and Kyle W. Singleton and Javier Urcuyo and Andrea Hawkins-Daarud and Pamela R. Jackson and Chandan Krishna and Richard S. Zimmerman and Devi P. Patra and Bernard R. Bendok and Kris A. Smith and Peter Nakaji and Kliment Donev and Leslie C. Baxter and Maciej M. Mrugała and Michele Ceccarelli and Antonio Iavarone and Kristin R. Swanson and Nhan L. Tran and Leland S. Hu and Jing Li},
journal= {arXiv preprint arXiv:2401.00128},
year = {2024}
}
备注
36 pages, 8 figures, 3 tables